论文部分内容阅读
故障诊断与容错控制的研究是提高控制系统安全可靠运行的重要手段之一,已经引起广泛的关注。而针对随机系统的故障诊断与容错控制研究是其研究内容的重要组成部分。目前随机系统的故障诊断与容错控制的研究大多建立在系统输入、干扰和故障满足高斯假设展开的,然而这一假设并不完全符合一些实际应用过程,而且许多实际系统中要求控制过程变量的概率密度函数的形状。因此,传统的随机系统故障诊断和容错控制方法将不再适用。本文针对非高斯随机分布控制系统,给出了有效的故障诊断与容错控制的方法,在随机分布控制系统的发生故障后,利用故障诊断算法准确地估计出故障,然后利用重构控制器使得系统输出PDF仍能跟踪给定的分布。本文的主要工作如下:①针对一类非高斯非线性随机分布系统,给出了一种基于RBF神经网络逼近渐变故障的诊断方法和PI跟踪容错控制算法。采用有理平方根模型逼近其系统输出概率密度函数(PDF),在此基础上针对状态可测与不可测两种情况,分别设计基于神经网络观测器的故障诊断算法,诊断出系统发生的渐变故障信息,基于Lyapunov稳定性定理对其误差系统进行收敛性分析。在故障诊断信息的基础上,提出了一种PI跟踪加故障补偿项的容错控制策略,使得系统输出概率密度函数仍能够跟踪给定的分布。仿真结果验证了该故障诊断和容错控制算法的有效性。②针对一类非高斯奇异随机分布控制系统给出了一种新的集成故障诊断与容错控制方法。本文给出了基于迭代学习观测器(Iterative Learning Observer, ILO)的故障诊断方法,以此利用故障估计信息设计了容错控制器,使得发生故障后的系统概率密度函数仍能跟踪给定的分布。仿真结果显示针对非高斯奇异随机分布系统所提出的故障诊断与容错控制算法的有效性,不但对突变故障有效,而且对慢变故障、快变故障类型同样有效。③针对一类非高斯随机分布控制系统,本文给出了基于迭代学习的集成故障诊断与容错控制算法。采用迭代学习控制思想把整个控制范围分离多个批次,在每个批次中采用固定的RBF逼近系统输出PDF,故障观测器也是固定的,而在两个批次之间,采用P类型算法调节RBF的中心和宽度,尤拉控制器参数采用D类型调节率。并分析了迭代学习控制算法的收敛性。