如何基于SRCKF估计电液伺服系统状态和故障诊断??     佛山路灯车出租,   佛山路灯车租赁,  佛山路灯车出租         随着现代化工业的发展，传统的液压传动技术与计算机技术、传感器技术、控制理论等相互结合形成了电液伺服技术，并被广泛应用于自动化工业生产和武器装备之中。电液伺服系统具有响应速度快、负载刚度大、控制准确度高等特点，适应于多种工作场合。如火箭炮高低机，在战场环境下需要短时间内完成大负载、高准确度的调炮任务，对系统的可靠性要求极高；轧机液压AGC系统，要求抗干扰能力强，能长时间保持较高的自动控制能力。这些电液伺服系统是机、电、液、气耦合的大型复杂非线性系统，失效形式多样，故障特征与故障原因之间的因果关系复杂，传统的分析方法很难对其故障模式和故障机理进行准确、全面地分析和溯源。基于动态模型的解析冗余方法已经较为成熟，其诊断的基本思路是利用观测器或滤波器对控制系统的状态或参数进行重构，并构成残差序列，然后对残差进行统计分析分离出故障类型。在故障诊断之前需要可靠的状态估计和检测方法来得出相对准确的状态参数值，不少非线性滤波方法被应用于检测之中。 建立了液压缸数学模型，使用扩展卡尔曼滤波器（EKF）对外泄漏故障进行诊断，并在液压缸的两侧设置溢流阀来模仿液压缸的外泄漏故障。  提出了一个利用无迹卡尔曼滤波（UKF）在线处理从液压试验台得到的传感器原始数据，自动生成液压系统故障症状的诊断方案。Khan等[7]利用非线性观测器和沃尔德序贯检测技术成功地检测传感器故障和油液体积弹性模量的变化。 研究了微分自由滤波在液压系统实时故障识别的应用，使用不同的故障水平以及不同的故障增长曲线来证明该估计算法的有效性。这些方法在实际应用中存在各自的缺点，如EKF需要对模型进行一阶线性化并计算雅可比矩阵，为建模带来困难，引入了近似线性化误差；UKF解决了上述问题，但其本身受到系统参数选择的影响较大，在高维度计算中容易出现滤波发散的问题。本文将滤波性能更佳的平方根容积卡尔曼滤波运用到电液伺服系统的状态估计中，将液压系统的非线性流量特性、摩擦特性、负载特性相结合构建状态空间方程。

       1平方根容积卡尔曼滤波,   非线性滤波卡尔曼滤波为线性、高斯条件下的递推贝叶斯估计问题提供了最优解的方法。实际上大部分系统都是非线性的，为解决非线性问题发展出了基于卡尔曼滤波改进的非线性次优估计方法。应用较为广泛的有EKF、UKF、心差分卡尔曼滤波（CDKF）等[9]，这些方法在对非线性问题近似逼近的过程中都存在各自的利弊。在实现非线性滤波之前，建立具有噪声的非线性系统状态方程和测量方程[10]为xk+1=f（xk，uk）+wk（1）zk=h（xk）+νk（2）式中：xk———系统k时刻的状态向量；zk———系统k时刻的观测量；uk———控制输入向量；wk———过程噪声；νk———测量噪声。过程噪声wk和测量噪声νk之间相互独立，且E（wk）=0，E（νk）=0，cov（wk，wk）=Qk，cov（νk，νk）=Rk，Qk、Rk均为正定对称矩阵。

     1.2平方根容积,   卡尔曼滤波非线性高斯滤波的核心在于求解非线性函数与高斯密度函数乘积多维积分问题。 通过3阶容积积分法则，利用2n个容积点加权求和近似计算加权高斯积分。在工程应用的CKF算法递推计算中，由于计算机字长有限而产生的舍入误差可能导致误差协方差矩阵失去对称性和正定性，从而影响滤波器的数值稳定性。平方根容积卡尔曼滤波（SR-CKF）通过引入正交三角分解回避了直接对矩阵开方运算，可提高滤波器的稳定性。为了节省篇幅将SR-CKF的算法总结为框图。其中χj（j=1，2，…，m）为计算容积点。χj=n×m，m=2nn为状态维数，wj=1/m。其中S=Tria（A）算法为三角分解，将矩阵A通过QR分解得到一个正交矩阵B和一个上三角矩阵C，输出的S为CT

       3系统参数确定大部分参数可以通过工程实践和设计手册获得，一些参数既不是直接测量的，也不是由制造商指定的，例如摩擦参数，可以通过一系列实验和测量来确定。为了确定滑动摩擦参数，在没有负载的情况下将液压油缸设定不同的速度运行。在准确度较高的情况下，加速度可以不计，通过液压缸的驱动力找出滑动摩擦参数的特征。在速度大于某一确定值νs=0.015m/s时，液压缸摩擦力保持相对的恒稳定。然后实际的滑动摩擦力可以表示为速度νs下驱动力的平均值，因此滑动摩擦力为140N。为了识别静态摩擦，输入控制信号，使液压缸开始运动，逐渐增加电流信号直到活塞刚开始移动。计算此时的液压驱动力，多次实验取平均值可作为静态摩擦力。

     4仿真实验将电液伺服系统作为控制系统，输入控制信号经过系统传递得到输出信号。输入信号的偏差和动态传递过程中机械、电气、液压各部分的故障都会引起最后输出信号偏离正常值。直接测量信号分析难以确定故障类型。基于模型的解析冗余方法，将模型预测和量测信息通过滤波器算法重构出系统状态或参数，与真实的输出测量值或者正常状态下的状态估计值比较产生残差序列，然后通过检验函数对残差进行处理来决策故障情况。SR-CKF滤波器拥有优良的非线性估计效果，较好地过滤了系统噪声和量测噪声干扰，产生的残差信号能有效地体现故障信息，通过对系统多个状态估计值（参数值）同步分析可实现故障的诊断和分离。

   佛山路灯车出租,   佛山路灯车租赁,  佛山路灯车出租 www.zhongshanyuntichechuzu.com/

    SR-CKF状态估计将滑阀流量特性和摩擦力的非线性影响带入。为了模拟噪声干扰情况， 在状态方程和测量方程中加入噪声方法，即在各状态的一步递推式中加入高斯随机数模拟系统过程噪声，液压缸活塞杆的输出端混入高斯白噪声模拟测量噪声。其他类型的噪声可以由NoiseX-92噪声库里指定噪声获取，通过与原信号采样频率的配比和信噪比的调整，使噪声干扰较为理想的混入原信号。本模拟实验状态估计的思路是：以仿真得到的液压缸活塞输出位移为单一传感器量测量，估计系统中其他状态量。在高斯噪声和非高斯噪声的情况下观察容积卡尔曼滤波对系统的状态估计效果。仿真的步长为T=0.001s，仿真时间3s，系统的输入为uk=1+0.8sin（2πTk），实验进行200次Monte-Carlo计算。滤波过程中的状态预测方程f（xk，uk），量测方程为h（xk）=Hxk。电液伺服系统在高斯噪声环境下SR-CKF对系统有偏移的正弦输入的状态估计结果。对应于输出液压缸活塞位移的测量值，SR-CKF滤波器估计结果对于观测值有很好的跟踪效果，同时对原系统理论值有较好的匹配效果，并且有效地去除了噪声污染。其他3个状态，活塞杆速度、液压缸工作压力、伺服阀阀芯位移是假设无法测量到的，利用SR-CKF状态预测和测量校正的原理估计出状态值。这3个估计值与原系统理论值基本吻合，取量测值与估计值的偏差为残差，残差值显示，可以看出每个状态（包括测量状态）产生的残差值没有明显的偏差情况存在，基本符合一般白噪声特性，并且数量级在稳定范围内。改变模拟模型和估计模型中的粘性阻尼系数，发现SR-CKF能成功地估计到变化，每次估计的误差小于2％。电液伺服系统在非高斯斯噪声环境下SR-CKF对系统有偏移的正弦输入的部分状态估计结果。 发现SR-CKF对高斯噪声背景下的状态估计能力明显高于非高斯噪声，特别是在状态变化大、非线性程度高的地方尤为明显。

     4.2SR-CKF故障诊断仿真当电液伺服系统发生零部件磨损、力学性能退化、机械卡死、局部电路短路等情况时，一般会在系统中表现为某些参数的改变。为了方便研究，本文通过改变电液伺服系统中液压缸内泄露参数，模拟液压缸内泄露故障模式。对故障的设置研究，本文假设3种程度的内泄露情况，表2显示了3种内泄露系数。改变系统参数，以液压缸位移输出作为单传感器状态估计的测量值进行模拟实验，分析SR-CKF滤波器在液压缸内泄露故障诊断方面的性能。图8显示了3种泄露故障下SR-CKF对液压缸输出位移状态估计的结果。从图中看出在有偏移的正弦输入信号控制下，系统的输出总体符合正弦运动的状态，但是在内泄露情况下，活塞杆的实际运动幅值减小，整体运动向缸内回缩的方向偏移。这是由于内泄露，液压缸两工作腔体之间有部分油液流动，导致两工作腔体的压力差减小。SR-CKF状态估计产生的残差很好地反映系统的运动特征，其中液压缸工作压力随着泄露量的增大而不断减小，几乎成正比关系。同时伺服阀阀芯位移随着泄漏量的增大不断增大，这是因为泄漏时压力损失，由于闭环负反馈控制的存在，需要伺服阀产生更大的流量来补偿液压缸。MAE反映了模型估计的不确定程度，从表中也能看出MAE的变化与液压缸内泄露的程度成正比关系。

     5结束语1）本文从电液伺服系统入手，研究系统动力传递关系以及各元器件的功能原理。从最基础的数学模型展开，将容积卡尔曼滤波技术运用到故障诊断之中。建立系统的状态空间模型，通过对带高斯噪声的系统量测值进行SR-CKF状态估计，验证了该状态估计方法的可行性，可有效地滤去噪声的干扰还原系统状态值。同时对比了高斯噪声和非高斯噪声下的状态估计能力，验证了高斯噪声状态估计的特性。2）研究了电液伺服系统典型的故障机理。通过模拟液压缸内泄露故障，表明了该方法有能力检测电液伺服系统的故障。对残差的数值分析得出内泄露故障的特征规律，为电液伺服系统故障提取提供参考。3）从本文的研究发现该方法适用于系统模型非线性度高、传递关系复杂的电液伺服系统，数学模型与实际系统的匹配准确度要求较高，对过程噪声和量测噪声有一定的鲁棒性。但该方法在非高斯噪声条件下的适应能力对于多个故障同时存在的情况仍需要进一步研究。

    佛山路灯车出租,   佛山路灯车租赁,  佛山路灯车出租