動態(tài)系統(tǒng)基于模型的魯棒故障診斷

第1章 緒論
1.1 研究背景
1.1.1 故障診斷的重要意義
1.1.2 故障診斷中的技術術語
1.1.3 智能容錯控制中的故障診斷
1.1.4 基于模型的故障診斷
1.1.5 基于模型故障診斷中的魯棒性問題
1.2 基于模型故障診斷的發(fā)展簡史
1.3 本書概要
第2章 基于模型故障檢測與隔離的基本原理
2.1 引言
2.2 基于模型故障診斷的方法
2.3 在線故障診斷
2.4 故障系統(tǒng)建模
2.5 基于模型FDI中殘差生成的一般結構
2.6 故障可檢測性
2.6.1 故障可檢測性條件
2.6.2 故障強可檢測性條件
2.7 故障可隔離性條件
2.7.1 結構化殘差集
2.7.2 固定方向性殘差矢量
2.7.3 傳感器與調節(jié)器故障隔離
2.8 殘差生成方法
2.8.1 觀測器方法
2.8.2 奇偶矢量(關系)法
2.8.3 因素分解法
2.9 基于模型FDI參數(shù)估計法
2.10 隨機系統(tǒng)故障診斷
2.11 魯棒性殘差生成問題
2.11.1 關于干擾的魯棒性
2.11.2 關于建模誤差的魯棒性
2.11.3 魯棒FDI的討論
2.12 魯棒FDI中自適應閾值
2.13 基于模型FDI方法的可用性
2.13.1 觀測器方法
2.13.2 奇偶關系方法
2.13.3 參數(shù)估計方法
2.13.4 可用性討論
2.14 故障診斷技術的集成
2.14.1 故障診斷中的模糊邏輯技術
2.14.2 定性故障診斷技術
2.14.3 集成故障診斷系統(tǒng)
2.15 本章小結
第3章 基于UIOs的魯棒殘差生成
3.1 引言
3.2 UIOs的理論與設計
3.2.1 UIOs的理論
3.2.2 UIOs的設計步驟
3.3 基于UIOs的魯棒故障檢測與隔離策略
3.3.1 基于UIOs的魯棒故障檢測策略
3.3.2 基于UIOs的魯棒故障隔離策略
3.3.3 實例：化學反應裝置中調節(jié)器故障的魯棒檢測與隔離
3.4 魯棒故障檢測濾波器與魯棒方向性殘差
3.4.1 故障檢測濾波器的基本原理
3.4.2 干擾解耦故障檢測濾波器與魯棒故障隔離
3.4.3 噴氣發(fā)動機系統(tǒng)傳感器故障的魯棒性隔離
3.5 不確定隨機系統(tǒng)濾波與魯棒故障診斷
3.5.1 具有未知干擾和噪聲系統(tǒng)的最優(yōu)觀測器
3.5.2 魯棒殘差生成與故障檢測
3.5.3 例子
3.6 本章小結
第4章 基于觀測器特征結構配置的魯棒殘差生成方法
4.1 引言
4.2 殘差生成與殘差響應
4.3 干擾解耦設計的一般原理
4.3.1 基于不變子空間的干擾解耦設計
4.3.2 基于特征結構配置的干擾解耦設計
4.4 干擾解耦的左特征矢量配置方法
4.5 魯棒故障檢測器設計的參數(shù)特征結構配置方法
4.5.1 魯棒FDI設計的參數(shù)特征結構配置
4.5.2 例子
4.6 干擾解耦的右特征矢量配置方法
4.7 魯棒殘差生成中的最小拍設計
4.8 基于特征結構配置方法的兩個例子
4.9 結論與討論
第5章 魯棒殘差生成中干擾分布矩陣的確定
5.1 引言
5.2 干擾分布矩陣的直接確定與優(yōu)化
5.2.1 噪聲與加性非線性
5.2.2 雙線性系統(tǒng)
5.2.3 降階模型
5.2.4 參數(shù)擾動
5.2.5 分布矩陣的低秩近似
5.2.6 有界不確定性
5.3 干擾與干擾分布矩陣的估計
5.3.1 干擾矢量估計的增廣觀測器方法
5.3.2 干擾分布矩陣的推導
5.3.3 干擾矢量估計的反卷積方法
5.4 多(變)工作點下最優(yōu)干擾矩陣的確定
5.5 噴氣發(fā)動機系統(tǒng)建模與FDI
5.5.1 噴氣發(fā)動機系統(tǒng)故障診斷的研究背景
5.5.2 噴氣發(fā)動機系統(tǒng)描述
5.5.3 直接計算與優(yōu)化方法的應用
5.5.4 增廣觀測器方法的應用
5.6 本章小結
第6章 基于多目標優(yōu)化與基因算法的魯棒殘差生成器設計
6.1 引言
6.2 殘差生成與性能指標
6.2.1 殘差生成與響應
6.2.2 魯棒殘差生成中的性能指標
6.2.3 性能指標的說明
6.3 觀測器設計中的參數(shù)化
6.3.1 實特征值
6.3.2 共軛復特征值
6.3.3 特征值的配置
6.4 多目標優(yōu)化與不等式方法
6.4.1 多目標優(yōu)化
6.4.2 不等式方法
6.5 基于基因算法的優(yōu)化技術
6.5.1 基因算法簡介
6.5.2 使性能不等式成立的基因算法步驟
6.6 飛行控制系統(tǒng)傳感器緩變故障的檢測
6.7 本章小結
第7章 基于最優(yōu)奇偶關系的魯棒殘差生成方法
7.1 引言
7.2 最優(yōu)奇偶關系設計中的性能指標
7.3 基于多目標優(yōu)化的最優(yōu)魯棒奇偶關系設計
7.3.1 求解最優(yōu)問題的SVD方法
7.3.2 多目標優(yōu)化的求解
7.4 數(shù)值實例
7.5 有關設計最優(yōu)奇偶關系的討論
7.5.1 魯棒故障隔離
7.5.2 多模型的概率分布
7.5.3 正交化奇偶關系
7.5.4 基于優(yōu)化的魯棒奇偶關系設計
7.5.5 閉環(huán)最優(yōu)奇偶關系
7.6 本章小結
第8章 魯棒故障診斷的頻域設計與H∞優(yōu)化方法
8.1 引言
8.2 魯棒故障檢測的因數(shù)分解方法
8.2.1 基于因數(shù)分解的殘差生成器設計
8.2.2 完全故障檢測與隔離及完全干擾解耦
8.2.3 最優(yōu)殘差設計
8.3 基于標準H∞濾波描述的魯棒殘差生成
8.3.1 具有干擾抑制的魯棒殘差生成
8.3.2 故障估計
8.3.3 具有干擾抑制的故障估計
8.3.4 魯棒性問題
8.4 魯棒殘差生成的LMI方法
8.4.1 問題描述
8.4.2 敏感性范數(shù)分析
8.4.3 H∞控制的LMI求解方法
8.4.4 對偶性與H∞估計
8.4.5 魯棒故障檢測觀測器設計
8.4.6 魯棒FDI中有關LMI方法的討論
8.5 本章小結
第9章 非線性動態(tài)系統(tǒng)故障診斷
9.1 引言
9.2 線性與非線性觀測器方法
9.3 非線性動態(tài)系統(tǒng)故障診斷的神經(jīng)網(wǎng)絡方法
9.3.1 非線性動態(tài)系統(tǒng)FDI中神經(jīng)網(wǎng)絡的應用
9.3.2 基于神經(jīng)網(wǎng)絡的故障診斷方案
9.3.3 基于神經(jīng)網(wǎng)絡的故障診斷方法在實驗室系統(tǒng)中的應用
9.4 非線性動態(tài)系統(tǒng)故障診斷的模糊觀測器方法
9.4.1 T-S模糊模型及穩(wěn)定性分析
9.4.2 模糊觀測器與殘差生成
9.4.3 鐵路牽引系統(tǒng)中感應電機的故障診斷
9.5 非線性動態(tài)系統(tǒng)故障診斷的神經(jīng)模糊方法
9.5.1 B-樣條神經(jīng)網(wǎng)絡與模糊邏輯解釋
9.5.2 基于B-樣條網(wǎng)絡的殘差生成與故障檢測
9.5.3 基于B-樣條函數(shù)網(wǎng)絡的故障隔離
9.5.4 兩箱系統(tǒng)的故障診斷
9.6 本章小結
附錄A 基于模型故障診斷技術中的專業(yè)術語
附錄B 倒擺實例
附錄C 矩陣秩分解
附錄D 引理3.2的證明
附錄E 低秩矩陣近似
參考文獻