[发明专利]一种不完备系统故障诊断的生成粒子滤波器方法

摘要

本发明涉及一种不完备系统故障诊断的生成粒子滤波器方法，在粒子滤波器中通过设计一种抽象的未知故障模式描述所有的系统未建模动态，通过提取粒子集特征判断当前模式是否为未知模式。如果为已知模式，则利用常规粒子滤波器方法对系统进行诊断；如果为未知模式，则根据积累的样本利用神经网络学习并构造新模式的状态转移模型，并将新模式加入到故障模式集合中，构造出新的扩展故障空间。此后，粒子滤波器在扩展后的故障空间中对新的数据进行诊断。该技术方案在粒子滤波器框架下结合神经网络实现，针对不完备混合动态系统，不仅可以诊断已知故障，还能识别和学习新的故障模式，能提高故障诊断系统在实际应用中的可靠性。

主权项

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N_known，阈值α，已知模式集合S，先验分布P(s₀)，以及转移概率π_ij=p(s_t=j|s_t-1=i)，ij∈S_known，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)，N_learned(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N_known)；(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权重(3b)计算非规格化因子(3c)计算边缘分布(4)离散状态估计(5)权重规格化(6)连续状态估计(7)利用样本集训练神经网络(8)扩展模式诊断：如果W_t<α且Learned_num>0则利用自适应粒子滤波器APF对新学习的模型集合S_learned进行诊断；诊断的结果分为以下几种：(a)当前模式为S_learned中存在的模式s_{known_1}，则利用当前的样本学习该模式s_{known_1}；(b)当前模式为新的未知模式；步骤包括： (8a)对S_learned均匀采样N_learned个离散样本(8b)根据样本从对应神经网络采样连续样本其中R^learned表示新学习模型方差；(8c)根据测量模型计算非规格化权重(8d)计算非规格化因子(8e)计算边缘分布(8f)未知模式检测及离散状态估计：如果W_t<α^learned发现新的未知模式，否则进行离散状态估计同时利用新的样本对该离散模式进行学习；(9)模型学习：如果连续两次检测到未知模式，则产生一个新的模式s_u并对该模式进行学习，具体步骤为： (9a)构造训练样本(9b)训练神经网络(9c)将新的未知模式s_u加入到新学习模式集合S_learned中，S_learned=S_learned∪s_u。