数据驱动的多模型传感器故障软闭环容错控制

"这篇论文研究了多模型传感器故障软闭环容错控制的策略，主要针对非线性系统中传感器可能出现的故障，如卡死、恒增益和恒偏差等问题。作者提出了一个基于数据驱动的控制方法，利用历史数据构建了RBF神经网络、最小二乘支持向量机和核部分最小二乘三种预测模型。通过序贯概率比检验算法，这些模型产生的残差用于传感器故障检测。在检测到故障后，采取多个模型的预测值融合来替代故障传感器的输出，实现软闭环容错控制。这种方法在实际的一阶水箱液位控制系统中得到了验证，显示出了对传感器故障的可靠诊断和高性能容错能力。" 本文详细探讨了在非线性系统中如何应对传感器故障的问题，指出传统单一模型的故障检测与容错控制可能存在不足。为解决这个问题，作者提出了一种创新的数据驱动的多模型软闭环容错控制方法。首先，利用系统的历史数据，构建了三个不同的预测模型：RBF神经网络模型、最小二乘支持向量机模型和核部分最小二乘模型。这些模型可以捕捉系统行为的不同方面，从而提高故障检测的准确性。 接下来，论文引入了序贯概率比检验算法，通过比较多个模型的残差，来判断传感器是否出现故障。这种统计测试方法可以有效地识别异常信号，增强了故障检测的可靠性。一旦传感器被诊断为故障，不再依赖其输出，而是采用模型融合的预测值作为新的系统状态反馈，形成软闭环控制，从而保证系统的正常运行。 实验部分，该方法被应用于一阶水箱液位控制系统的模拟中，结果表明，多残差分析与序贯概率比检验的组合能有效诊断传感器故障，而多预测值的优化融合则确保了在故障情况下的系统安全性和性能。 这篇研究提供了一个实用的框架，用于处理非线性系统中传感器故障的检测和控制问题，它强调了数据驱动的多模型方法和统计诊断技术在容错控制中的重要性。这一工作对于工业自动化、航空航天、能源管理等领域具有重要的理论和实践意义，因为这些领域中的复杂系统往往面临传感器故障的挑战。