一种基于残差观测器的3ptt-2r串并联数控机床伺服系统故障预测装置及方法
【技术领域】
[0001]本发明涉及一种基于残差观测器的3PTT-2R串并联数控机床伺服系统故障预测装 置及方法，属于机床故障信号检测领域。
【背景技术】
[0002] 自20世纪70年代以来，基于模型的故障诊断方法一直是学术界与工程应用领域研 究人员关注的热点方法。基于滤波器的方法主要包括基于卡尔曼滤波器(Kalman fi 1 ter) 的方法、基于强跟踪滤波器（strong tracking filter)的方法、基于模糊卡尔曼滤波器 (fuzzy Kalman filter)的方法和基于粒子滤波器(particle filter)的方法。虽然取得了 一些成果，但是也存在一些问题。以往利用滤波器方法进行故障预测时，往往都是先估计出 故障参数的状态，然后将该状态与设定的阀值进行对比，进而判断故障。这会导致当设定的 阀值与正常状态值太接近时，系统极容易误报;而当设定的阀值太远离正常状态值时，系统 又会极容易出现漏报的问题。另一方面，大多数的实际系统往往是非线性系统。由于非线性 系统的实际模型具有不同程度的不确定性，如近似化、输入干扰，再加上环境中各种噪声的 影响，对于故障参数变化函数未知的情况，上述非线性滤波对于故障参数的估计精度不高， 甚至可能发散。而这会导致误报和系统的灵敏度降低。
[0003] 针对上述问题，本发明提高一种基于残差观测器的故障预测方法，不再单纯利用 预测状态进行故障预测，而是将观测器的输出值与系统输出值对比，产生残差信号，同时， 提出改进的强跟踪滤波方法对残差信号进行滤波处理，解决噪声干扰等对非线性系统的影 响，提高了系统鲁棒性。通过分析残差信号来反映系统期望行为与运行模式之间的不一致， 实现隐含故障的预测，避免了单一状态阀值造成的漏报和误报，取得了较为满意的效果。
【发明内容】
[0004] 本发明目的是为了解决传统故障预测方法单纯利用预测状态进行故障预测，同 时，非线性滤波对于故障参数的估计精度不高，极易造成误报和漏报的问题，提供了一种基 于残差观测器的3PTT-2R串并联数控机床伺服系统故障预测装置及方法。
[0005] 本发明所述一种基于残差观测器的3PTT-2R串并联数控机床伺服系统故障预测装 置，目的在于解决纯利用预测状态进行故障预测，同时，非线性滤波对于故障参数的估计精 度不高，极易造成误报和漏报的问题。因此，本发明的3PTT-2R串并联数控机床伺服系统进 行故障预测装置包括3PTT-2R串并联数控机床动力学模型模块、残差观测器模块、改进的强 跟踪滤波模块和故障预测模块。
[0006] 3PTT-2R串并联数控机床动力学模模块根据控制器输出的转速等状态信号构建串 并联数控机床动力学模型，并根据动力学模型将速度、位移等信号进行工作输出，残差观测 器模块同时接收串并联机床动力学模型输出的实际转速等状态信号和控制器输出的转速 等状态信号，残差观测器模块输出串并联机床转速等状态变量的残差给改进的强跟踪滤波 模块，经滤波处理后的残差信号输出给故障预测模块，残差经过故障预测模块处理后输出 故障结果。
[0007] 基于所述的一种基于残差观测器的3PTT-2R串并联数控机床伺服系统故障预测装 置的故障预测方法，该方法包括以下步骤：
[0008] 步骤一，根据控制器的输出的状态信号，3PTT-2R串并联数控机床动力学模型模块 (1)将机床的速度、位移等信号输出；
[0009] 步骤二，根据残差观测器模块(2)构造串并联机床转速等状态变量的残差信号； [0010]步骤三，根据改进的强跟踪滤波模块(3)将残差信号滤波；
[0011]步骤四，根据滤波后的残差信号，由故障预测模块(4)预测故障并预报。
[0012]本发明具有以下优点：
[0013] 1)本发明所提出的故障预测方法充分利用了 3PTT-2R串并联数控机床特殊的结构 关系，充分地利用了系统的动力学模型知识，无需依赖额外的传感器，有利于提高故障预测 算法的有效性。
[0014] 2)本发明所提出的故障预测方法充分利用了强跟踪滤波算法对具有模型不确定 性的非线性系统的鲁棒性强，估计精度高等特点，增强了故障预测能力。
[0015] 3)本发明所提出的故障预测方法算法简明有效，计算量小，实时性好，便于进行实 时故障预测。
【附图说明】
[0016] 图1是串并联机床故障预测装置结构图；
[0017]图2是串并联机床预须彳预测效果图；
[0018] 图3是应用改进的强跟踪滤波的残差对比图。
【具体实施方式】
【具体实施方式】 [0019] 一:下面结合图1说明本实施方式，本实施方式所述一种基于残差观 测器的3PTT-2R串并联数控机床伺服系统故障预测装置，目的在于解决纯利用预测状态进 行故障预测，同时，非线性滤波对于故障参数的估计精度不高，极易造成误报和漏报的问 题。因此，本发明的3PTT-2R串并联数控机床伺服系统进行故障预测装置包括3PTT-2R串并 联数控机床动力学模型模块、残差观测器模块、改进的强跟踪滤波模块和故障预测模块。
[0020] 3PTT-2R串并联数控机床动力学模模块根据控制器输出的转速等状态信号构建串 并联数控机床动力学模型，并根据动力学模型将速度、位移等信号进行工作输出，残差观测 器模块同时接收串并联机床动力学模型输出的实际转速等状态信号和控制器输出的转速 等状态信号，残差观测器模块输出串并联机床转速等状态变量的残差给改进的强跟踪滤波 模块，经滤波处理后的残差信号输出给故障预测模块，残差经过故障预测模块处理后输出 故障结果。
[0021] 本发明的目的在于提出一种基于残差观测器的3PTT-2R串并联数控机床伺服系统 故障预测方法，充分利用动力学模型，将残差观测器和改进的强跟踪滤波算法相结合，使预 测方法计算量小，实时性高，提供系统鲁棒性。
[0022]本发明的目的是通过以下技术方案实现的：对3PTT-2R串并联数控机床伺服系统 进行动力学建模，构造残差观测器和改进的强跟踪滤波器，设计故障检测阈值，判断滤波后 的残差是否超过阀值，实现3PTT-2R串并联数控机床伺服系统故障预测。
[0023]【具体实施方式】二:下面结合图1说明本实施方式，本实施方式是对实施方式一做进 一步的说明：串并联机床动力学模型模块1构建的串并联机床动力学模型为：
[0024] x(k+l)=A(k，x(k)) · x(k)+Bu(k)
[0025] 其中，状态向量x(k)、输入向量u(k)、输出向量y(k)和系数矩阵为：
[0026] x(k) = [Id(k) Iq(k) ω (k) 9(k) TL(k) u(k)]T，
[0027] u(k) = [Ud(k) Uq(k)]，y(k) = [Id(k) Iq(k)]，
[0032] 观测方程可以写成：[0033] y(k+l) =Cx(k+l)
[0028]
[0029]
[0030]
[0031] ? ο 〇 0 ο 0-
[0034] 其中，a , Λ Λ n 0 1 0 0 0 0
【具体实施方式】 [0035] 三:下面结合图1说明本实施方式，本实施方式是对实施方式一做进 一步的说明：残差观测器模块2构建的残差观测器方程为：
[0036；
[0037] 其中，=交卜 + l|l| - 7⑷为残差矩阵，且F1=(I-C)A，F2=(I-C)B.
【具体实施方式】 [0038] 四：下面结合图1说明本实施方式，本实施方式是对实施方式一做进 一步的说明：改进的强跟踪滤波t旲块3为：
[0039] 1)求出状态变量的一步预报值蚪ψ):
[0040]
[0041 ] 2)求出增益矩阵：
[0042]
[0043] 3)求出预报误差协方差矩阵：
[0048] 5)计筧时夺渐消闵子A(k+1)
[0044]
[0045]
[0046]
[0047]
[0049]
[0050] 其中，Cl为预先确定的常数，λ〇由下式得到：
[0051]
[0052]
[0053]式中，1为一个给定的弱化因子.
[0054]
[0055]
[0056] 式中，0<ρ< 1为遗忘因子.
[0057] 6)求出状态变量的估计值：
[0058]
【具体实施方式】 [0059] 五:下面结合图1说明本实施方式，本实施方式是对实施方式一做进 一步的说明：故障预测模块4为：
[0060]
[0061]其中，Γ 2为系统无故障时的残差协方差。
[0062]按照如下的逻辑规则预测故障： 冲)>Λ …故障
[0063] \
[j{k)<Afillllt…正吊
[0064]其中，Λfault为满足一定概率分布的阀值。
[0065]【具体实施方式】六:下面结合图1说明本实施方式，本实施方式是基于实施方式一所 述的一种基于残差观测器的3PTT-2R串并联数控机床伺服系统故障预测装置的故障预测方 法，该方法包括以下步骤：
[0066]步骤一，根据控制器的输出的状态信号，3PTT-2R串并联数控机床动力学模型模块 (1)将机床的速度、位移等信号输出；
[0067]步骤二，根据残差观测器模块(2)构造串并联机床转速等状态变量的残差信号； [0068]步骤三，根据改进的强跟踪滤波模块(3)将残差信号滤波；
[0069] 步骤四，根据滤波后的残差信号，由故障预测模块(4)预测故障并预报。
【具体实施方式】 [0070] 七:下面结合图1说明本实施方式，本实施方式是对实施方式六做进 一步的说明：步骤三中改进的强跟踪滤波对残差信号的获取过程为：
[0071] 在强跟踪滤波算法中，引入了变次优渐消因子矩阵，可抵消旧观测值对系统的影 响，使强跟踪滤波算法具有对不准确模型的鲁棒性，又具有极强的快速跟踪估计状态的能 力。但这也可能会导致一些问题的出现。当A(k+1)矩阵中对角元素不相等时，误差协方差矩 阵P(k+l|k)就不满足对称性.这会导致算法在进行更新误差协方差矩阵P(k+l|k+l)时，再 左乘(6/-/?0+丨）//(々+ ua+1 μ))矩阵时仍然是不对称的.一旦误差协方差矩阵失去对 称正定性，将会造成状态估计偏差越来越大，甚至出现发散现象。
[0072] 为了保留原有强跟踪滤波算法中A(k+1)矩阵对P(k+l|k)、P(k+l|k+l)的实时