李默臣　姚波　王福忠

摘 要：針對一類不確定線性定常系統(tǒng)，基于圓形區(qū)域，研究了執(zhí)行器單一部件故障診斷與可靠控制的問題。首先，形成針對系統(tǒng)故障的極點分類數(shù)據(jù)庫。同時為解決閉環(huán)系統(tǒng)極點信息難以觀測的問題，給出了全維狀態(tài)觀測器設(shè)計方法，實現(xiàn)了對極點信息的實時觀測。其次，根據(jù)不同通道發(fā)生故障時，極點所處區(qū)域不同的特點，應(yīng)用支持向量機（SVM）對系統(tǒng)進(jìn)行故障診斷，并依據(jù)故障診斷結(jié)果實現(xiàn)對系統(tǒng)的精準(zhǔn)可靠控制。最后結(jié)合數(shù)例仿真對提出的設(shè)計方案進(jìn)行可行性評估。

關(guān)鍵詞：支持向量機;故障診斷;可靠控制;執(zhí)行器故障;極點分類

中圖分類號：TP277???? ?文獻(xiàn)標(biāo)識碼：A

Fault Diagnosis and Reliable Control Based

on Pole Classification in Disk Region

LI Mo-chen1， YAO Bo1，WANG Fu-zhong 2

（1.College of Mathematics and System Science，Shenyang Normal University，Shenyang， Liaoning 110034，China;

2. Department of Basic Education，Shenyang Institute of Engineering，Shenyang， Liaoning 110036，China）

Abstract：To a class of uncertain linear time-invariant system， in terms of the circular region， the problem of fault diagnosis and reliable control of actuator single component is studied. Firstly， a pole classification database for system faults is formed. At the same time， in order to solve the problem that the pole information of closed-loop system is difficult to observe， the design method of full dimensional state observer is given ， realized the real-time observation of pole information. Secondly， according to the characteristics of different regions where the poles are located when faults occur in different channels， support vector machine （SVM） is applied to fault diagnosis of the system， and the accurate and reliable control of the system is realized according to the fault diagnosis results. Finally， numerical example illustrate the design method is feasible and effective.

Key words：support vector machine; fault diagnosis; reliable control; actuator fault; pole classification

在現(xiàn)代生活、生產(chǎn)中，控制原件故障隨處可見。尤其在航天、制導(dǎo)領(lǐng)域，往往受到各種不確定因素的影響，系統(tǒng)一旦出現(xiàn)故障將給人員和財產(chǎn)帶來巨大的損失。因此通過故障診斷提前預(yù)警部件出錯的位置并切換相應(yīng)的可靠控制器，對于提升系統(tǒng)的穩(wěn)定性及安全性具有重大實用價值和理論意義。早期可靠控制[1-4]都是把系統(tǒng)可能發(fā)生的故障考慮在設(shè)計過程中，形成的可靠控制器和正?？刂破飨啾?，雖然一定程度上提高了系統(tǒng)的可靠性，但同時也降低了系統(tǒng)的性能，比如響應(yīng)時間變慢、性能指標(biāo)降低、能耗加大等。支持向量機（Support Vector Machine，SVM）作為一種新型統(tǒng)計學(xué)習(xí)識別方法，很好解決了這類問題，其算法的本質(zhì)是基于凸二次優(yōu)化的方法找到全局的最優(yōu)解[5-6]。早期對于SVM研究主要用于系統(tǒng)辨識及缺陷識別[7-8]，相比傳統(tǒng)檢測手段，工序繁雜、準(zhǔn)確率差等問題，該方法從數(shù)據(jù)深度挖掘的角度，結(jié)合支持向量機分類算法，得到良好辨識效果。文獻(xiàn)[9]首次提出通過壓縮特征維數(shù)“去偽存真”的方法，降低偽特征的干擾，從而提高SVM分類效果。文獻(xiàn)[10]通過結(jié)合決策樹的基本思想，為支持向量機在多分類問題中的應(yīng)用提供了全新的方案。文獻(xiàn)[11]中針對極點信息難以觀測的問題，給出極點觀測器的設(shè)計方案，并結(jié)合SVM對極點進(jìn)行分類處理，根據(jù)極點位置不同，對故障系統(tǒng)進(jìn)行實時診斷，達(dá)到很好的控制效果。文獻(xiàn)[12]通過比較多個尋優(yōu)算法的特點，以種群的角度設(shè)計更加完善的算法，并在最小二乘向量機（LSSVM）故障診斷模型的基礎(chǔ)上利用深度學(xué)習(xí)理論，實現(xiàn)了故障增益的估計擬合。關(guān)于支持向量機的其他應(yīng)用，前人也做了大量的研究[13-14]。在利用極點配置和SVM極點分類技術(shù)進(jìn)行故障診斷問題的基礎(chǔ)上，考慮了系統(tǒng)的不確定性因素，設(shè)計的可靠控制器無論系統(tǒng)是否發(fā)生執(zhí)行器故障，都能使極點穩(wěn)定在圓形區(qū)域內(nèi)。首先，模擬每條執(zhí)行器通道故障建閉環(huán)系統(tǒng)極點數(shù)據(jù)庫。并依據(jù)本文提出的極點觀測器設(shè)計理念，完成對閉環(huán)極點信息的實時采集，并通過極點分類器，實現(xiàn)極點的精準(zhǔn)分類，從而對系統(tǒng)形成故障預(yù)警。當(dāng)閉環(huán)系統(tǒng)出現(xiàn)故障但極點仍被約束在圓形區(qū)域時，則在原控制器下保持穩(wěn)定;若極點跳出所要求的圓形區(qū)域，調(diào)換對應(yīng)故障的可靠控制器使其繼續(xù)保持穩(wěn)定。

8 結(jié) 論

針對文中一類不確定線性定常系統(tǒng)，基于圓形區(qū)域下，執(zhí)行器單一部件故障診斷和可靠控制的問題。通過極點觀測器及分類器的設(shè)計，所得到的極點信息誤差小、分類精準(zhǔn)。與傳統(tǒng)正?？刂破飨啾龋岢龅目煽靠刂破骶哂幸欢ǖ聂敯粜?，當(dāng)閉環(huán)系統(tǒng)出現(xiàn)故障但極點仍穩(wěn)定在圓形區(qū)域時，系統(tǒng)仍在原控制器下保持穩(wěn)定。若極點偏離所要求的區(qū)域，系統(tǒng)立即作出預(yù)警，調(diào)換對應(yīng)的可靠控制器使其繼續(xù)保持穩(wěn)定。這樣得到的可靠控制器具有響應(yīng)速度快，能耗低、性能高等優(yōu)點。最后的仿真實例也證明了設(shè)計可靠控制器的必要性。

參考文獻(xiàn)

[1] 姚波， 王福忠. 基于 LMI 可靠跟蹤控制器設(shè)計[J]. 自動化學(xué)報， 2004， 30（6）：863-871.

[2] 王福忠，姚波，張嗣瀛. 線性系統(tǒng)區(qū)域穩(wěn)定的可靠控制[J]. 控制理論與應(yīng)用， 2004， 21（5）：835-839.

[3] 張瑤，王福忠，姚波. 圓盤區(qū)域下系統(tǒng)不確定項容忍區(qū)間分析[J]. 沈陽工程學(xué)院學(xué)報（自然科學(xué)版）， 2018， 14（2）：188-192.

[4] 房志銘，姚波，王福忠. 基于區(qū)域極點配置的靜態(tài)輸出反饋可靠控制[J].宿州學(xué)院學(xué)報， 2017， 32（7）：100-105.

[5] VAPNIK V N. Statistical learning theory[M]. John Wiley， New York. 1998.

[6] VAPNIK V N. The nature of statistical learning theory[M]. New York： Springer-Verlag， 1996， 38（4）：409.

[7] 劉江華，陳佳品，程君實. 基于支持向量機的非線性系統(tǒng)辨識[J]. 測控技術(shù)， 2002， 21（11）：54-56.

[8] 朱凌云，曹長修. 基于支持向量機的缺陷識別方法[J]. 重慶大學(xué)學(xué)報（自然科學(xué)版）， 2002， 25（6）：42-45.

[9] 翟永杰. 基于支持向量機的故障智能診斷方法研究[D].保定：華北電力大學(xué)（河北）， 2004.

[10]王建芬，曹元大. 支持向量機在大類別數(shù)分類中的應(yīng)用[J]. 北京理工大學(xué)學(xué)報， 2001， 21（2）：225-228.

[11]房志銘. 基于SVM極點分類的故障診斷與可靠控制[J]. 沈陽師范大學(xué)， 2018， 48（12）：157-168.

[12]LIANG， Si-yue， WANG Fu-zhong. Fault diagnosis based on pole learning and MCS-LSSVM [C]. Chinese Control and Decision Conference， 2018， 2（2）： 1130-1135.

[13]賀光，李永存. 基于粗糙集理論和模糊SVM的車牌識別技術(shù)研究[J]. 計算技術(shù)與自動化， 2010， 29（4）：86-89.

[14]王雪松，梁昔明. 改進(jìn)蟻群算法優(yōu)化支持向量機的網(wǎng)絡(luò)入侵檢測[J]. 計算技術(shù)與自動化， 2015， 34（2）：95-99.