论文部分内容阅读
在工业进程过程中,为了确保控制系统可靠安全地运行,故障诊断与容错控制作为重要的手段之一,已经引起了广泛的关注。目前主要是针对随机系统的故障诊断与容错控制的研究,然而这类研究往往建立在系统干扰、输入和故障满足高斯假设来开展的,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(Probability density function, PDF)的形状,这类系统方程描述了系统输入与系统输出概率密度函数之间的关系,而并非传统的系统输入与输出之间的关系,称此类系统为随机分布控制(Stochastic distribution system, SDC)系统。时滞是大多数工业系统中非常普遍的现象,例如长管道进料、极缓慢的过程或复杂的在线分析仪等。时滞的存在使得对系统的分析变得复杂,同时也是系统不稳定性的根源。目前非高斯时滞随机分布系统的容错控制尚无研究结果。本文针对非高斯时滞随机分布控制系统,在系统发生故障后,通过利用有效的故障诊断算法准确地估计出故障,然后利用估计出的故障信息,对系统进行容错控制,最终使发生故障后系统的输出概率密度函数仍能跟踪给定的分布,从而实现非高斯时滞随机分布控制系统的集成故障诊断与容错控制。本文主要做了如下工作：①对采用有理平方根B样条逼近的非高斯时滞随机分布系统,运用一种基于非线性自适应观测器故障诊断方法有效地诊断出非高斯随机分布系统的常值故障。仿真结果验证了故障诊断算法的有效性。②对采用有理平方根B样条逼近的非高斯时滞随机分布系统,给出基于RBF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。基于故障诊断的信息,给出一种新的PI容错跟踪控制算法,使发生故障后系统输出的概率密度函数仍能跟踪给定的分布,最终通过仿真从而验证集成故障诊断和容错控制算法的有效性。③对非高斯奇异随机分布控制系统,考虑时滞因素的影响,给出基于迭代学习观测器(IL0)的故障诊断方法,结合切换控制理论,基于故障估计信息进行了最优容错控制设计,使发生故障后系统的输出概率密度函数仍能跟踪给定的分布。仿真结果表明该集成故障诊断与容错控制算法不仅对常值故障有效,对快变故障和慢变故障同样有效。