【技术实现步骤摘要】
故障智能监测与精细化诊断方法、装置及存储介质
[0001]本专利技术涉及安全可靠性
,特别是涉及一种故障智能监测与精细化诊断方法、装置、电子设备及存储介质。
技术介绍
[0002]随着经济和科技的不断发展,各项设备功能日益完善,工业规模不断扩大,各类控制系统复杂性逐渐提高,保证系统的可靠、稳定、安全的运行是人们将面临的巨大挑战。近年来,基于区间观测器在系统故障诊断领域中有较大的研究成果,具有相对检测成本低、且响应快速的优点。然而,基于区间状态观测的故障诊断方法尚不成熟,比如:区间观测的故障监测只能判断是否发生大类故障,而无法精确地辨识故障类型,因此,还有很多需要完善之处和亟待解决的理论问题。另外一个方面,基于数据驱动的机器学习或深度学习电机故障分类与诊断方法也是近年来研究的热点,具有不需要具体的机理模型,且能够对故障类型进行精细化诊断的特点。然而,基于人工智能算法的故障诊断方法往往需要大量的传感器实时检测装置运行状态,从而获取大量的正常或故障时发生的数据样本;由于实际运行的场景复杂,当故障的种类繁多时候,也会增加所需构建检测模型的算力成本,从而大大增加了故障诊断设备的运行维护成本。
[0003]综上所述,基于区间观测器的故障诊断方法是一种软检测方法,能够在无传感器的场景下进行故障检测,但这种方法仅能识别是否发生大类故障,无法精确地辨识故障的精确类型;而基于数据驱动的故障诊断方法往往需要大量的样本数据建立网络模型,并在实际运行过程中需要通过大量传感器实时检测机器的状态。
技术实现思路
[0 ...
【技术保护点】
【技术特征摘要】
1.一种故障智能监测与精细化诊断方法,其特征在于,所述方法包括:根据需检测故障的不确定广义系统,将执行器故障增广系统作为不确定广义系统的附加特定状态,构建广义系统模型;基于神经网络对部分未建模动态和参数扰动引起的不确定模型,利用边界辨识算法获取具有动态特性的边界信息;根据所述广义系统模型,利用Min
‑
Max函数将上下界动态系统状态及输出进行综合耦合,构建具有更丰富自由度的动态
‑
输出多耦合类Luenberger区间观测器;根据所述动态
‑
输出多耦合类Luenberger区间观测器,构建观测器误差变量系统,实现传感器和执行器的大类故障诊断;将动态
‑
输出多耦合类Luenberger区间观测器采集的多维数据进行特征融合,将融合后数据和诊断的大类故障类型输入深度卷积神经网络模型中,输出精细化故障类型。2.根据权利要求1所述的故障智能监测与精细化诊断方法,其特征在于,所述边界信息为:为:其中,为神经网络的网络输出;ΔA为系统矩阵参数不确定性结构;x∈R
n
为状态向量,f∈R
n
为执行器故障;为未建模非线性动态,t为时间变量;δ为网络逼近误差。3.根据权利要求2所述的故障智能监测与精细化诊断方法,其特征在于,所述根据所述广义系统模型,利用Min
‑
Max函数将上下界动态系统状态及输出进行综合耦合,构建具有更丰富自由度的动态
‑
输出多耦合类Luenberger区间观测器,包括:将所述边界信息在动态系统和输出方程端进行耦合,构建的动态
‑
输出多耦合类Luenberger区间观测器为:其中,和q(t)为上下界状态估计变量;和N(*)为不确定性的综合边界信息;X(t)=[i
a
ω]
T
,i
a
为电枢电流,ω为转速;Max和Min表示取极值函数;U(t)表示控制状态;Y(t)表示输出端状态;矩阵N,R,G,M,L为待求解的观测器增益。4.根据权利要求3所述的故障智能监测与精细化诊断方法,其特征在于,所述根据所述动态
‑
输出多耦合类Luenberger区间观测器,构建观测器误差变量系统,包括:构建的误差变量为:
则误差变量对应的误差动态系统矩阵为该矩阵为Metzler形式;进一步构建总误差动态系统为:其中,系统矩阵为N
q
=Max(N,0)
‑
Min(N,0);基于所述系统矩阵,最终实现对于一阶增广系统的状态估计,即满足5.根据权利要求4所述的故障智能监测与精细化诊断方法,其特征在于,根据观测器误差变量系统,实现传感器和执行器的大类故障诊断,包括:所述动态
‑
输出多耦合类Luenberger区间观测器的输出为:输出多耦合类Luenberger区间观测器的输出为:其中,y∈R
n
为输出向量;当无故障发生时,执行器故障f为0,对应的真实输出和特定状态区间估计满足当发生执行器故障时,满足6.根据权利要求1所述的故障智能监测与精细化诊断方法,...
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。