一种基于ADRC的HMM故障预测系统的制作方法

本发明涉及机器学习和数据挖掘技术，特别是一种基于adrc的hmm故障预测系统。

背景技术：

最近随着机器学习和数据挖掘技术的兴起，基于数据驱动的故障诊断方法已经成为工业领域的研究热点和发展方向。hmm作为一种基于数据驱动方法在故障诊断领域得到了广泛的应用。此外hmm是基于隐藏状态的统计学习方法，其隐藏状态和观测状态分别对应电机潜在的变化状态和观测到的转速值。因此hmm适合处理旋转机械设备等复杂动态系统。

现有的基于hmm的故障诊断技术在理论研究方面已经获得一定成果。但是在实际应用中由于基于模型的故障预测方法对物理模型的依赖程度较高，导致实际应用较为复杂，难以实现。而基于数据的故障预测虽然应用广泛，但是基于数据的建模过程存在获得数据不够全面、模型不精确等问题，无法获得满意的结果。

随着生产系统的复杂性增加，针对高阶复杂系统简单的比例、积分和微分控制很难满足系统对稳定性、快速性和准确性的要求。生产车间作业环境复杂恶劣，其调度过程存在大量不确定因素。在实际的电机控制系统中，由于环境因素，传感器误差，材料，装置和过程的离散性原因，无论电位还是电流，都存在幅值偏差和相位偏差，而谐波分量导致的偏差使得转矩波动，打破了控制系统运行的稳定性。

技术实现要素：

本发明的目的就是提出一种基于adrc的hmm故障预测方法，用于解决上述现有技术的问题。

本发明一种基于adrc的hmm故障预测系统，其中，包括：跟踪微分器、扩张状态观测器、非线性误差反馈控制器以及被控对象，系统输入信号v(t)作为跟踪微分器输入，跟踪微分器有两个输出信号z11和z12，其中z11跟踪输入信号v，而z12是v的微分，参数r为可调参数，用于调整跟踪速度，函数fst为最优控制函数，包括：

扩张状态观测器输入为被控对象输出量y以及b0u，写成如下的状态方程形式：

其中wr是外部扰动，函数f0(z21,z22)是完全未知或含有不确定性的系统函数，u为控制输入,对应的输出观测变量为z21、z22以及z23，βi、αi、δ为可调参数；非线性函数fal定义如下:

非线性误差反馈控制器采用pid反馈控制，非线性误差反馈控制器利用跟踪微分器和扩张状态观测器的输出，以得到系统的状态误差εi：

构成系统状态误差反馈的非线性组合：

u0＝k1fal(ε1，a1，δ)+k2fal(ε2，a2，δ)(5)；

式中βi、α以及δ为可调参数，非线性误差反馈控制器的输出为u0；

非线性函数fal定义如下：

利用状态误差反馈的非线性组合和模型与外扰的补偿z23，构成系统的控制量：

u＝u0-z23/b0(7)；

被控对象确定的加速度部分f0(x1，x2)以及系统未知部分，包括系统未建模部分和扰动部分w(t)，u为控制输入，对应的状态方程为：

根据本发明的基于adrc的hmm故障预测系统的一实施例，其中，z12是v的广义微分。

根据本发明的基于adrc的hmm故障预测系统的一实施例，其中，被控对象为电机，电机转速控制为一个二阶系统，电动机启动过程中加入未知信号干扰w(t)。

根据本发明的基于adrc的hmm故障预测系统的一实施例，其中，还包括hmm故障诊断模块，通过采集z21以及z22信号作为特征参数输入hmm模型进行故障预测分析。

本发明的基于adrc的hmm故障预测系统能充分利用已有的系统模型原理，提取出更精确的特征进行故障预测。

附图说明

图1所示为本发明一种基于adrc的hmm故障预测系统的示意图；

图2所示为基于hmm的故障诊断系统流程图。

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

图1所示为本发明一种基于adrc的hmm故障预测系统的示意图，如图1所示，本发明一种基于adrc的hmm故障预测系统包括：跟踪微分器(td),跟踪微分器(td)是具有快速无超调的过渡过程，对于输入信号v(t)将产生它的跟踪信号和广义微分信号。当输入信号v(t)时，系统有两个输出信号z11和z12，其中z11跟踪输入信号v，而z12是v的微分，实际上z12是v的广义微分。参数r为可调参数，用于调整跟踪速度。函数fst为最优控制函数。因而避免了对噪声的敏感。另外，跟踪微分器还有一个很重要的意义就在于可以通过参数的选取安排过渡过程，避免出现初始误差过大，导致超调的情况。

如图1所示，扩张状态观测器(eso)把系统自身模型的不确定性当作系统的内扰，它和系统的外扰一起被看作整个系统的扰动，不区分内扰和外扰而直接检测它们的综合作用—系统的总扰动，通过对系统的状态和扰动分别进行估计，把有未知外扰的非线性不确定对象实现反馈线性化的结构。

可以写成如下的状态方程形式：

其中wr是系统的外部扰动，函数f0(z21,z22)是完全未知或含有不确定性的系统函数。u为控制输入,对应的输出观测变量为z21、z22、z23。βi、αi、δ为可调参数。非线性函数fal定义如下:

通过上述扩张状态观测器(eso)的设计，可以看出当系统中加入未知的扰动模型时，只要在扩张状态观测器中放入对象模型的已知部分，就可以进行控制分析。同样该方法仍然适用于复杂系统模型无法完全求解的情况。

如图1所示，非线性误差反馈控制器(nlsef)经典pid反馈控制主要是利用误差信号及其微分、积分的线性组合。因此容易引起被控系统的快速性和超调之间的矛盾。非线性误差反馈控制器(nlsef)主要是通过利用误差过去、现在和将来信息的非线性组合反馈，从而避免的超调的风险，大大提高处理效率。

跟踪微分器(td)利用跟踪微分器(td)和扩张状态观测器(eso)的输出，可以得到系统的状态误差εi：

从而构成系统状态误差反馈的非线性组合：

u0＝k1fal(ε1，a1，δ)+k2fal(ε2，a2，δ)(5)

式中βi、α、δ为可调参数。非线性函数fal定义如下：

利用状态误差反馈的非线性组合和模型与外扰的补偿z23，可以构成系统的控制量：

u＝u0-z23/b0(7)

如图1所示，被控对象已知电机转速控制为一个二阶系统，假设电动机启动过程中加入未知信号干扰w(t)。因此系统的加速度部分包含两部分：系统已建模部分，即确定的加速度部分f0(x1,x2)、系统未知部分，即包括系统未建模部分和扰动部分w(t)。u为控制输入,对应的状态方程变为：

本发明还提供了一种基于adrc的hmm故障预测方法，包括：

步骤一adrc控制器的设计

adrc其中心思想是把内部的不确定性和外部干扰作为一种广义的干扰，首先通过扩展状态观测器(eso)实时估计扰动，通过非线性反馈控制器(nlsef)实现非线性的补偿扰动，同时避免了pid中积分的副作用，在“跟踪微分器”中合理提取微分信号并增加过渡过程。最终实现了非线性、不确定性系统的控制。adrc的设计过程如下：

1.跟踪微分器(td)

其中跟踪微分器(td)是具有快速无超调的过渡过程，对于输入信号v(t)将产生它的跟踪信号和广义微分信号。当输入信号v(t)时，系统有两个输出信号z11和z12，其中z11跟踪输入信号v，而z12是v的微分，实际上z12是v的广义微分。参数r为可调参数，用于调整跟踪速度。函数fst为最优控制函数。因而避免了对噪声的敏感。另外，跟踪微分器还有一个很重要的意义就在于可以通过参数的选取安排过渡过程，避免出现初始误差过大，导致超调的情况。

2.扩张状态观测器(eso)

扩张状态观测器(eso)把系统自身模型的不确定性当作系统的内扰，它和系统的外扰一起被看作整个系统的扰动，不区分内扰和外扰而直接检测它们的综合作用—系统的总扰动，通过对系统的状态和扰动分别进行估计，把有未知外扰的非线性不确定对象实现反馈线性化的结构。

可以写成如下的状态方程形式：

其中wr是系统的外部扰动，函数f0(z21,z22)是完全未知或含有不确定性的系统函数。u为控制输入,对应的输出观测变量为z21、z22、z23。βi、αi、δ为可调参数。非线性函数fal定义如下:

通过上述扩张状态观测器(eso)的设计，可以看出当系统中加入未知的扰动模型时，只要在扩张状态观测器中放入对象模型的已知部分，就可以进行控制分析。同样该方法仍然适用于复杂系统模型无法完全求解的情况。

3.非线性误差反馈控制器(nlsef)

经典pid反馈控制主要是利用误差信号及其微分、积分的线性组合。因此容易引起被控系统的快速性和超调之间的矛盾。非线性误差反馈控制器(nlsef)主要是通过利用误差过去、现在和将来信息的非线性组合反馈，从而避免的超调的风险，大大提高处理效率。

利用之前的跟踪微分器(td)和扩张状态观测器(eso)的输出，可以得到系统的状态误差εi：

从而构成系统状态误差反馈的非线性组合：

u01＝k1fal(ε1,a1,δ)+k2fal(ε2,a2,δ)(5)

式中βi、α、δ为可调参数。非线性函数fal定义如下：

利用状态误差反馈的非线性组合和模型与外扰的补偿z23，可以构成系统的控制量：

u＝u0-z23/b0(7)

4.被控对象

已知电机转速控制为一个二阶系统，假设电动机启动过程中加入未知信号干扰w(t)。因此系统的加速度部分包含两部分：系统已建模部分，即确定的加速度部分f0(x1,x2)、系统未知部分，即包括系统未建模部分和扰动部分w(t)。u为控制输入,对应的状态方程变为：

步骤二hmm故障诊断

扩张状态观测器(eso)的z21、z22信号能够在故障发生时刻之前检测状态的变化趋势，因此通过采集z21、z22信号作为特征参数输入hmm模型进行故障预测分析。电动机状态的变化是一个时序过程，hmm对于描述时序的动态过程具有很强的建模能力和分类能力。hmm作为双随机过程的时间序列统计模型，特别适用于处理重复性差的非平稳信号的分析。在故障诊断中，通过比较每个模型输出大小的可能性来确定设备的状态。

如图2所示，hmm故障诊断流程如下：

1.基于hmm的故障诊断系统流程，首先需要对收集的设备信号进行特征提取。由于电机控制系统采集到的数据量大，采集到正常样本数据和故障样本数据各自的数值不同，所以必须进行归一化作为特征信号；

2.训练模型是一个模型学习过程，通过采用b-w算法对样本特征进行学习，从而获得用于分类决策的hmm模型集合λ1,…,λk(每一个状态至少需要训练一个hmm)；

3.状态预测是一个模式诊断过程，采集新的信号，并运用viterbi算法分别求解新的数据在各个已经训练好的模型集合下的似然率：p(o|λ1,),…，p(o|λk)，似然率最大的模型λ对应的隐藏状态为系统的状态。

4.通过上述分析预测出系统即将发生故障，为了形象化的拟合出系统的状态退化过程，本发明利用matlab仿真软件采集加入扰动后的z11数据，将其作为系统的状态值，拟合出系统状态变化曲线及对应的多项式，通过该拟合的状态变化曲线进而可以预测出系统的故障时间。

经典的hmm模型只考虑系统的当前状态，所以利用经典的hmm模型进行故障诊断时，正确率很难达到很高；而adrc的扩张状态观测器(eso)中的状态信号具有性质：zi(t)→yi(t)(i＝1,2,…,n+1)，假设控制系统为二阶系统，信号u(t)它将输出三个信号z21、z22和z23，其中z21跟踪系统的输出信号y，z22跟踪输出信号y的微分，z23能够实时地估计系统的总扰动。通过观测z21和z22可以跟踪系统的输出信号状态以及分析输出信号的变化趋势，提前预知系统状态的变化。因此本发明将eso状态观测器和hmm进行结合来弥补hmm无法对故障进行预测的不足。通过利用扩张状态观测器中的z21、z22信号来获取系统输出状态和其变化趋势，并进行信号处理进行形成特征值，传递到hmm进行故障状态预测。根据预测结果拟合出系统状态退化曲线。本发明将二者结合应用于电机的故障预测，取得了良好的预测结果。

本发明提出一种基于adrc的hmm故障预测方法，其优势在于当系统模型存在未知部分的情况下，也能根据已知部分设计完整的扩张状态观测器(eso)控制参数。该方法能充分利用已有的系统模型原理，提取出更精确的特征进行故障预测。因此，基于adrc的hmm故障预测方法实际是一种基于模型和数据的综合故障预测方法。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。