基于扰动观测器的具有不匹配扰动的非线性系统的扰动抑制

故障诊断代码matlab 基于观察者的故障检测与诊断（FDD） 抽象的 该代码介绍了一种故障检测与诊断（FDD）方案的设计，该方案由两种类型的观察者组成，并应用于线性参数变化（LPV）系统。 第一个使用降阶LPV观测器（LPV-RUIO）的组合来检测，隔离和估计执行器故障。 第二个由一组全阶LPV未知输入观察器（LPV-UIOO）组成，用于检测，隔离和估计传感器故障。 根据线性矩阵不等式（LMI），可以保证观察者的设计，收敛和稳定性条件。 因此，这项工作的主要目的是提供一种基于新颖模型的观察者技术来检测和诊断非线性系统上的故障。 给出了基于两个典型化学工业过程的仿真结果，以说明这种方法的实现和性能。 要求 至少一个具有6 GB RAM的i5-3337U CPU@2.7 GHz（2核）。 R2016b或更高 包装方式： LMI实验室 论文信息 伊曼纽尔·伯纳迪（Emanuel Bernardi）和爱德华多·J·亚当（Eduardo J.Adam）。 《基于观察者的工业过程故障检测和诊断策略》。 于：富兰克林学院学报357（14 2020），第9895-9922页。 ISSN：0016-0

在异步电动机矢量控制系统中,定子磁链估算的准确性直接影响其控制的性能。在分析现有基于低通滤波器的磁链观测器存在问题的基础上,提出了用于电动机定子、转子电阻及转速估计的模型参考自适应方案,设计了一种基于波波夫不等式的新型自适应定子磁链观测器。该观测器可准确快速获得定子电阻及转速估计值,性能明显改善。仿真结果验证了其优越性。

核主元分析KPCA的降维特征提取以及故障检测应用-data.rar 本帖最后由 iqiukp 于 2018-11-9 15:02 编辑      核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用。主要功能有：（1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 参考文献： Lee J M, Yoo C K, Choi S W, et al. Nonlinear process monitoring using kernel principal component analysis[J]. Chemical engineering science, 2004, 59: 223-234. 1. KPCA的建模过程（故障检测）： （1）获取训练数据（工业过程数据需要进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）特征值分解 （5）特征向量的标准化处理 （6）主元个数的选取 （7）计算非线性主成分（即降维结果或者特征提取结果） （8）SPE和T2统计量的控制限计算 function model = kpca_train % DESCRIPTION % Kernel principal component analysis % %       mappedX = kpca_train % % INPUT %   X            Training samples %                N: number of samples %                d: number of features %   options      Parameters setting % % OUTPUT %   model        KPCA model % % % Created on 9th November, 2018, by Kepeng Qiu. % number of training samples L = size; % Compute the kernel matrix K = computeKM; % Centralize the kernel matrix unit = ones/L; K_c = K-unit*K-K*unit unit*K*unit; % Solve the eigenvalue problem [V,D] = eigs; lambda = diag; % Normalize the eigenvalue V_s = V ./ sqrt'; % Compute the numbers of principal component % Extract the nonlinear component if options.type == 1 % fault detection     dims = find) >= 0.85,1, 'first'); else     dims = options.dims; end mappedX  = K_c* V_s ; % Store the results model.mappedX =  mappedX ; model.V_s = V_s; model.lambda = lambda; model.K_c = K_c; model.L = L; model.dims = dims; model.X = X; model.K = K; model.unit = unit; model.sigma = options.sigma; % Compute the threshold model.beta = options.beta;% corresponding probabilities [SPE_limit,T2_limit] = comtupeLimit; model.SPE_limit = SPE_limit; model.T2_limit = T2_limit; end复制代码2. KPCA的测试过程： （1）获取测试数据（工业过程数据需要利用训练数据的均值和标准差进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）计算非线性主成分（即降维结果或者特征提取结果） （5）SPE和T2统计量的计算 function [SPE,T2,mappedY] = kpca_test % DESCRIPTION % Compute the T2 statistic, SPE statistic,and the nonlinear component of Y % %       [SPE,T2,mappedY] = kpca_test % % INPUT %   model       KPCA model %   Y           test data % % OUTPUT %   SPE         the SPE statistic %   T2          the T2 statistic %   mappedY     the nonlinear component of Y % % Created on 9th November, 2018, by Kepeng Qiu. % Compute Hotelling's T2 statistic % T2 = diag)*model.mappedX'); % the number of test samples L = size; % Compute the kernel matrix Kt = computeKM; % Centralize the kernel matrix unit = ones/model.L; Kt_c = Kt-unit*model.K-Kt*model.unit unit*model.K*model.unit; % Extract the nonlinear component mappedY = Kt_c*model.V_s; % Compute Hotelling's T2 statistic T2 = diag)*mappedY'); % Compute the squared prediction error SPE = sum.^2,2)-sum; end复制代码 3. demo1: 降维、特征提取 源代码 % Demo1: dimensionality reduction or feature extraction % ---------------------------------------------------------------------% clc clear all close all addpath) % 4 circles load circledata % X = circledata; for i = 1:4     scatter:250*i,1),X:250*i,2))     hold on end % Parameters setting options.sigma = 5;   % kernel width options.dims  = 2;   % output dimension options.type  = 0;   % 0:dimensionality reduction or feature extraction                      % 1:fault detection options.beta  = 0.9; % corresponding probabilities options.cpc  = 0.85; % Principal contribution rate % Train KPCA model model = kpca_train; figure for i = 1:4     scatter:250*i,1), ...         model.mappedX:250*i,2))     hold on end 复制代码（2）结果 （分别为原图和特征提取后的图） demo1-1.png demo1-2.png 4. demo2: 故障检测（需要调节核宽度、主元贡献率和置信度等参数来提高故障检测效果） （1）源代码 % Demo2: Fault detection % X: training samples % Y: test samples % Improve the performance of fault detection by adjusting parameters % 1. options.sigma = 16;   % kernel width % 2. options.beta          % corresponding probabilities % 3. options.cpc  ;        % principal contribution rate % ---------------------------------------------------------------------% clc clear all close all addpath) % X = rand; Y = rand; Y = rand 3; Y = rand*3; % Normalization % mu = mean; % st = std; % X = zscore; % Y = bsxfun,st); % Parameters setting options.sigma = 16;   % kernel width options.dims  = 2;   % output dimension options.type  = 1;   % 0:dimensionality reduction or feature extraction                      % 1:fault detection options.beta  = 0.9; % corresponding probabilities options.cpc  = 0.85; % principal contribution rate % Train KPCA model model = kpca_train; % Test a new sample Y [SPE,T2,mappedY] = kpca_test; % Plot the result plotResult; plotResult; 复制代码（2）结果（分别是SPE统计量和T2统计量的结果图） demo2-1.png demo2-2.png    附件是基于KPCA的降维、特征提取和故障检测程序源代码。如有错误的地方请指出，谢谢。 Kernel Principal Component Analysis .zip KPCA

针对受到外部干扰影响的二阶多智能系统, 提出一种新型干扰观测器的设计方案.在只有部分智能体能接收到参考模型信 号的条件下, 研究受到不同外系统生成干扰信号影响的二阶多智能体系统模型参考一致性问题.针对干扰信号由线性外系统和非线性外系 统生成的情况, 分别设计干扰观测器.进一步提出分布式控制协议, 所提出的一致性协议可以有效地抑制干扰, 最终实现多智能体 系统的模型参考一致性.仿真算例验证了所提出方法的有效性.

该功能可用于恒速运行的滚动轴承的基于振动的故障诊断。 这是一个三步程序： (i) 倒谱预白化：减少齿轮等其他周期源的贡献。 (ii) 带通滤波：提高 SNR，尤其是在系统谐振附近执行时(iii) 平方包络谱：允许检测以特定循环频率的大分量为特征的（伪）循环平稳贡献此功能与简单的演示一起提供，它与 Octave 完全兼容。 参考文献：Borghesani P. 等人，倒谱预白化在变速条件下轴承故障诊断中的应用，MSSP，2013 年。

本程序于 25/03/2021 修订，由陈志文创建。 @中南大学目的是演示分布式 CCA 解决玩具问题的标准步骤。 disCCA算法已发布： ZW Chen、Y. Cao、Steven X. Ding、K. Zhang、T. Koenings 等，分布式规范相关用于工厂范围过程监控的基于分析的故障检测方法。 IEEE 工业信息学汇刊, 2019, 15(5): 2710-2720.】 这是中南大学、杜伊斯堡-埃森大学和北京科技大学的联合工作。 我的邮箱是zhiwen.chen@csu.edu.cn。 如果您有任何问题，请随时与我联系。

扩张状态观测器(ESO) 作为自抗扰控制(ADRC) 的核心组件, 其自身及高阶扩展形式的性能分析与评估至关重要. 借助Lyapunov 逆定理证明了任意扩张阶数下线性扩张状态观测器(LESO) 重构状态误差的收敛性, 并得出了观测误差上界与扩张阶数的定量关系式; 在分别考虑扩张阶数、观测器带宽以及剪切频率的情况下, 探讨了高阶及传统LESO 的动态响应、干扰抑制能力与观测器参数间的关系; 最后, 结合改进的ADRC控制器, 在估计能力、峰值现象的抑制、滤噪性能等方面对高阶及传统LESO 进行了性能评估与仿真验证. 所得出的结论可为ADRC应用中ESO的选取提供有效的理论依据.

故障检测

基于感应电机在二相坐标下的数学模型,使用滑模变结构与非线性分析方法设计出由1个基于滑模的转矩与磁链控制器和1个速度自适应磁链观测器非线性控制系统.首先以定子电流与定子磁链为状态变量,采用非线性系统分析方法建立误差状态方程,然后在使误差渐近收敛为零的原则下设计滑模流形面,根据Layapunov稳定性条件,推导出电阻估计表达式及用于逆变器输入的定子电压控制规律.利用基于模型参考与状态反馈的速度自适应磁链观测器来完成转速辨识与磁链的准确观测,分析得到观测器的收敛条件及自适应率,证明了其稳定性,其估计值作为滑模控制器的输入完成系统的闭环控制.Matlab的仿真与分析结果证明了控制策略的正确性与有效性.