用强跟踪滤波器的方法解决一类传感器故障

摘  要： 关键词： 故障诊断；强跟踪滤波器；传感器；恒偏差；仿真
   　目前，对线性系统的参数估计技术已经比较成熟，可以采用传统的卡尔曼估计、最小二乘估计等方法来实现。而对复杂的时变、强耦合非线性系统，传统的扩展卡尔曼滤波器EKF(Extended Kalman Filter)由于其对系统参数变化不具有鲁棒性，在系统参数突变的情况下容易出现滤波误差增大(甚至发散)现象。另外，当扩展卡尔曼滤波器达到平稳的状态下，滤波增益阵会变得很小。当系统参数突变后，由于滤波增益阵不能迅速增大，所以会导致滤波器对状态突变跟踪能力极差，不能用于非线性系统参数估计。为了增强卡尔曼滤波器在参数突变情况下的鲁棒性和跟踪能力，清华大学的周东华教授等人提出了强跟踪滤波器STF(Strong Tracking Filter)的理论[1]。基于这种理论，本文提出一类关于非线性系统传感器恒偏差故障问题的检测与诊断方法，可用于估计故障的幅值。
　实际控制系统的典型故障有：(1)执行机构及输出传感器的增益逐渐衰减或突然衰减，导致超出允许范围；(2)执行机构及输出传感器出现超限的阶跃型或缓变型输出偏差等。
1 传感器恒偏差失效故障
　考虑如下一大类离散非线性系统的状态估计问题：


     强跟踪滤波器中，时变渐消因子的引进目的是调整系统预测误差的协方差矩阵，并确定时变增益阵，使得不同时刻的残差序列向量处处保持相互正交状态，从而使系统变量的估计误差达到最小。



     对状态x1(k)进行仿真，仿真结果如图1所示。当k=200时，加入外部强干扰信号，状态x2(k)上分别有幅值上的突变，仿真结果如图2所示。当k=300时，传感器发生幅值为0.01(约为传感器正常输出值0.12的8.3%)的阶跃偏差型故障，仿真结果如图3所示。
   
   
       仿真结果表明，强跟踪滤波器的方法对本文提出的一类传感器恒偏差故障具有很强的动态跟踪能力，虽然与传统的卡尔曼滤波器相比，系统噪声与测量噪声对强跟踪滤波器的跟踪能力影响较小，但还存在有一定影响；与其他方法计算量相比，强跟踪滤波器的方法计算量适中，可作实时算法在线应用。
本文用强跟踪滤波器的方法解决了一类传感器的故障问题，并在此基础上实现了非线性过程的非线性控制，具有很好的滤波效果。
参考文献
[1] 周东华，叶银忠.现代故障诊断与容错控制[M].北京： 清华大学出版社，2000.
[2] 闻新，张洪钺，周露.控制系统的故障诊断与容错控制[M].北京：机械工业出版社，1998.
[3] 文成林，陈志国，周东华.基于强跟踪滤波器的多传感器非线性动态系统状态与参数联合估计[J].电子学报，2002(11)：1715-1717.
[4] YANG Guo Sheng， WEN Cheng Lin， TAN Min. Multisensor distributed track fusion algorithm based on strong tracking filter and feedback integration[J]. ACTA Automatica Sinica， 2004， 30(2)： 244-250.
[5] 柯晶，乔谊正，钱积新.基于强跟踪滤波器的改进非线性自适应观测器[J].系统工程与电子技术，2005，27(1)：111-117.
[6] 刘志成，刘春涛.基于参数估计的传感器故障诊断的改进方法[J].计算机应用与软件，2009，26(9)：183-185.
[7] 于百胜，黄文虎.基于强跟踪滤波器的在线故障诊断方法[J].振动、测试与诊断，2003，23(12)：260-263.
[8] 童春霞，张天桥.强跟踪滤波理论在非线性飞控中的应用[J].计算机仿真，2004，21(8)：17-19.