基于Zonotopic集员估计的T-S模糊系统执行器与传感器故障检测与隔离

《Sensors》:Actuator and Sensor Fault Detection and Isolation for T-S Fuzzy Systems Based on Zonotopic Set-Membership

【字体: 大 中 小 】 时间:2026年08月27日 来源:Sensors 4.0

编辑推荐:

  本文研究了具有执行器故障和传感器故障的T-S模糊系统(T-S fuzzy system)的故障检测与隔离问题。首先,研究人员建立了状态和输出的Zonotopic集员估计(Zonotopic Set-Membership, ZSM)。随后,通过取这两个Zonot

  
本文研究了具有执行器故障和传感器故障的T-S模糊系统(T-S fuzzy system)的故障检测与隔离问题。首先,研究人员建立了状态和输出的Zonotopic集员估计(Zonotopic Set-Membership, ZSM)。随后,通过取这两个Zonotopic集员估计的交集作为状态估计Zonotopic集员估计,开发了一种区间状态估计方法。为了获得优化区间估计,在Zonotopic集员估计构建中引入了参数化校正矩阵。针对某优化目标,通过线性矩阵不等式(Linear Matrix Inequalities, LMIs)给出了参数化校正矩阵的计算。此外,完成了执行器故障和传感器故障的检测,并通过利用优化状态区间估计构造适当的残差,实现了执行器故障与传感器故障之间的隔离。最后,给出了仿真算例以验证所提方法的有效性。
论文解读文章

研究背景与问题:
非线性系统的建模与故障诊断是控制领域的重要研究方向。Takagi–Sugeno(T-S)模糊模型通过模糊规则与局部线性模型的结合,能够有效表征一大类非线性系统,广泛应用于工业过程控制、预测与故障检测等领域。然而,实际系统中常存在执行器故障和传感器故障,且系统受到有界未知噪声和不确定性干扰,使得基于精确模型的故障检测与隔离(Fault Detection and Isolation, FDI)面临挑战。传统基于观测器的方法在存在不确定性时易产生保守估计,而固定阈值策略在时变扰动下易引发误报。Zonotopic集员估计(Zonotopic Set-Membership, ZSM)作为一种针对有界不确定性的状态集值估计方法,能够通过集合运算处理不确定性,但现有方法在T-S模糊系统中的应用仍存在估计保守性高、故障隔离能力不足等问题。为此,本研究旨在开发一种优化的Zonotopic集员估计方法,实现T-S模糊系统在耦合故障下的精确区间状态估计与故障检测隔离。

研究内容与结论:
研究人员针对同时存在执行器故障和传感器故障的不确定T-S模糊系统,提出了一种基于优化的Zonotopic集员估计的FDI策略。通过引入参数化校正矩阵,并利用线性矩阵不等式(LMI)优化求解,压缩了Zonotopic包络的体积,降低了估计保守性。基于优化后的状态区间估计,构建了动态自适应残差阈值,取代了传统固定阈值,提高了故障检测的鲁棒性。为实现故障隔离,研究人员构建了两条独立的Zonotopic估计分支,将不同故障等效为未知扰动,从而有效区分执行器故障和传感器故障。仿真结果表明,所提方法在区间估计精度、故障检测灵敏度及抗干扰能力方面均优于传统Zonotope方法。论文发表在《Sensors》。

主要技术方法:
研究人员采用了以下关键技术方法:基于Zonotopic集员估计的区间状态估计方法,包括预测、量测和校正三步;通过引入参数化校正矩阵并利用LMI优化求解(离线求解),以最小化Zonotope半径(P-半径和半径)为目标,获得最优校正矩阵;基于优化状态区间估计构建输出区间,定义残差为实际输出与区间中心的偏差,并设置固定阈值进行故障检测;为隔离执行器与传感器故障,分别构建两条独立的Zonotopic估计分支,将其中一种故障等效为未知扰动,从而产生专用隔离残差。所有仿真在MATLAB R2016b中实现,采用两子系统T-S模糊模型进行验证。

研究结果:
3.1 Zonotopic集员估计构建:
通过数学推导,给出了状态预测Zonotope和量测更新Zonotope的表达式,并利用交集得到状态估计Zonotope。引入参数化校正矩阵后,通过LMI条件(定理2和推论1)约束Zonotope半径,并求解优化问题(25)得到最优校正矩阵,从而获得更紧的区间估计。

3.2 基于Zonotopic集员估计的故障检测:
基于状态区间估计推导出输出区间估计(式26),定义残差为实际输出与区间中心的偏差,并设定固定阈值(标量)进行故障判断。仿真表明,在传感器故障(10~30样本)和执行器故障(20~50样本)同时发生时,残差信号能有效检测故障,且对轻微传感器故障能保持低于阈值以避免误报。

4. 故障隔离:
4.1 执行器故障隔离策略:
假设传感器故障为零,将执行器故障视为未知扰动,构建隔离残差(式28)。仿真结果显示,残差在20~50样本区间显著上升,准确识别执行器故障区间,且未对纯传感器故障产生误判。

4.2 传感器故障隔离策略:
将执行器故障视为未知干扰,重新构建系统模型(式29),求解新的LMI优化得到另一组校正矩阵,并构建传感器隔离残差(式32)。仿真中,残差在10~30样本区间显著上升,准确定位传感器故障区间。

5. 仿真比较:
将所提ZSM方法与传统Zonotope(ZM)方法进行比较。区间估计结果显示,ZSM方法通过校正矩阵优化,有效缩小了Zonotope区间宽度,更紧密地包裹真实状态轨迹。在不同幅度正弦扰动(0.1、0.5、1.0)下,ZSM方法在低扰动时保持分级检测,中扰动时维持安全裕度,强扰动时仍能可靠检测执行器故障,而ZM方法在强扰动下模糊了弱故障特征。ZSM在抗干扰与故障检测间取得了更好平衡。

总结讨论与结论:
讨论部分指出,所提方法仅能区分执行器与传感器故障,无法定位具体故障组件;数值仿真简化了实际工业不确定性,工程适应性有待进一步验证。未来将细化故障隔离算法以实现精确故障定位,并集成理论研究成果至工业机器人实际运行场景中。
研究结论:针对同时具有执行器故障和传感器故障的不确定T-S模糊系统,本文研究了基于Zonotopic集员估计的状态区间估计问题,并在此基础上发展了基于优化集员估计的故障检测与隔离策略。为了实现更紧的状态估计界,在Zonotope更新框架中嵌入了校正矩阵,采用H∞性能指标约束最小半径,并通过求解线性矩阵不等式获得所需校正矩阵。基于优化后的集员残差,实现了有效的故障检测与隔离。然而,所提方法存在固有局限性:仅能区分执行器与传感器故障,无法定位具体故障组件;数值仿真简化了实际工业不确定性,工程适应性有待进一步验证。未来将进一步细化故障隔离算法以实现故障执行器与传感器的精确定位,同时将理论研究与实际工程应用相结合,解决工业机器人实际运行场景中的故障诊断难题。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号