多重渐消因子强跟踪UKF在故障估计与预测中的应用

"该文提出了一种基于多重渐消因子强跟踪无迹卡尔曼滤波(MSTUKF)和约束自回归(AR)模型的故障估计与预测方法，旨在解决非线性系统中不可观测故障参数的精确估计和预测问题。通过引入多重渐消因子，MSTUKF能够更有效地跟踪变化未知的故障参数。进一步地，利用递推最小二乘法更新约束AR模型，以实现故障参数的在线估计和预测。仿真结果显示，MSTUKF在故障参数估计的精度上优于传统的UKF和单渐消因子强跟踪UKF，而约束AR模型的预测精度则超过了无约束条件下的预测精度。" 本文聚焦于非线性系统的故障诊断与预测，提出了一种创新性的联合状态和参数估计方法。首先，作者介绍了MSTUKF算法，这是一种增强型的滤波技术，通过引入多个渐消因子来改善对系统中故障参数的跟踪性能。在非线性系统中，故障参数可能随时间动态变化且难以观测，常规的滤波方法可能无法有效捕捉这种变化。MSTUKF的引入解决了这一难题，提高了对不可观测故障参数的估计准确性。 接着，文章提到了约束AR模型的使用。AR模型是一种广泛应用的时间序列预测模型，通过历史数据来预测未来的趋势。在故障预测场景下，作者采用递推最小二乘法对故障参数估计值进行更新，构建了约束AR模型。这里的“约束”意味着在模型训练和预测过程中考虑了特定的限制条件，这有助于提高预测的稳定性和准确性。 通过将MSTUKF与约束AR模型相结合，文章实现了故障参数的在线估计与预测，即在系统运行过程中实时获取故障信息并进行未来状态的预测。仿真结果验证了这种方法的有效性，表明其在故障参数估计和预测精度上均优于传统的UKF算法和仅使用单个渐消因子的强跟踪UKF。 这篇研究工作为非线性系统的故障估计和预测提供了一个新的工具，即MSTUKF与约束AR模型的联合应用。这种方法不仅提高了故障参数的估计精度，还提升了预测的可靠性，对于保障系统的稳定运行和预防性维护具有重要的理论与实践意义。