一种非线性非高斯随机系统的故障诊断方法

针对非线性非高斯随机系统在线故障诊断的问题,运用粒子滤波器提出了一种基于方差自适应粒子滤波器的非线性非高斯随机系统的故障诊断方法,可以用来解决系统的参数偏差型故障诊断问题。通过对连续搅拌釜式反应器(CSTR)的仿真研究,可以看出,该算法实现简单,易于对系统进行在线估计,对于发生缓变和突变的参数偏差型故障的检测与估计均较为有效。

基于改进高斯混合模型的机器人运动状态估计

针对复杂环境下机器人运动状态估计的精度改善问题,提出一种面向非线性非高斯系统的改进高斯和容积卡尔曼滤波估计方法.首先,引入加权信息量概念来改进期望最大化算法目标函数惩罚项,使得在优化过程中能考虑更全面的参数信息,以达到减少期望最大化算法的迭代次数和提高收敛速度的目的.此外,以基于马氏距离和Kullback-Leibler(KL)距离的高斯项合并方法为基础,提出一种能有效联合两类高斯项合并方式的融合模式.先单独使用马氏距离和KL距离进行高斯混合项合并,再对获得的高斯混合项进行加权融合处理,以改善高斯和滤波中多高斯项的合并性能和保真度.最后,应用非线性非高斯系统的高斯和容积卡尔曼滤波框架实现对复杂环境下机器人的运动状态估计.理论分析与仿真结果表明,该方法能实现对机器人运动更好的状态估计精度,并具有更强的鲁棒性能.

多模型粒子滤波的故障诊断方法研究

近年来,非线性非高斯系统的故障诊断问题一直是热点问题也是研究难点。针对非线性非高斯系统的故障检测与定位问题,运用基于粒子滤波(Particle Filter)的似然概率密度函数值的方法来检测系统故障,在检测到故障发生时,运用多模型方法与粒子滤波相结合,进行故障定位,从而进一步改善故障诊断的效果。仿真结果表明,该方法可以对非线性系统进行快速、准确的故障诊断。

基于改进粒子滤波和平均代价的故障诊断方法研究

为了提高非线性非高斯系统故障诊断的准确性,基于改进粒子滤波方法对系统状态进行估计,将系统状态估计值和实际值之差的绝对值作为残差,当残差平滑值大于阈值时诊断故障发生,使用故障误报率和漏报率构成的平均代价作为诊断效果评价指标。对水位/温度控制系统和一维非线性单变量模型进行仿真,由系统状态方程或观测方程参数跳变模拟故障发生,结果表明,3种算法能诊断出故障的发生,改进粒子滤波算法UPF的故障诊断平均代价小于SIR和UKF,诊断效果优于后两种算法,提高了故障诊断的可靠性。

基于SIR粒子滤波状态估计和残差平滑的故障检测算法

很多基于模型的随机系统故障检测方法要求系统模型线性且服从高斯分布，对于非线性非高斯随机系统这些方法性能欠佳．目前基于SIR粒子滤波似然函数值的故障检测算法是一种较好的非线性随机系统故障检测算法．本文提出一种基于SIR粒子滤波状态估计和残差平滑的故障检测算法．该算法采用SIR粒子滤波获得系统状态估计值，用系统状态观测值与系统状态估计值的理想观测值之差作为反映故障的残差，再利用残差平滑值进行故障检测．实验结果表明，在状态转移噪声方差远小于状态观测噪声方差时，该算法的故障误报率与基于SIR粒子滤波似然函数值的故障检测算法接近，而该算法的故障漏报率明显优于后者．

基于t-分布粒子滤波器的目标跟踪

针对贝叶斯跟踪中目标状态的预测分布和后验分布,利用序列蒙特卡洛方法,基于多变量t-分布提出了一种新的粒子滤波算法,称之为t-分布粒子滤波器.为了根据样本估计目标状态的概率分布,提出了一种新的ECME算法,并嵌入到t-分布粒子滤波器中.理论分析表明,在t-分布条件下,t-分布粒子滤波器是在样本数量上的渐近最优估计器.在机动目标跟踪实验中,比较了t-分布粒子滤波器、无色卡尔曼滤波(Unscented Kalm an filter)及自助式粒子滤波器(Bootstrap partic le filters)的跟踪精度.