文摘
正常操作压力传感器是重要的机车电动气动制动系统的安全运行。传感器故障诊断技术促进检测传感器的健康。然而,强非线性和变量过程噪声的制动系统传感器故障诊断变得具有挑战性。在本文中,自适应无味卡尔曼滤波(UKF)——基于故障诊断策略,提出了旨在检测偏差故障和漂移故障平衡地层压力传感器的制动系统。首先,一个自适应基于Sage-Husa UKF方法应用于精确估计的压力瞬变平衡水库的制动系统。然后,估计压力之间的残余生成UKF和压力测量的传感器。序贯概率比检验之后,用于评估残留,这样初期和渐进的传感器故障诊断。一个诊断的实验原型平台平衡地层压力控制系统的构建来验证该方法。
1。介绍
电动气动制动系统已经显示出广泛的应用于客运列车,地铁,火车和重型运输由于其快速响应时间和高可靠性1]。机车电动气动制动是一个至关重要的组件有火车的运行安全的一个重要功能。在刹车系统故障会导致减少机车制动性能,甚至引发安全事故。因此,早期检测和隔离故障的制动系统是必要的(2]。制动系统中的压力传感器是至关重要的组件,因为他们的可靠性和测量精度是至关重要的实现精确的压力控制和批准制动性能。
平衡地层压力传感器的故障诊断是一项非常具有挑战性的任务。制动系统由电动、气动、机械子系统,表现出复杂的非线性(1]。制动力的能量传输介质是压缩空气,和空气的可压缩性使系统高度非线性(3),这使得它很难建立一个精确的制动系统的数学模型。此外,这个过程噪声和测量噪声在制动过程中,造成的恶劣和嘈杂的工作环境,使制动器的故障诊断变得更具挑战性。
近年来,许多研究开发了传感器故障诊断方法(4- - - - - -8]。有三个主要类别的传感器故障诊断方法:冗余法和基于知识的方法和基于模型的方法。冗余的方法实现的比较测量几个传感器,已用于无线传感器网络(9)或航空航天系统(10),如卫星姿态控制系统(11]。确定所需的最低程度的传感器冗余传感器故障和系统故障的区别在监控过程中决定在12]。然而,冗余方法需要额外的硬件传感器、显示更少的成本效益,不适合机车电动气动制动系统(13]。
计算机技术的发展,为故障诊断提供了一种新方法技术。以知识为基础的方法使用一个专家系统来定位和诊断传感器故障和不需要定量的数学模型。建立了模糊专家系统来定位传感器故障(14,剩余的一代和残留评价分析了(15),显示其瞬时故障处理能力。传感器故障识别是模式识别的问题(2]。样本数据获取和训练来获得一个分类器,然后根据分类规则相匹配的数据。然而,它一般以知识为基础的方法需要一个足够大的数据量,这意味着许多类型和数量的传感器需要添加制动系统。
基于模型的方法,卡尔曼滤波及其增强的品种被广泛使用(5,7,16因为他们的健壮性处理和测量噪声和有效的实时性能(17]。然而,制动系统的卡尔曼滤波器不可用,因为其固有的非线性特性。因此,无味卡尔曼滤波(UKF)提出了解决非线性问题。的UKF非线性的变换适用于测量和过程噪声的均值和方差计算,精度高于扩展卡尔曼滤波器(18,19]。然而,测量过程噪声协方差矩阵的UKF通常被认为是稳定的。很难确定,协方差矩阵在实际的应用程序。故障诊断方法将遭遇性能降低如果模型不确定性不是好定义的过程噪声协方差(20.]。为了克服困难,应该改进UKF的自适应性。即测量和过程噪声协方差矩阵应该是自适应调整(8,21,22]。
本文提出了一种自适应UKF-based方案检测偏差故障和漂移故障的平衡地层压力传感器。机车电动气动制动系统,不同于现有UKF-based故障诊断方法,该方案可以检测早期和渐进的传感器故障。方案介绍了Sage-Husa机制,准确地估计均衡的压力瞬变测量储层通过过滤掉噪音和制动系统过程噪声的变化。进一步,利用序贯概率比检验评估剩余,估计压力之间的区别,和在线传感器测量。通过结合Sage-Husa机制和序贯概率比检验,该方案可以检测的和渐进的机车电动气动制动系统的传感器故障。本文的主要贡献包括以下:(我)电动气动制动系统机制的充分分析,以及准确的分析建立压力模型(2)应用自适应UKF估计系统输出压力,改善下的故障诊断方法的鲁棒性和噪声的不确定性(3)介绍了序贯概率比检验评估剩余减少错误的发生或假故障诊断检测
本文的其余部分组织如下。部分2给出了制动系统的描述和构建数学模型。部分3介绍了自适应UKF的理论并提出了压力传感器的故障诊断方案偏差和漂移的缺点。部分4展示了实验结果和分析。最后,得出结论5。
2。系统模型和问题公式化
2.1。电动气动制动系统的原理
电动气动制动系统(见图1)由机械、气动和电气子系统。机械子系统的基础制动装置,主要包括刹车片、鼓,和鞋子。气动子系统包含许多组件,主要包括水库,制动管室,一个水库,均衡的继动阀和压缩机。电气子系统主要包含一个制动控制单元(拍),压力传感器,电磁阀(闸阀和释放阀)。
2.2。平衡地层压力控制系统的模型
理想气体定律方程如下: 描述压力之间的定量关系,空气温度和体积室,在哪里 , , , ,和代表气体的摩尔数,气体常数,绝对压力,绝对的空气温度,分别和室体积。假设的体积是不变的,对时间的微分方程,我们可以得到什么 在哪里室的质量流量。根据伯努利方程为绝热等熵气流,计算如下(23]: 在哪里和有相同的意义和理想气体定律方程。和分别是下游压力和上游压力。和流量系数。代表的空气绝热指数,代表孔通道区。通过结合(1)和(2),平衡地层压力瞬变的制动系统可以制定不同的操作模式(4),(5)和(6)。
平衡地层压力动态发布流程的制定 在哪里是平衡地层压力,是主要的储层压力,代表释放阀的孔通道区域,和是体积平衡水库。
均衡水库的压力仍然在保持状态稳定。然后,动力学可以被描述为的压力
平衡地层压力动态制动过程制定的 在哪里大气压力,代表制动阀的孔通道区域,和和流量系数。
从(4)和(6),我们就可以知道,制动系统是强非线性的;因此,我们选择了UKF估计量的压力。应该尽可能准确的数学模型以实现一种有效的故障诊断方案。因此,模型中的参数应该获得准确。均衡水库体积,释放阀的孔通道区域,刹车阀可以直接测量。然而,流量系数(4)和(6)需要确定。摘要流量系数 由最小二乘法识别(24]。模型的有效性进行测试实验,部分中描述4。
3所示。提出了传感器故障诊断的方法
自适应理论的UKF和拟议的传感器故障诊断方法在这一节中介绍了。首先,开发适应UKF的原则,然后,该算法应用于平衡地层压力传感器的故障诊断。
3.1。自适应UKF的理论
基于传统UKF的理论,之前统计过程的噪声是用来补偿模型不确定性的变化(25),这是自适应修正Sage-Husa噪声估计量。UKF用于一般的离散系统。一个离散非线性系统的一般形式的定义 在哪里和输入向量和吗 - - - - - -维状态向量,分别。是 - - - - - -维观测向量。和分别代表了过程噪声和测量噪声是零均值的高斯白噪声。
通常情况下,测量噪声和过程噪声的统计UKF是不变的。然而,制动系统过程噪声的变化,难以确定。测量噪声是压力传感器的准确性和相对恒定。统计数据所描述的过程噪声协方差矩阵 。同样,测量噪声可以从历史测量计算。然后,Sage-Husa方法应用于优化协方差矩阵自适应。Sage-Husa理想噪声估计量描述如下(26]: 在哪里 遗忘因子和吗卡尔曼增益。
过程和测量噪声变化越多,价值越高 。Sage-Husa噪声估计不能正常工作时噪声的先验统计特性未知;否则,过滤器将发散[27]。制动系统中的测量噪声的统计数据,可以根据历史测量数据。
3.2。通过序贯概率比检验残留评价
为了减少错误的发生或假故障诊断检测,(28)提出了一种改进的序贯概率比检验(SPRT)方法。在这种方法中,使用统计假设测试,和应该是nonfault假说和错误的假设,分别为(29日]。无故障的情况下的残差符合正常随机变量(方差值和平均值 ),虽然错误条件的残差方差值相同 ,是谁的平均值 。计算如下:的对数似然比
然后转化为故障检测检测剩余的变化的意思。当没有错,接近为零。当有错,将会离开和会远离零。
检测到一个错误时 ,在哪里是阈值,是失踪的报告率,是误警率。在本文中,我们设置 , ,和 。当太大,将超过即使一个小的偏差和的存在。为了解决这个问题,我们设置一个上限,2000 ,通过实验和上界校准。
3.3。提出了传感器故障诊断的方法
提出的传感器故障诊断方法的原理图描述2。假设过程和平衡地层压力系统的测量噪声是高斯白噪声。因此,可以使用一种自适应UKF估计输出压力根据平衡地层压力系统的输入和输出。平衡地层压力系统的输入产生的制动控制单元。平衡地层压力系统的输出是由压力传感器测量。然后,剩余是由减去压力传感器测量的自适应UKF估计的压力。后来,剩余通过序贯概率比检验增加传感灵敏度。通过比较预设阈值,可以获得故障检测的结果。
应用自适应UKF的状态估计。基于常规UKF算法,测量噪声和过程噪声协方差自适应地调整根据(7通过使用Sage-Husa方法)。故障诊断方案是基于平衡地层压力系统模型(3),(4)和(5)。由于系统是非线性的,我们选择龙格-库塔方法离散化的系统模型。因为UKF算法可以达到三阶精度的协方差和后意味着18),我们使用二阶龙格-库塔方法30.),其局部截断误差和步长。的过程提出了传感器故障诊断方案中描述的算法1,平衡地层压力, ,选为状态变量,系统状态方程(3),(4)和(5)简化为 。观测方程 ,在哪里压力传感器测量。 (二)是步长。
|
||||||||||||||
4所示。仿真结果和讨论
我们构建一个平衡地层压力系统和实验平台验证提出的传感器故障诊断的有效性和可行性策略。实验平台(见图3)是真正的机车电动气动刹车的一部分。
的详细参数数学模型如表所示1和系统的流量系数是由最小二乘法识别。首先,数学模型的有效性通过实验验证了模型的平衡地层压力系统。然后,偏差故障和漂移故障注入平衡地层压力传感器,和故障诊断的性能评估方法。最后,该方法的故障诊断性能比较与Luenberger观察者。
4.1。模型验证
图4描绘了平衡地层压力瞬变,红线代表了一个正常的平衡地层压力测量传感器和蓝线代表压力计算的数学模型。传感器测量和模型输出之间的相对误差是绿线所描述的。制动过程中的平衡地层压力瞬变(见图5),传感器测量和模型输出之间的相对误差是由绿线绘制。它可以发现,充分系统模型的准确性高。
4.2。偏差故障检测
残差是由于传感器偏差故障在释放过程中(见图所示6),并对传感器偏差故障注入第三秒发布后操作。在这个图中,蓝线描述产生的残差偏差故障的大小是1 kPa,和产生的残差偏差故障2级kPa红线所示。我们看到的振幅残差变化偏差故障发生后(见图6)。断层规模越大,残余大小越大。传感器偏差故障的故障检测结果与不同震级发布流程(见图所示7)。在这个图中,我们可以看到,偏差故障检测到的是2级kPa,而1级kPa的偏差故障没有被发现。这是因为模型不够准确。提高故障检测的敏感性,模型需要足够准确。
残差的传感器偏差故障在制动过程中(见图8),用不同的大小和传感器偏差故障发生在八秒后制动操作。蓝线代表偏差故障的残差的大小是1 kPa,和偏差故障2 kPa的大小是由红线表示。我们可以知道偏差故障发生后的剩余大小变化(见图8)。传感器偏差故障的故障检测结果与不同震级制动过程(见图所示9)。从图中,我们可以看到,2 kPa震级的偏差故障被检测到,而偏差故障的大小是1 kPa尚未发现。
4.3。漂移故障检测
在本部分中,漂移故障检测是在制动和释放过程中实现,由注射不同的模拟误差测量过程,每个采样周期和增加误差大小。
传感器漂移故障所带来的剩余工资的发布过程描述(见图10),传感器漂移故障发生在第三秒发布后操作。测量误差增加人为0.02 kPa每个采样周期模拟漂移的错。可以看出,漂移故障发生后的残余略有变化(见图10)。传感器漂移故障检测结果发布流程(见图所示11,),对数似然比 ,故障发生后的变化。漂移故障检测到大约2.5秒后发生。然后,我们可以得出结论,序贯概率比检验在检测方法具有良好的性能逐渐的错。的漂移故障检测结果均衡制动过程中储层压力传感器是类似于释放的过程。
4.4。传感器故障诊断方法的性能比较
为了比较不同的故障诊断方法的性能,提出了故障诊断的残余方法比较与Luenberger观察者在制动释放过程。剩余的比较不同的方法进行机车电动气动制动系统时在正常情况下操作。在实验中,所产生的残差是减去从均衡汽缸压力传感器测量估计的观察者和该方法基于自适应无味卡尔曼滤波器,分别。
在图12,蓝线描述了故障检测方法基于残差的自适应untraceless卡尔曼滤波器。黑线代表Luenberger观察者的残差。红色的线条代表的故障检测阈值。从图12,可以看出有许多错误的错误检测使用Luenberger观测器的故障检测时,由于机理模型的误差太大。如果阈值增加到减少假阳性Luenberger观测器方法,Luenberger观察者的敏感性方法会减少。相反,该方法的残留误差远小于Luenberger观察者的方法和波动小。通过比较这两种方法产生的残差和分析故障检测的结果,可以得出结论,提出了故障检测方法具有较好的准确性和灵敏度比Luenberger观察者的方法。这是因为自适应无味卡尔曼滤波可以过滤掉的变化过程噪声和测量噪声,准确地估计均衡气缸的压力。
5。结论
提出了一种有效的基于UKF和新颖的基于模型的传感器故障诊断算法的机车电动气动制动系统。为此,首先建立数学模型准确的压力。然后,应用自适应UKF估计均衡的压力瞬变储层以提高算法的鲁棒性。计算残差,残留评价是实现一种改进的序贯概率比检验方法。该算法可以有效地检测漂移故障和偏差故障的平衡地层压力传感器。实验验证其可行性和有效性。未来工作需要研究是提高故障检测灵敏度小和渐进的错。
数据可用性
数据用于支持这些发现的手稿中可用的文章。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作的部分支持由中国国家自然科学基金的资助(61803394号)和湖南省自然科学基金一般项目之一(2021号jj30876)。