数据驱动的非线性动态系统故障传播分析与诊断方法研究

Abstract: Fault detection and diagnosis methods are significant for safe and reliable operation of complex engineering systems. However, it is generally difficult to build accurate physical model for nonlinear dynamic systems due to its complexity, large scale and abundant disturbance. Data driven techniques provide important and promising solutions for such a circumstance. This project utilizes data driven methods such as multivariate statistical analysis, machine learning and causality analysis, to achieve the following goals: 1) propose data models and monitoring techniques suitable for nonlinear dynamic systems; 2) perform fault propagation modeling and analysis; 3) propose fault location methods for dynamic systems; 3) verify and validate the proposed models and algorithms in UAV flight control systems. The implement of this project will lay solid foundation for data driven intelligent maintenance and fault tolerant control of engineering systems.

故障检测与诊断方法对复杂工程系统的安全可靠运行具有非常重要的意义。对复杂非线性动态系统来说，由于其机理复杂、规模庞大、扰动源较多等，一般难以建立精确的机理模型。数据驱动的建模与监控技术提供了重要的技术手段。本项目利用多元统计分析、机器学习、因果分析等数据方法，拟完成以下几个创新性的研究内容：1）提出广泛适用于非线性动态系统的数据模型和监控技术；2）进行动态系统的故障传播建模与分析；3)提出动态系统的故障定位技术；4）在无人机飞控系统中进行验证和应用。本项目的实施可以为工程系统数据驱动的智能维护和容错控制奠定基础。

故障检测与诊断方法对复杂工程系统的安全可靠运行具有非常重要的意义。对复杂非线性动态系统来说，由于其机理复杂、规模庞大、扰动源较多等，一般难以建立精确的机理模型。数据驱动的建模与监控技术提供了重要的技术手段。本项目利用多元统计分析、机器学习、因果分析等数据分析方法，对非线性系统故障传播与故障诊断展开研究。针对非线性系统平稳运行时，原有动态模型存在主元和状态空间模型中的状态都缺乏明确的物理意义，且相对于原测量变量的维数扩大等问题，利用EM算法对DLV模型的参数进行联合估计，实现对扩展的状态空间进行了建模；针对模型不确定的非线性故障检测与故障分离系统，提出了动态主元分析与贡献图相结合的方法，实现了不同类型故障混叠的无人机飞行控制系统的故障检测与分离问题；针对复杂非线性控制系统，故障种类数量复杂多样，且系统自身具有强非线性，各故障所在子空间无法实现解耦；同时，受到外界干扰、测量噪声等诸多因素的影响，采用单纯的数据驱动方法粗糙地选取故障方向必然导致故障分离结果不可靠的问题，采用非线性自适应观测器设计方法，将故障分离问题转变为模型匹配问题，从而解决了无人机控制系统传感器与执行器的故障检测问题；针对多传感器系统，故障定位难的问题，提出了一种基于特征模型和深度学习的故障诊断方法，并在无人机飞行控制系统故障分离中，得到了有效验证；针对故障检测滤波器检测故障时，检测滤波器受到外部扰动、测量噪声等众多干扰因素的影响，难以建模与分离的问题，借鉴复合分层抗干扰控制方法的思想基础上，提出了基于扰动补偿的非线性系统故障检测方法，并在故障检测仿真平台上得到了验证。项目执行过程中的研究任务按照计划均已完成，取得的研究成果为发表学术论文15篇（SCI），申请授国家发明专利4项。