基于遺傳粒子濾波器的傳感器故障診斷

摘 要： 針對標(biāo)準(zhǔn)粒子濾波器（PF）中存在的粒子退化及計算量過大問題，將遺傳算法中的選擇、交叉、變異操作引入到PF中，代替?zhèn)鹘y(tǒng)的重采樣方法，提出了一種改進(jìn)的遺傳粒子濾波器（GPF）算法。算法采用實數(shù)運算，從而避免了二進(jìn)制編碼操作。應(yīng)用GPF與PF診斷三種常見的恒偏差、恒增益、卡死傳感器故障，并比較了兩者的診斷效果。仿真結(jié)果表明，GPF增加了粒子多樣性，能有效解決粒子退化問題，提高濾波精度和實時性。

關(guān)鍵詞： 粒子濾波器； 遺傳算法； 故障診斷； 傳感器

中圖分類號： TN391?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2013）18?0016?04

在狀態(tài)估計故障診斷方法中，以卡爾曼濾波（KF）方法為基礎(chǔ)建立起的故障診斷方法獲得了廣泛應(yīng)用。但是現(xiàn)代故障診斷面對的大多數(shù)是參數(shù)時變的非線性系統(tǒng)，建模不準(zhǔn)，且由于外界干擾，容易產(chǎn)生故障誤報；此外，系統(tǒng)噪聲的統(tǒng)計特性一般不服從高斯分布，而傳統(tǒng)的濾波器方法在解決非線性非高斯系統(tǒng)問題時，很難達(dá)到最優(yōu)狀態(tài)估計。而近幾年發(fā)展起來的粒子濾波算法能較好地適應(yīng)觀測信息出現(xiàn)異常突變時的情況（魯棒性較強(qiáng)），并且它完全突破了傳統(tǒng)的卡爾曼濾波理論框架，可適用于任何非線性、非高斯系統(tǒng)，對系統(tǒng)的過程噪聲和量測噪聲沒有任何限制，容易得到狀態(tài)的最優(yōu)估計[1?3]。因此近幾年來國內(nèi)外有學(xué)者將粒子濾波技術(shù)應(yīng)用于傳感器故障診斷中[4?8]。

但是標(biāo)準(zhǔn)粒子濾波器存在粒子退化現(xiàn)象，造成粒子多樣性的降低，影響算法估計精度，目前的解決方法主要是選擇好的重要密度函數(shù)，由此出現(xiàn)了許多改進(jìn)的粒子濾波器算法，如高斯粒子濾波器、高斯和粒子濾波器、高斯?厄米特粒子濾波器、邊緣粒子濾波器等。也有學(xué)者考慮用優(yōu)化思想來解決粒子退化問題[9]。 但是現(xiàn)有的算法一般都是采用遺傳算法對粒子進(jìn)行進(jìn)化操作后得到優(yōu)質(zhì)粒子集，沒有避免二進(jìn)制編碼操作，增加了算法復(fù)雜度。本文將遺傳算法中的選擇、交叉、變異操作引入到PF中，不需要二進(jìn)制編碼操作，代替重采樣方法，得到遺傳粒子濾波器（GPF）算法，并應(yīng)用于傳感器的故障診斷中。仿真結(jié)果表明，GPF不僅能有效克服粒子退化問題，而且能提高算法的實時性。

1 基于濾波器的傳感器故障診斷

2.1 故障類型的辨識

故障診斷既要檢測出故障，還要求能夠根據(jù)殘差對故障進(jìn)行辨識，包括故障的大小和故障的類型。故障的大小是可以辨識出來的，殘差幅值[g（sk+1）]表征了故障的大小。對于不同類型的故障，殘差信號會表現(xiàn)出不同的變化趨勢，因此通過分析殘差的形狀和大小，就能辨識出故障類型。當(dāng)發(fā)生傳感器恒偏差故障時，偏差幅值[g（sk+1）]會有一個躍變，當(dāng)GPF的預(yù)測輸出值迅速跟上實際輸出值后，躍變消失，故障殘差均值變?yōu)榱悖碵E（ek+1）→0]。

如果在系統(tǒng)過渡過程階段發(fā)生傳感器恒增益故障，殘差幅值也會發(fā)生躍變。如果系統(tǒng)過渡過程為上升階段，殘差幅值躍變是遞增的；當(dāng)系統(tǒng)過渡過程為下降階段時，殘差幅值躍變是遞減的。當(dāng)GPF預(yù)測輸出值跟上實際輸出值時，殘差幅值均值又變?yōu)榱悖蝗绻谙到y(tǒng)穩(wěn)定后發(fā)生該故障，殘差幅值的變化和恒偏差故障的情況類似。

當(dāng)發(fā)生傳感器卡死故障時，實際輸出值恒定，偏差幅值會出現(xiàn)相應(yīng)的躍變，當(dāng)GPF預(yù)測輸出值跟上實際輸出值時，殘差均值變?yōu)榱恪Ｒ虼烁鶕?jù)發(fā)生故障時殘差曲線的形狀和大小變化情況，再結(jié)合系統(tǒng)的實際情況和經(jīng)驗知識，就可以辨識出發(fā)生了何種類型的故障。

2.2 基于GPF的故障診斷算法

由于系統(tǒng)的狀態(tài)不能直接測量，并且系統(tǒng)中存在的噪聲會使系統(tǒng)輸出和狀態(tài)變量表現(xiàn)出隨機(jī)性，因此系統(tǒng)狀態(tài)變量的估計精度就直接決定了故障診斷的準(zhǔn)確程度。本文采用遺傳粒子濾波器（GPF）進(jìn)行狀態(tài)估計，預(yù)測輸出，與實際輸出對比后獲得殘差，進(jìn)行故障診斷。

GPF算法主要考慮將遺傳算法中的選擇、交叉、變異進(jìn)化思想引入到粒子濾波器（PF）中，代替?zhèn)鹘y(tǒng)的重采樣方法。由于遺傳算法具有獨特的尋優(yōu)能力，可以使粒子的運算效率得到提高，使逼近后驗概率分布最大值所需的粒子數(shù)大大減少，并且避免了重采樣，也就在一定程度上減少了計算量，從而能有效提高算法估計的實時性；另一方面，遺傳運算能有效增加粒子的多樣性，解決粒子退化問題，從而可以提高算法的濾波精度，有效防止濾波發(fā)散現(xiàn)象，提高狀態(tài)估計的精度。本文中的GPF算法采用實數(shù)運算，從而避免了二進(jìn)制編碼操作。

圖1和圖2是蒸汽壓力傳感器在200 s發(fā)生恒偏差故障時的殘差曲線，殘差幅值為1；圖3和圖4是蒸汽壓力傳感器在300 s發(fā)生增益為0.01的恒增益故障時的殘差曲線，從圖中可以看出，殘差幅值約為1.4；圖5和圖6是蒸汽壓力傳感器在400 s發(fā)生卡死故障時的殘差曲線，從圖中可以得到，殘差幅值約為2。從以上仿真結(jié)果可以看出，當(dāng)傳感器發(fā)生相應(yīng)的故障時，殘差幅值會從零發(fā)生相應(yīng)的躍變，并且這個躍變不會一直保持下去，當(dāng)濾波器的預(yù)測輸出迅速跟蹤上系統(tǒng)的實際輸出后，殘差幅值很快收斂到零，說明噪聲沒有影響故障診斷的結(jié)果，沒有發(fā)生故障誤報現(xiàn)象，表明應(yīng)用粒子濾波器進(jìn)行故障診斷時具有較強(qiáng)的魯棒性。進(jìn)一步，根據(jù)殘差幅值的變化情況，及系統(tǒng)的特性，就能辨識出發(fā)生了何種類型的傳感器故障。表1給出了GPF和PF兩種算法進(jìn)行故障診斷時，其殘差曲線收斂到0所需的時間。

4 結(jié) 語

本文將粒子濾波器（PF）應(yīng)用到傳感器故障診斷中，通過將遺傳算法中的選擇、交叉、變異進(jìn)化思想引入到PF中，代替?zhèn)鹘y(tǒng)的重采樣方法，得到了遺傳粒子濾波器（GPF）。以160 MW燃油機(jī)組非線性系統(tǒng)為研究對象，采用PF和GPF對其蒸汽壓力傳感器的三種常見的恒偏差、恒增益、卡死故障進(jìn)行診斷。結(jié)果表明應(yīng)用GPF方法進(jìn)行傳感器故障診斷，只需較少的粒子數(shù)就能獲得比PF算法更好的實時性和濾波精度。

這是由于GPF在PF的基礎(chǔ)上應(yīng)用遺傳算法的尋優(yōu)能力，增加了粒子的多樣性，解決了粒子退化問題，從而在減少粒子數(shù)的同時，能夠提高狀態(tài)估計的精度；另一方面，GPF避免了重采樣，減少了計算量，因而能有效提高算法的實時性。

參考文獻(xiàn)

[1] HAN Yu?bing. A rao?blackwellized particle filter for adaptive beamforming with strong interference [J]. IEEE Trans. on Signal Processing， 2012， 60（6）： 2952?2961.

[2] OLSSON Jimmy， RYDéN Tobias. Rao?blackwellization of particle Markov chain Monte Carlo methods using forward filtering backward sampling [J]. IEEE Trans. on Signal Processing， 2011， 59（10）： 4606?4619.

[3] SAHA Sankalita， BAMBHA Neal K， BHATTACHARYYA Shuvra S. Design and implementation of embedded computer vision systems based on particle filters [J]. Computer Vision and Image Understanding， 2010， 14：1203?1214.

[4] 張三同，郝晶晶.多模型粒子濾波的故障診斷方法研究[J].控制工程，2012，19（5）：864?869.

[5] 田夢楚，陳志敏，魏秀明，等.基于混合粒子濾波的溫控傳感器故障診斷方法[J].計算機(jī)工程，2012，38（9）：162?165.

[6] 劉玉嬌，姚恩濤，徐紅專.基于粒子濾波和自回歸譜的液壓泵故障診斷[J].儀器儀表學(xué)報，2012，33（3）：561?567.

[7] 陳志敏，薄煜明，吳盤龍，等.基于新型粒子群優(yōu)化粒子濾波的故障診斷方法[J].計算機(jī)應(yīng)用，2012，32（2）：432?435，439.

[8] 劉曉平，鄭海起，祝天宇.粒子濾波在含噪齒輪箱故障盲源分離中的應(yīng)用[J].中國機(jī)械工程，2011，22（15）：1853?1857.

[9] 余伶俐，蔡自興，譚平.進(jìn)化粒子濾波器對比研究及其在移動機(jī)器人故障診斷中的應(yīng)用[J].信息與控制，2010，39（5）：621?628.