تشخیص مقاوم عیب سنسور به روش چند مدله

نوع مقاله : علمی-پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی کنترل دانشکده مهندسی برق دانشگاه صنعتی سهند، شهر جدید سهند، تبریز، ایران

2 عضو هیات علمی/ دانشگاه صنعتی سهند

چکیده

این مقاله مرتبط با تشخیص عیب سنسور در سیستم های غیر خطی با استفاده از روش چند مدله ی خطی می باشد که سیستم اصلی تحت تاثیر نویز, اغتشاش, ورودی نامعلوم, و سایر عیوب در قسمت های محرک و اجزاء می باشد. ابتدا با استفاده از روش های مرسوم در چند نقطه ی کار مدلهای معادل خطی سیستم تدوین و با استفاده از فیلترهای دینامیکی (من بعد فیلتر انتقال) در خروجی آنها, عیب سنسور به ورودی مدل های افزوده ی جدید منتقل می شود. سپس با تعریف فیلترهای کلاسیک کالمن خاص برای مدلهای افزوده عیب سنسور از سایر سیگنالهای مزاحم موجود ایزوله و در مانده های مربوطه فقط تاثیر آن ظاهر می شود. در نهایت جهت تشخیص نقطه ی کار فعلی سیستم جهت انتخاب مدل خطی متناسب, با تولید ضرایب خاص مقاوم مدل تطبیقی معادل سیستم از ترکیب مدلهای خطی افزوده تشکیل و با یک فیلتر تطبیقی پایدار عیب سنسور در کل ناحیه ی کار تخمین زده می شود. در انتها در محیط متلب بعد از مدلسازی دینامیکی توربین گازی با هدف تشخیص عیب, با پیاده سازی این ایده روش مذکور مورد ارزیابی قرار می گیرد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Robust Sensor Fault Diagnosis by Multiple Model Approach

نویسندگان [English]

  • Sadegh Akbarpour 1
  • Mohammad Javad Khosrowjerdi 2
1 Faculty of Electrical Engineering, Sahand University of Technology, Tabriz, Iran.
2 Department of Electrical Engineering, Sahand University of Technology, Sahand, Tabriz, Iran.
چکیده [English]

This paper concerns the sensor faults diagnosis in the presence of unknown input, disturbances, actuator, and component faults using multiple linear model approaches in a group of complicated nonlinear systems. First, the sensor fault by adding a group of dynamic filters in the model output (hereinafter referred to as transfer filters) is arranged in additive form. Consequently, using a group of special linear Kalman filters a group of decoupled residuals are produced that only are dependent on sensor faults and noises. In continuing to distinguish the current operating point, by generating robust weighing coefficients an adaptive model and a stable adaptive filter are made that estimates the sensor fault in all operating areas. Finally, in a simulation environment, the competency of the proposed approach is evaluated.

کلیدواژه‌ها [English]

  • Fault diagnosis
  • Multiple models
  • Adaptive filters
  • and Gas turbine modeling

مراجع

[1] I. T. Franco, R. M. Figueiredo, “Predictive Maintenance: An Embedded System Approach”, J. control, automation and electrical systems, 34, 60–72, 2023.
[2] X. Q. Zhao, S. Guo, Y. Long, G., X. Zhong, “Simultaneous fault detection and control for discrete-time switched systems under relaxed persistent dwell time switching”, Applied Mathematics and Computation, 412, 26585, 2022.
[3] X. Liu, Y. Chen, L. Xiong, C. Wang, C. Luo, L. Zhang, K. Wang, “Intelligent fault diagnosis methods toward gas turbine: A review”, Withdrawn Article in Press: Chinese Journal of Aeronautics, 2023. Doi:   10.1016/j.cja.2023.09.024.
[4] Y. Yan, L. Wu, X. He, et al, “Adaptive Fault-Tolerant Tracking Control of Uncertain Nonlinear Systems with Event-Triggered Inputs and Full State Constraints”, J. Control, Automation and Electrical Systems, 33, pp. 1688–1699, 2020.
[5] K. Telbissi, A. Benzaouia, “Robust Fault Tolerant Control for Uncertain Switched Systems with Time Delay”, J. Control, Automation and Electrical Systems, 34, pp. 496–506, 2023.
[6] J. Lan, R. J. Patton, “Robust Integration of Model-Based Fault Estimation and Fault-Tolerant Control”, Advances in Industrial Control, 2021. Doi: 10.1007/978-3-030-58760-4
[7] C. Sadhukhan, M. S. Kumar, N. M. Kanti, M. Sharifpur, “Fault diagnosis of a nonlinear hybrid system using adaptive unscented Kalman filter bank”, Engineering with Computers, 2021. Doi: 10.1007/s00366-020-1235-0
]8[ ص. اکبرپور، م. ج. خسروجردی “تخمین عیب در محفظه احتراق وکمپرسور توربین های گازی صنعتی به روش چند مدله" نشریه مهندسی شیمی ایران، جلد 23، شماره 134 تیر1402
[9] M. Soleimani, F. Capman, D. Neagu, “Diagnostics and prognostics for complex systems: A review of methods and challenges”, Quality and Reliability Engineering International, pp. 1–33, 2021.
[10] ن. صادق زاده, ب. سلطانی, م. میرزایی، " مشاهدهگرهای متعامل غیرخطی درتشخیص عیبهای حسگری و عملگری در سیستم ماهواره" مجله مهندسی برق دانشگاه تبریز، جلد50، شماره 4، صفحات 1709-1722، 1399
[11] آ. م. آقازمانی, ح. دلاوری, " کنترل مد لغزشی مرتبه کسری تطبیقی برای ژنراتور مغناطیس دائم سنکرون همراه با رویتگر اغتشاش" مجله مهندسی برق دانشگاه تبریز، جلد52، شماره 1، 1401
[12] S. Venkateswaran, C. Kravaris, “Design of linear unknown input observers for sensor fault estimation in nonlinear systems”, Automatica,Vol 155,111152, 2023.
[13] F. Zhu, Y. Shan, Y. Tang, “Actuator and Sensor Fault Detection and Isolation for Uncertain Switched Nonlinear System Based on Sliding Mode Observers”, J. Control, Automation and Electrical Systems, 19, 3075–3086, 2021.
[14] Q. Yang, S. Li, Y. Cao, “Multiple model-based detection and estimation schemes for gas turbine sensor and gas path fault simultaneous diagnosis”, J. Mechanical Science and Technology, 33 (4): pp. 1959-1972, 2019.
[15] B. Pourbabaee, N. Meskin, & K. Khorasani, “Robust sensor fault detection and isolation of gas turbine engines subjected to time-varying parameter uncertainties”, Mechanical Systems and Signal Processing, 76-77, 136–156, 2016. 
[16] J. Y. Keller, M. Darouach, “Fault isolation filter design for linear stochastic systems with unknown inputs”. Proceedings of the 37th IEEE Conference on Decision and Control (Cat. No.98CH36171), Tampa, FL, USA, vol.1; pp. 598-603, 1998.
[17] M. Rodrigues, D. Theilliol, M. Adam-Medina, et al, “A fault detection and isolation scheme for industrial systems based on multiple operating models’, J. control engineering practice, 16; pp. 225–29, 2008.
[18] R. Makam, K. George, “Convex combination of multiple models for discrete-time adaptive control”, Inter. J. of Systems Science, 53(4): pp. 743-756, 2022.
[19] M. Höge, A. Guthke, W. Nowak, “Bayesian Model Weighting: The Many Faces of Model Averaging”, Water, 12 (2); 309, 2020.
[20] E. Tavasolipour, J. Poshtan, S. Shamaghdari, “A new approach for robust fault estimation in nonlinear systems with state-coupled disturbances using dissipativity theory”, ISA Transactions, 114; pp. 31–43, 2021.
[21] R. Sun, L. Shi, X. Yang, Y. Wang, Q. Zhao, “A coupling diagnosis method of sensors faults in gas turbine control system”, Energy, 205, 2020.
[22] O. Khustochka, S. Yepifanov, R. Zelenskyi, et al, “Estimation of Performance Parameters of Turbine Engine Components Using Experimental Data in Parametric Uncertainty Conditions”, Aerospace, 7(1); 6, 2020.
[23] J. Chen, Z. Hu, J. Wang, “Aero-Engine Real-Time Models and Their Applications”, Mathematical Problems in Engineering, Article ID 9917523, 2021.
[24] A. Nasiri, F. Bayat, S. Mobayen, et al, “Turbines Power Regulation Subject to Actuator Constraints, Disturbances, and Measurement Noises”, IEEE Access, 9; pp. 40155-40164, 2021.
[25] Q. Yang, Y. Cao, Yet al, “Health Estimation of Gas Turbine: A Symbolic Linearization Model Approach”, ASME Proc. Turbo Expo, GT2017-64071, 2017.
[26] E. Skeli, D. Weidemann, “Multiple-Model Based Fault-Diagnosis: An Approach to Heterogeneous State Spaces”, 23rd International Conference on Methods & Models in Automation & Robotics (MMAR). 2018, Doi:10.1109/mmar.2018.8485836,
[27] H. Yu, Y. Yuecheng, Z. Shiying, et al, “Comparison of Linear models for gas turbine performance”, Proc IMechE Part G: J. Aerospace Engineering, 228(8); pp. 1291–1301, 2014.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار