基于数字孪生的多驱动器系统的异构传感器双模态容错控制方法

1.本发明涉及信号处理与传感器容错技术领域，具体涉及一种基于数字孪生的多驱动器系统异构传感器双模态容错滤波器设计。


背景技术：

2.多驱动器系统具有反应迅速、控制精度高、运行平稳、合成输出力矩较大且惯量相对较低的特点，常用于武器瞄准和雷达监测等具有较大负载惯量的系统。在高性能矢量控制伺服系统中，需要实时精确地知道电机转子的位置和速度信息，这些信息通过安装在电机上的旋转变压器、光电或磁编码器等位置传感器获取。在实际运行过程中，各驱动器状态传感器以及负载侧状态传感器作为高灵敏度器件，容易受到外部环境影响出现测量值异常以及完全失效等故障，对系统建模以及控制均影响严重。因此需要研究针对多驱动器系统异构传感器的容错控制方法。
3.在单驱动器系统中，为了减少机械安装给系统带来的复杂性提升以及电磁干扰等问题，目前多采用无传感器技术实现位置传感器的故障诊断和容错控制。然而，无传感器技术在长时间工作式存在无法避免的累积误差，多传感器数据融合受传感器故障问题影响，位置信息波动较大。仅靠单一的容错方案难以满足多驱动系统长时间的状态传感器容错控制需求，如何如何合理的平衡各种方法的特性，设计可以长时间工作的状态传感器容错控制方案需要进一步研究。


技术实现要素：

4.本文发明的目的在于提供一种基于数字孪生的多驱动器系统异构传感器双模态容错滤波器设计。
5.技术方案：
6.一种基于数字孪生的多驱动器系统的异构传感器双模态容错控制方法，包括：
7.步骤1，状态传感器采集驱动器状态信息数据zm(k)，并对采样所得状态信息数据zm(k)进行卡尔曼滤波获得滤波所得值进一步减少传感器采样噪声；
8.步骤2，建立多驱动器系统内数字孪生模型，结合实际系统反馈信息，建立全过程精准数字模型，输出状态预测信息
9.步骤3，结合系统数字孪生模型的状态预测信息对数据进行状态卡方状态检测，以检测状态传感器是否故障；设计模糊隶属度函数，基于所设计模糊隶属度函数分析各状态传感器可靠性，并分配各状态传感器数据融合权重；
10.步骤4，采集所有状态传感器的采样数据以及可靠性分析结果；依照数据融合算法及各状态传感器数据融合权重分配结果，计算得出所需状态传感器的状态信息并输出，作为步骤2中多驱动器系统实时状态信息反馈，实现对异构传感器的容错控制。
11.优选的，步骤1中各状态传感器数据进行卡尔曼滤波以进一步减少传感器采样噪声，具体的：
12.定义系统状态信息状态量为:
13.xm(k)＝[θm(k),θm(k-1)](m∈{s1,s2,...,si,...,sn,sh})。
[0014]
式中，θm(k)表示k时刻状态传感器m的状态信息，si表示第i个驱动器一侧状态传感器，sh表示负载侧高精度状态传感器；
[0015]
每个状态传感器均可测得一组状态信息状态量zm(k)，其量测方程为:
[0016]
zm(k)＝hm(k)x(k)+ξm(k)(m∈{s1,s2,...,si,...,sn,sh}
[0017]
其中，x(k)表示k时刻多驱动器系统的系统状态量，hm(k)表示传感器m量测矩阵，ξm(k)表示k时刻高斯噪声；
[0018]
e[ξm(k)]＝0
[0019][0020]
状态传感器sh测量精度通常高于其它状态传感器，故sh采样噪声低于其它状态传感器；cov[.]表示求协方差，e[.]表示求均值，rm(k)表示噪声协方差数组；
[0021]
定义为状态信息数据zm(k)滤波所得值；则及对应协方差矩阵pm(k)计算过程如下:
[0022][0023][0024][0025][0026][0027][0028]
其中，i表示单位矩阵，表示协方差矩阵，am(k-1)表示传感器m量测状态矩阵，a(k-1)表示系统状态矩阵，
t
表示矩阵转置，g(k-1)表示系统噪声增益矩阵，q(k-1)表示数字孪生模型噪声均值矩阵，km(k)表示过程状态矩阵，rm(k)表示传感器m噪声协方差矩阵，表示传感器m初始滤波状态量，x(0)表示系统初始状态量，p(0)表示初始协方差。
[0029]
优选的，步骤2中建立多驱动器系统内数字孪生模型，结合实际系统反馈信息，建立全过程精准数字模型，输出高可靠状态预测信息；具体的：
[0030]
对于多驱动器系统，其系统方程为:
[0031]
x(k)＝a(k-1)x(k-1)+g(k-1)ν(k-1)+b(k)u(k)
[0032]
其中，g(k-1)表示噪声增益矩阵，ν(k-1)表示数字孪生模型噪声量，u(k)表示系统输入；
[0033]
a(k),b(k)为系统状态方程，e[ν(k)]＝0；
[0034][0035]
cov[ν(k),ξ
l
(k)]＝0
[0036]
其中，q(k)表示噪声量协方差量，ξ
l
(k)表示实际系统数据采样噪声量。
[0037]
定义为状态预测器输出状态信息,定义ps(k)为对应协方差矩阵.其预估过程设计如下:
[0038][0039]
ps(k)＝a(k-1)ps(k-1)a
t
(k-1)+g(k-1)q(k-1)g
t
(k-1)
[0040][0041][0042]
其中，初始状态向量x(0)为高斯随机向量，ps(0)表示初始协方差。
[0043]
优选的，步骤3中结合系统数字孪生模型的状态预测信息对数据进行状态卡方状态检测，以检测状态传感器采集数据是否正常；具体步骤为：
[0044]
定义预估误差如下:
[0045][0046][0047]
其中，表示传感器m量测误差，es(k)表示数字孪生模型预估误差；
[0048]
定义
[0049][0050]
其中，αm(k)表示故障检测因子；可得其协方差tm(k)为:
[0051][0052]
其中，表示传感器m量测值与数字孪生模型量测值协方差；
[0053]
设计故障检测函数qm(k)如下:
[0054][0055]
qm(k)～χ2(n)
[0056]
表示tm(k)的逆矩阵，qm(k)～χ2(n)表示qm(k)为高斯量；采取上述故障检测函数，选取t
md
作为故障判定阈值；当qmk》t
md
,判定状态传感器故障。
[0057]
优选的，步骤3中设计模糊隶属度函数，基于所设计模糊隶属度函数分析各状态传感器可靠性，并分配各状态传感器数据融合权重；具体步骤为：
[0058]
引入模糊隶属度函数作为替代，将故障检测阈值t
md
模糊化，不再准确判定状态传
感器是否故障，而是计算状态传感器介于有故障和无故障这两种状态之间的程度，将此定义为状态传感器的有效概率，由设定的模糊逻辑函数计算得到；
[0059]
其对应的模糊隶属度函数η(qm(k))如下:
[0060][0061]
选取t
ma
为正常状态下卡方检测值的90％,选取t
mb
为正常状态下卡方检测值的99％；
[0062]
定义双模态容错滤波权重函数为
[0063]
ξ(a,b),a∈{s1,s2,
…
,sn},b∈{s1,s2,
…
,sn,sh}
[0064]
ξ(a,b)代表在输出编号为a的状态传感器输出信息时，编号为b的状态传感器采样数据所占比例；
[0065]
考虑信息守恒原则，各状态传感器权重值满足:
[0066][0067]
对于状态传感器a∈{s1,s2,
…
,sn}，其状态数据融合权重计算方法设计为:
[0068][0069]
其中，tr(a)表示对矩阵a求迹运算，ηb表示传感器b有效概率，表示传感器m与传感器b量测矩阵，表示传感器m与传感器b量测误差协方差矩阵，表示传感器m传感器m与传感器b量测误差均值。
[0070]
优选的，步骤4采集所有状态传感器的采样数据以及可靠性分析结果；依照数据融合算法及各状态传感器数据融合权重分配结果，计算得出所需状态传感器的状态信息并输出，作为步骤2中多驱动器系统实时状态信息反馈，实现对异构传感器的容错控制，具体步骤为：
[0071]
(1)无状态传感器故障时:
[0072]
当系统正常运转，各状态传感器数据经过卡方状态检测后被认定可靠；各状态传感器最终输出数据以自身对应状态传感器采样数据为主，辅以其它状态传感器数据以及数字孪生模型状态信息进行融合滤波，此时自身对应状态传感器所占权重大，其它状态传感器占小权重；
[0073]
(2)有状态传感器故障时:
[0074]
当系统某一状态传感器故障时，其可靠性下降，相对应权重配比大幅降低，此时需要通过其余状态传感器以及数字孪生模型状态信息进行预估；此过程中，数字孪生模型数据的权重比需要进一步增大以提升最终输出状态信息精度，其余状态传感器数据依照其采样精度分别施加步骤3所得权重配比；
[0075]
基于步骤3获得的自适应权重配比，可得到系统最终的双模态容错滤波函数如下:
[0076][0077][0078]
m∈{s1,s2,...,si,...,sn,sh}
[0079]
其中，表示针对编号为m的状态传感器经系统容错滤波后输出的最终状态信息，ξ(m,sj)表示传感器sj对于传感器m预估值的权重配比，表示传感器sj有效概率，λ(m)表示过程状态量,表示传感器sj滤波后状态量测值。
[0080]
本发明的有益效果
[0081]
针对多驱动系统在状态传感器故障下的自适应容错控制需求，结合无传感器技术与数据融合技术，基于数字孪生模型构建高可靠基准状态预测输出，结合联邦容错滤波结构，实现异构传感器的故障诊断与容错滤波，最终实现了各状态传感器的精准容错信息输出。
附图说明
[0082]
图1为本发明基于数字孪生的多驱动器系统的异构传感器双模态容错控制系统框图
[0083]
图2为本发明基于模糊隶属度函数的可靠性计算图
[0084]
图3为本发明实施例中使用的四电机同步驱动系统实物图
[0085]
图4为本发明实施例中情形一下位置传感器故障诊断结果图
[0086]
图5为本发明实施例中情形一下双模态容错滤波器输出结果图
[0087]
图6为本发明实施例中情形二下位置传感器故障诊断结果图
[0088]
图7为本发明实施例中情形二下双模态容错滤波器输出结果图
具体实施方式
[0089]
下面结合实施例对本发明作进一步说明，但本发明的保护范围不限于此：
[0090]
如图1所示，基于数字孪生的多驱动器系统异构传感器容错器设计，图1所示实施例的状态传感器采用位置传感器，分别为：s1,s2,s3,s4，具体包括以下步骤：
[0091]
步骤1，状态传感器采集驱动器状态数据，并对采样所得状态信息数据进行卡尔曼滤波，进一步减少传感器采样噪声；
[0092]
定义系统位置信息状态量xm(k)为:
[0093]
xm(k)＝[θm(k),θm(k-1)](m∈{s1,s2,
···
,sn,sh})。
[0094]
定义p(k)为对应的协方差矩阵。每个位置传感器均可测得一组位置信息状态量，其量测方程为:
[0095]
zm(k)＝hm(k)x(k)+ξm(k)m∈{s1,s2,s3,s4,s5}
[0096]
其中
[0097]
e[ξm(k)]＝0
[0098][0099]
实际系统中，位置传感器sh为双通道高精度旋转变压器，其测量精度高于其它位置传感器，故sh采样噪声低于其它位置传感器。
[0100]
为不失一般性，所有滤波器设计为卡尔曼滤波器。定义为状态量zm(k)滤波所得值。则及对应协方差矩阵pm(k)计算过程如下:
[0101][0102][0103][0104][0105][0106][0107]
步骤2，建立多驱动器系统内数字孪生模型，充分考虑系统内部非线性环节，结合实际系统反馈信息，建立全过程精准数字模型，输出高可靠状态预测信息。
[0108]
对于多驱动器系统，其系统方程一般可写为:
[0109]
x(k)＝a(k-1)x(k-1)+g(k-1)ν(k-1)+b(k)u(k)
[0110]
其中
[0111]
a(k),b(k)为系统状态方程，e[ν(k)]＝0；
[0112][0113]
cov[ν(k),ξ
l
(k)]＝0
[0114]
定义为状态预测器输出位置信息,定义ps(k)为对应协方差矩阵.其预估过程设计如下:
[0115][0116]
ps(k)＝a(k-1)ps(k-1)a
t
(k-1)+g(k-1)q(k-1)g
t
(k-1)
[0117][0118][0119]
其中，初始状态向量x(0)为高斯随机向量。
[0120]
步骤3，中结合系统数字孪生模型状态信息，对采集所得数据进行状态卡方状态检测以检测传感器数据是否正常，基于所设计模糊隶属度函数分析各状态传感器可靠性并分配各传感器数据融合权重；
[0121]
定义预估误差如下:
[0122]
[0123][0124]
定义
[0125][0126]
可得其协方差为:
[0127][0128]
当位置传感器正常无故障发生时，αm(k)是和两个高斯向量的线性组合,故而αm(k)也是一个高斯向量,其均值为0,协方差为tm(k)。又有
[0129]
故而tm(k)＝ps(k)-pm(k)。
[0130]
当位置传感器故障时,仍有但是受传感器数值影响，从而e[α
l
(k)]≠0。
[0131]
由此,可选择αm(k)作为故障检测因子。对于αm(k),有如下假设:
[0132]
当传感器正常工作时:e[αm(k)]＝0,
[0133]
当位置传感器状态异常时:
[0134]
基于上述假设,可设计故障检测函数如下:
[0135][0136]
qm(k)～χ2(n)
[0137]
采取上述故障检测函数，选取t
md
作为故障判定阈值。当qmk》t
md
,判定传感器故障。然而，实际系统中，通常很难准确地选取界限值。如果t
md
选取过大，会导致无法及时发现传感器故障。如果t
md
过小，会导致双模态容错滤波系统切换过于频繁，无法充分利用传感器有效信息，降低了采样精度。
[0138]
针对此问题，引入模糊隶属度函数作为替代，将故障检测阈值t
md
模糊化，不再准确判定传感器是否故障，而是计算传感器介于有故障和无故障这两种状态之间的程度，将此定义为传感器的有效概率，由设定的模糊逻辑函数计算得到。
[0139]
结合图2，其对应的模糊隶属度函数如下:
[0140][0141]
注：在实际系统中，通常选取t
ma
为正常状态下卡方检测值的90％,选取t
mb
为正常状态下卡方检测值的99％。
[0142]
定义双模态容错滤波权重函数为
[0143]
ξ(a,b),a∈{s1,s2,
…
,sn},b∈{s1,s2,
…
,sn,sh}
[0144]
代表在输出编号为a的位置传感器输出信息时，编号为b的位置传感器采样数据所占比例。
[0145]
考虑信息守恒原则，各传感器权重值满足:
[0146][0147]
对于任一传感器，其量测信息与系统状态偏差越大，其故障率越高，所分配数据融合权重越低。则对于传感器a∈{s1,s2,
…
,sn}，其状态数据融合权重计算方法可设计为:
[0148][0149]
其中，tr(a)表示对矩阵a求迹运算。
[0150]
步骤4，采集所有状态传感器的采样数据以及可靠性分析结果。依照数据融合算法及各状态传感器数据融合权重分配结果计算得出所需位置传感器位置信息并输出，作为多驱动器系统状态信息反馈，实现对异构传感器的容错控制。
[0151]
数据融合滤波模块基于上述信号模拟器、卡尔曼滤波器、卡方故障检测器和模糊隶属度函数，将多个位置传感器信息进行融合滤波，在不同的位置传感器状态下自适应变换各组数据权重比，实现对于位置传感器的容错滤波。在数据融合过程中，将系统所采集的数据分为三类:
[0152]
第一类为数字孪生模型状态输出信息，此组数据不受传感器采样噪声及故障影响，可认为长久高可靠。
[0153]
第二类为负载侧位置传感器采样数据，当此位置传感器状态正常时，其采样精度高于其它位置传感器。
[0154]
第三类为驱动器一侧状态传感器采样数据，其采样精度相对较低，但各组数据地位平等。
[0155]
依照三类不同采样数据采样精度与可靠性，不同情形下各状态传感器的数据融合设计如下:
[0156]
(1)无状态传感器故障时:
[0157]
当系统正常运转，各传感器数据经过卡方状态检测后被认定可靠，通过融合滤波可一定程度减少传感器采样噪声的干扰。因此，各状态传感器最终输出数据以自身对应状态传感器(主传感器)采样数据为主，辅以其它状态传感器数据以及虚拟模型位置信息进行融合滤波，此时主传感器所占权重较大，其它传感器占较小权重，且依照各自位置信息精度划分不同权重配比。
[0158]
(2)有状态传感器故障时:
[0159]
当系统某一状态传感器故障时，其可靠性下降，相对应权重配比大幅降低，此时需要通过其余状态传感器以及数字孪生模型状态信息进行预估。此过程中，数字孪生模型数据的权重比需要进一步增大以提升最终输出位置信息精度，其余传感器数据依照其采样精度分别施加不同权重配比。
[0160]
基于上述自适应权重配比，可得到系统最终的双模态容错滤波函数如下:
[0161][0162][0163]
m∈{s1,s2,s3,s4,s5}
[0164]
其中，表示针对编号为m的位置传感器滤波所得位置信息。
[0165]
实施验证：
[0166]
将本发明所设计容错控制结构用于四电机同步驱动伺服系统，如图3所示(图3(a)为系统俯视图，图3(b)为系统主视图)。图中，标记1为实验平台固定脚，起固定作用；标记2为驱动电机；标记3为四电机同步驱动系统台架；标记4为双通道高精度旋转变压器；标记5为台架滚轮；标记6为可调负载；标记7为动力合成齿轮。该系统具备四个执行器，包含电机侧位置传感器4个(s1,s2,s3,s4)、负载侧双通道高精度位置传感器1个(sh)。该系统四个执行器接收相同位置信号指令，经由动力合成齿轮组共同驱动负载运动。
[0167]
以负载侧双通道位置传感器模拟故障为例对所设计容错控制结构进行验证。
[0168]
不失一般性，选取信号为位置信号。实验全长$15s$,通过程序设定，在t＝5s时刻，负载侧位置传感器发生故障，采样数据异常，在t＝10s时刻位置传感器恢复正常。观测故障检测输出η(q
s5
(k))以及最终位置信号输出并将最终滤波器所得结果与已有多传感器数据融合的算法精度进行比较。
[0169]
实验分为两种情形:
[0170]
(1)情形一:位置传感器完全失效。设置位置传感器在故障时段输出为0，所得仿真结果如图4、图5所示。
[0171]
(2)情形二:位置传感器不完全失效。设置位置传感器在故障时段输出包含采样数据以及均匀分布于-10到10之间的随机噪声，所得仿真结果如图6、图7所示。
[0172]
情形一结果分析:
[0173]
图4为位置传感器故障诊断模块仿真结果，包含采样数据与卡方故障检测结果。由图中(b)可以看出，在t＝5s时刻，传感器sh发生故障，采样输出信号异常。此时，卡方故障检测器输出迅速降低(d图)，判断为位置传感器故障，位置传感器sh所测量数据被判定为不可靠。在t＝10时刻，位置传感器sh恢复正常，此时卡方故障检测器输出迅速恢复为正常数值，判断位置传感器状态正常，器采样数据重新被信任。在全过程中，其余正常状态位置传感器不受影响，如图(a)、(c)所示。
[0174]
双模态容错滤波器输出最终位置信号结果如图5所示。在t＝5s时刻,位置传感器发生故障，此时系统迅速切换为双模态容错滤波模式，传感器sh的权重下降为0。在t＝10s时刻，位置传感器恢复正常，系统切换为传感器采样数据。全过程中，系统仅在t＝5s和t＝10s两个时刻位置误差产生短暂提升。其余过程均保持稳定的滤波误差。验证了所提联邦容和滤波算法有效性。由(b)图位置误差可以看出，本文所提双模态容错滤波算法位置辨识精度、模式切换时刻误差突变滤波效果均优于caron所提容错滤波算法。
[0175]
情形二结果分析:
[0176]
图6为位置传感器故障诊断模块仿真结果，包含采样数据与卡方故障检测结果。由图中(c)可以看出，在t＝5s时刻，传感器sh采样数据输出包含大量随机噪声。此时，卡方故障检测器输出迅速变化，且根据各时刻噪声的大小波动，位置传感器sh所测量数据可靠性同等下降。在t＝10时刻，位置传感器s5恢复正常，此时卡方故障检测器输出迅速恢复为正常数值，判断位置传感器状态正常，器采样数据重新被信任。
[0177]
双模态容错滤波器输出最终位置信号结果如图7所示。在t＝5s时刻,位置传感器发生故障，此时系统迅速切换为双模态容错滤波模式，传感器sh的权重下降,实时值受随机噪声影响而波动。在t＝10s时刻，位置传感器恢复正常，系统切换为传感器采样数据。全过程中，系统仅在t＝5s-10s时间段内位置误差产生短暂提升。其余过程均保持正常。验证了所提联邦容和滤波算法有效性。由(b)图位置误差可以看出，在故障过程中，本文所提双模态容错滤波算法位置辨识精度优于caron所提容错滤波算法。
[0178]
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。