[发明专利]一种基于迭代学习观测器的故障诊断方法及诊断系统

说明书

本发明属于故障诊断技术领域，公开了一种基于迭代学习观测器的故障诊断方法及诊断系统，定义一个二维模糊模型，其分别是对时间轴和批次轴的演化；建立经过轮询调度协议后输出的数学表达式；将轮询调度协议的输出与原系统的状态组成增广系统的状态；对增广系统建立迭代学习观测器进行故障、状态的估计。本发明利用迭代学习观测器对故障进行估计，通过对输出误差的不断迭代，达到对故障更精确的估计，从而对系统状态有着更好的估计性能。考虑到轮询调度协议具有周期性，而迭代学习策略能够很好的挖掘周期信息，因此本发明设计迭代学习观测器对系统进行故障诊断，从而可以得到更精确的故障诊断结果。

技术领域

本发明属于故障诊断技术领域，尤其涉及一种基于迭代学习观测器的故障诊断方法及诊断系统。

背景技术

目前，最接近的现有技术：传统观测器对含有轮询调度(Round-Robin)协议系统的故障诊断方法面临故障估计不准确的挑战。绝大多数情况下，由于系统中噪声、不确定性的存在，传统的观测器对系统的状态和故障的估计往往不准确。现有的传统观测器的故障诊断方法(如龙伯格观测器、未知输入观测器等)在噪声、系统不确定性存在时，对状态和故障的估计效果就会受到很大的影响。本发明专利首先利用迭代学习观测器对故障进行估计，通过对输出误差的不断迭代，达到对故障更精确的估计，从而对系统状态有着更好的估计性能。考虑到轮询调度协议具有周期性，而迭代学习策略能够很好的挖掘周期信息，因此本发明设计迭代学习观测器对系统进行故障诊断，从而可以得到更精确的故障诊断结果。

综上所述，现有技术存在的问题是：现有的传统观测器的故障诊断方法(如龙伯格观测器、未知输入观测器等)在噪声、系统不确定性存在时，对状态和故障的估计效果就会受到很大的影响。

解决上述技术问题的难度：因为引用迭代学习观测器的方法，需要将传统的一维系统转化为二维系统，在稳定性证明方面与一维系统有着一定的差别，并且需要找到一个合理的迭代次数使观测器有着不错的估计效果。

解决上述技术问题的意义：轮询调度协议具有周期性，而迭代学习策略可以很好的挖掘周期信息，利用这个方法，可以对含有轮询调度协议的T-S模糊系统的故障有着良好的估计，并且可以对系统状态有着进一步的估计。

发明内容

针对现有技术存在的问题，本发明提供了一种基于迭代学习观测器的故障诊断方法及诊断系统。

本发明是这样实现的，一种基于迭代学习观测器的故障诊断方法，所述故障诊断方法包括以下步骤：

步骤一，定义一个二维模糊模型，其分别是对时间轴和批次轴的演化；

步骤二，建立经过轮询调度协议后输出的数学表达式；

步骤三，将轮询调度协议的输出与原系统的状态组成增广系统的状态；

步骤四，对增广系统建立迭代学习观测器进行故障、状态的估计。

进一步，步骤一中，所述二维模糊模型为：

其中，k是迭代次数，g₁,...,g_j为前件变量，为模糊集合，A_ci、B_ci、C_c为系统矩阵，x(t,k)、u(t,k)、y(t,k)表示系统的状态、输入和输出，f(t,k)表示故障控制输入，w(t,k)表示噪声。

进一步，步骤二中，所述建立经过轮询调度协议后输出的数学表达式为：

其中，φ_p＝diag{δ(p-1)I,δ(p-2)I,…,δ(p-N)I}，δ(i-j)为克罗内克函数，当i＝j时，函数值取1，反之取0，为经过轮询调度协议后的输出。