【技术实现步骤摘要】
本专利技术涉及一种不完备系统故障诊断的生成粒子滤波器方法，属于故障诊断
技术介绍
模型不完备条件下的故障诊断问题是一个具有挑战性的难点问题。已有的故障诊断方法大多数要求建立完备的故障模型。然而，由于以下几方面的原因，系统模型通常是不完备的：(1)人们没有掌握复杂系统的全部规律，导致部分动态未备建模；(2)由于系统复杂度非常高，为了简化计算，通常忽略了一些高阶动态；(3)由于系统及其环境的动态变化，导致不可能对系统完备建模。 粒子滤波器是监视动态系统的蒙特卡罗(Monte Carlo，即随机选择)方法，通过带权样本(即粒子)集非参数化地近似概率分布.粒子滤波器提供了一种计算上可行的方法，来估计混合系统的状态.除了计算上的优势外，在单个粒子滤波器中可以同时表示离散和连续状态，而且不受高斯假设的约束可以表示任意分布。然而，常规粒子滤波器方法同样要求系统被完备建模。 从贝叶斯滤波角度，混合系统故障诊断问题可以简要描述如下。多模型混合系统定义为， xt=f(st,xt,ut)+vt---(1)zt=h(st,xt,ut)+nt---(2)]]>其中，st∈S表示t时刻的离散系统模式，S为离散系统模式的有限集合。，表示系统在t时刻的多变量连续状态，表示t时刻的系统测量，表示t时刻系统输入。过程噪声vt和测量噪声nt为相互独立的白噪声序列。状态方程(1)刻画了系统连续状态转移概率p(xt+1|st，xt，ut)，测量模型(2)刻画了似然概率p(zt|st，xt，ut)，{st
【技术保护点】
一种不完备系统故障诊断的生成粒子滤波器方法，其特征在于：在粒子滤波器中通过保留非规格化权重以及阈值逻辑检测未知故障，对于检测到的未知故障，利用通过基于神经网络的方法，建立未知模式的状态方程；具体实现步骤如下：(1)初始化，具体包括： (1a)设置粒子数Nknown，阈值α，已知模式集合S，先验分布P(s0)，以及转移概率πij=p(st=j|st‑1=i)，ij∈Sknown，Unknown_found=0(Unknown_found用于对连续发现未知模式进行识别)，Learned_num=0(Learned_num表示通过学习构建的模型数目)，表示通过学习构建的模型集合)，Nlearned(新学习模式识别的粒子数目，由于新的模式模型不确定性强，该值设置通常远远大于Nknown)；(1b)从先验分布P(s0)采样离散状态(1c)从先验分布采样连续状态对于每一时间步t，地推地进行预测、更新、估计以及重采样过程(具体如下述步骤2～9)； (2)状态预测(重要性采样)，具体包括： (2a)根据离散状态转移概率抽取离散样本(2b)根据样本的离散状态确定连续状态转移概率，并抽取样本(3)权重更新...
【技术特征摘要】
1.一种不完备系统故障诊断的生成粒子滤波器方法，其特征在于：在粒子滤波器中通过保留非规格化权重以及阈值逻辑检测未知故障，对于检测到的未知故障，利用通过基于神经网络的方法，建立未知模式的状态方程；具体实现步骤如下：
(1)初始化，具体包括：
(1a)设置粒子数Nknown，阈值α，已知模式集合S，先验分布P(s0)，以及转移概率πij=p(st=j|st-1=i)，ij∈Sknown，Unknown_found=0(Unknown_found用于对连续发现未知模式进行识别)，Learned_num=0(Learned_num表示通过学习构建的模型数目)， 表示通过学习构建的模型集合)，Nlearned(新学习模式识别的粒子数目，由于新的模式模型不确定性强，该值设置通常远远大于Nknown)；
(1b)从先验分布P(s0)采样离散状态(1c)从先验分布采样连续状态对于每一时间步t，地推地进行预测、更新、估计以及重采样过程(具体如下述步骤2～9)；
(2)状态预测(重要性采样)，具体包括：
(2a)根据离散状态转移概率抽取离散样本(2b)根据样本的离散状态确定连续状态转移概率，并抽取样本(3)权重更新，具体包括：
(3a)根据测量模型计算非规格化...
【专利技术属性】
技术研发人员：段琢华，邹昆，杨亮，徐翔，
申请(专利权)人：电子科技大学中山学院，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。