基于未知输入观测器与双信息通道的自适应传感器故障重构新方法

《Results in Engineering》:A novel reconstruction approach for sensor faults using an adaptive unknown-input observer with dual information channels

【字体: 大 中 小 】 时间:2026年02月13日 来源:Results in Engineering 9.4

编辑推荐:

  本研究提出一种集成不确定性解耦与自适应技术的传感器故障诊断方法,用于重构传感器故障。具体而言,研究人员设计未知输入估计器以解耦未确定的部分过程不确定性,并提出一种自适应估计方法以实现传感器故障重构,该方法同时利用残差的比例信息与积分信息双通道。估计器增益通过求

  
本研究提出一种集成不确定性解耦与自适应技术的传感器故障诊断方法,用于重构传感器故障。具体而言,研究人员设计未知输入估计器以解耦未确定的部分过程不确定性,并提出一种自适应估计方法以实现传感器故障重构,该方法同时利用残差的比例信息与积分信息双通道。估计器增益通过求解严格线性矩阵不等式(LMI)获得,以确保估计误差动态鲁棒稳定。研究同时考察线性动态系统与带Lipschitz约束的非线性动态系统,并给出相应的故障重构算法。通过民用飞机系统与机器人操纵器系统的仿真研究验证了所提自适应估计方法的适用性,对比研究阐明了该估计技术的优势。
研究背景方面,现代工业系统日益复杂且成本高昂,对自动化系统可靠性与安全性需求提升。传感器作为控制系统重要环节,易因老化或突发原因发生故障,错误测量将导致性能退化甚至产品报废,因此实时传感器故障诊断至关重要。现有基于模型、信号、知识及混合的故障诊断方法中,基于模型的监测在模型可得时尤为有效。故障重构(亦称故障估计)能在统一框架内实现检测、隔离与辨识。未知输入不确定性给故障诊断带来挑战,需解耦或抑制其对残差与估计误差的影响。已有未知输入观测器(UIO)与自适应观测器研究在作动器故障与传感器故障重构上取得进展,但部分方法需增广变换,或仅用单通道信息。鉴于此,研究人员在已有双通道自适应估计与UIO解耦工作基础上,开展无需增广变换、直接利用残差比例与积分双信息通道的传感器故障重构研究,成果发表于《Results in Engineering》。
关键技术方法上,研究人员针对含未知过程不确定性与传感器故障的线性系统,构建由辅助状态χ、状态估计x?与输出估计?组成的UIO结构,将过程不确定性拆分为可解耦部分w1与不可解耦部分w2,通过匹配条件(T=I?HC, R=(I?HC)A?K1C等)实现w1解耦;设计融合残差比例项F ey与导数项Iσ ?y的自适应律重构故障fs,导出广义系统形式误差方程并以M=I+ΓIσD保证可逆;将估计器增益求解转化为严格线性矩阵不等式(LMI)优化问题,确保误差动态鲁棒稳定;并将框架推广至Lipschitz非线性系统,仿真验证采用民用飞机与机器人操纵器模型。
研究结果部分,第2节“线性系统新型自适应未知输入估计器”中,研究人员建立线性模型与UIO观测器,定义状态误差ex、传感器故障误差es与输出残差ey,推导出自适应律f?s=∫ΓF eydτ+ΓIσey,得出双通道(比例+积分)直接重构结论,并通过LMIs稳定R与Ae。第3节“非线性Lipschitz系统扩展”中,研究人员在Lipschitz条件‖φ(x)?φ(x?)‖≤γ‖x?x?‖下推广观测器与自适应律,得出非线性情形仍可通过LMIs保证鲁棒重构的结论。第4节“仿真与对比”中,研究人员基于民用飞机与机器人模型注入时变传感器故障,对比单通道方法及增广变换方法,得出双通道无增广UIO在收敛速度、稳态误差与抗w2扰动上更优的结论。第5节“结论”指出,该直接双通道自适应UIO集成UIO解耦与LMIs鲁棒设计,适用于线性和Lipschitz非线性系统,敏感分析显示对过程扰动与参数摄动具鲁棒性。
讨论与结论翻译部分,研究人员总结:所提方法创新在于无需增广变换的直接双通道(比例与积分残差)自适应传感器故障重构;双通道使误差方程呈广义系统形态,带来新设计证明;UIO与自适应融合部分解耦未知输入,不可解耦部分由LMI减抑,实现鲁棒重构;线性与Lipschitz非线性统一处理拓宽适用面;飞机与机器人仿真及对比证实效能优势,敏感分析验证抗扰鲁棒性。该研究为复杂工业系统传感器故障在线重构提供兼具理论严谨与工程可部署性的新工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号