受环境、工作载荷与自身材料、结构性能老化等因素的影响, 系统的性能会随着使用发生不可避免的退化.系统的性能退化最终会导致失效, 而失效的发生将带来经济、环境等多方面的损失, 甚至造成重大的安全事故.如果能够在系统完全失效之前进行有效预测, 并及时地进行维护和管理, 就可以有效地降低运行风险与成本, 提高系统的安全性与可靠性[1-2].因此, 预测与健康管理(Prognostics and health management, PHM)成为当前可靠性领域的研究热点问题, 基于退化现象的分析方法在解决系统剩余寿命(Remaining useful lifetime, RUL)预测问题时取得了一系列的成果[3-5].然而, 在剩余寿命预测时考虑控制作用的影响、对控制系统进行剩余寿命预测的研究几乎是空白.
隐含退化过程难以检测是闭环控制系统剩余寿命预测研究的一个难点.得益于特殊的闭环反馈结构, 控制系统可以补偿实际工作中产生的故障和扰动[6], 具有一定的容错能力.当采用容错控制(Fault tolerant control, FTC)[7-8]策略时, 闭环控制系统对故障的容错能力将进一步提升, 即使内部已经发生比较严重的性能退化, 系统输出可能仍然在正常范围之内.这使得内部部件的性能退化呈现隐含退化的特点, 给传统的寿命预测方法带来一定困难[9].在现有文献中, 针对隐含退化过程的剩余寿命预测研究通常采用基于随机滤波的方法[10]、基于协变量风险模型的方法[11]和基于隐Markov或隐半Markov模型的方法[12-13], Si等[5]对此进行了详细的综述.无论哪种方法, 都需要获得观测值与退化状态、失效率或寿命之间的关系模型, 由于控制系统的解析模型已知, 基于随机滤波的方法不需要利用一定的历史寿命数据进行模型辨识, 相比于其他方法更具优势.文献[14]研究了考虑执行器性能退化的控制系统故障检测问题, 提出一种自适应卡尔曼滤波算法在线估计出执行器故障等级.然而, 这类采用控制效能损失[14-18]程度对执行器退化水平建模的方法没有区分控制电路故障和执行器硬件性能退化这种早期微小故障[19]的区别, 在此基础上设计的容错控制方法可能会增大执行器负载、加重退化程度. Langeron等[20]将这种执行器故障模型[14-18]的不足总结为:与控制算法相独立、与任何形式的物理退化过程相独立、故障发生于确定的时间点. Xu等[21-22]针对动态系统提出一种实时可靠性预测方法, 选择系统模型参数作为表征系统性能的隐含退化量并采用粒子滤波算法在线辨识隐含的随机退化过程模型.然而, 由于没有考虑反馈控制的作用, 因而也就没有将退化过程模型与系统负载、控制算法联系在一起.
除了上述难点之外, 阈值大小的选择也是一个难点.由于退化过程隐含且不易观测, 因此缺乏历史失效时刻退化状态或观测值大小的经验数据, 难以根据工程经验直接给出阈值大小.文献[23]对阈值不确定这一问题进行了详尽的分析, 文献[24-26]也指出使用固定阈值是存在问题的.这一问题在闭环控制系统应用中尤其突出.除了系统内部一些部件发生性能退化会降低系统的控制品质并可能导致系统故障[27], 控制算法对当前运行环境下的随机干扰等不良影响的鲁棒性也是影响系统可靠性的重要因素.这两个因素互相耦合, 导致在不同的工作环境和工程需求下, 控制系统的失效时刻难以通过一个固定的失效阈值来判定, 而如果失效时刻本身不够准确, 那么在此基础上获得的历史寿命数据或剩余寿命预测结果也是不准确的.基于此, 本文考虑了系统隐含退化过程的失效阈值并非固定值的情况, 提出一种在线计算失效阈值的方法.
综上分析, 当控制系统的设计需要同时满足控制性能要求和可靠性要求, 尤其是当系统不具有执行器冗余度时, 就需要在控制性能和可靠性之间进行折中[28], 然而现有模型无法准确描述控制系统的可靠性.鉴于此, 本文提出一种考虑执行器性能退化的控制系统剩余寿命预测方法, 采用随机过程对执行器的退化水平进行建模, 并假设退化速率是一个与控制负载相关的变量.针对闭环反馈作用下部件呈现隐含退化的特点, 采用权值优选粒子滤波算法对系统输入输出的采样值进行分析, 进而估计系统状态和执行器隐含退化量.同时, 在预测时刻采用蒙特卡洛(Monte Carlo, MC)仿真以选择合理的执行器失效阈值, 通过将执行器的退化水平带入退化模型中外推出系统剩余寿命分布, 为后期健康管理活动提供可信依据.最后的仿真结果证明了本文所提方法的有效性.
1 问题描述考虑只有一个执行器发生性能退化的单输入单输出闭环控制系统
$ \begin{equation} \label{eq1} \begin{cases} {\dot{{x}}(t) }=\mathit{\boldsymbol{f}}\!\left( {t, \phi, \mathit{\boldsymbol{x}}(t), u(t) } \right)\mathit{\boldsymbol{+w}}\!\left( t \right) \\ y(t) =h\!\left( {t, \phi, \mathit{\boldsymbol{x}}(t) } \right)+v(t) \\ \end{cases} \end{equation} $ | (1) |
式中,
图 1展示了执行器性能退化过程与闭环控制系统失效过程的关系, 从图 1中可以看出, 执行器的控制效能连续缓慢下降, 导致执行器的实际输出受到影响. 图 1左上角输出残差
![]() |
图 1 考虑执行器性能退化的闭环控制系统失效过程 Fig. 1 Failure process of closed-loop controlled system considering performance degradation of an actuator |
由于本文仅考虑执行器的退化过程, 控制器的形式一经确定便不再改变.选择工业和过程控制领域常用的比例-积分-微分(Proportional integral differential, PID)控制算法作为闭环控制系统控制器的设计依据.定义
$ \begin{equation} \label{eq2} u(t) \!=\!K_{{\rm P}} \left[{e(t) \!+\!\frac{1}{T_{{\rm I}} }\int_0^t {e( \tau ){\rm d}\tau } +T_{{\rm D}} \frac{{\rm d}e(t) }{{\rm d}t}} \right] \end{equation} $ | (2) |
式中,
控制信号
$ \begin{equation} \label{eq3} x_{{\rm a}} (t) =g\!\left( {u(t), \phi } \right) \end{equation} $ | (3) |
式中,
文献[29-30]将控制效能损失视作一类执行器故障, 由于在连续负载下工作, 执行器的机械参数或电气参数发生缓慢变化, 进而导致其输出效能是一个渐变的、连续的退化过程.因此, 采用连续的随机过程对执行器的性能退化过程建模, 是一个合理的选择.常见的退化过程模型包括扩散过程模型[31-32]、Gamma过程模型[33]以及隐Markov模型[13]等.不论采用哪种退化模型都是对系统真实性能退化过程的近似描述, 其中的扩散过程作为一种连续的随机过程, 近年来被广泛应用于机电系统的退化建模, 适用于非单调、非线性的退化过程描述.因此, 本文采用扩散过程对执行器的控制效能退化建模, 并假设退化过程的参数已经通过辨识得到.令
$ \begin{equation} \label{eq4} \phi (t) =\phi ( 0 )+\int_0^t {\mu( {\tau, \mathit{\boldsymbol{x}}} )} {\rm d}\tau +\sigma_{{\rm B}} B(t) \end{equation} $ | (4) |
式中,
在进行剩余寿命预测之前首先要对系统失效进行定义.文献[34-35]将系统失效定义为系统丧失一定功能以至于无法继续完成预定任务, 认为这种任务需求可以通过某种阈值来表示, 而这个阈值可以是系统状态、参数或是输出的函数.同时, 文献[36]认为通过将系统真实输出与某种指标比较得到残差并对残差进行评价是得到故障检测结果的常用手段.对于图 1所示闭环跟踪系统, 预定任务就是使得系统输出有效跟踪预设的参考输出并将输出残差控制在一定范围之内, 而当执行器性能退化到一定程度, 系统从早期微小故障状态向显著故障[19]转变的时刻即为失效时刻.基于上述分析, 本文方法采用残差上界
$ \begin{equation} \label{eq5} T_{{\rm e}} =\inf \left\{ {t:\left| {e(t) } \right|\geq e_{\max } \left| {\left| {e(0)} \right|<e_{\max } } \right.} \right\} \end{equation} $ | (5) |
式中,
由图 1可知, 从开始时刻起很长一段时间内系统的输出残差变化较小, 不便于描述系统实时的健康水平, 因此在预测时对隐含退化量建模并提出一种基于变失效阈值的剩余寿命预测方法.基于该方法的系统寿命预测结果依赖于运行过程中对未来退化量的估计数据, 通常定义为未来退化量估计值
$ \begin{equation} \label{eq6} T_{\phi } =\inf \left\{ {t:\hat{{\phi }}(t) \leq \phi _{\min } \left| {\hat{{\phi }}(0)>\phi_{\min } } \right.} \right\} \end{equation} $ | (6) |
式中,
这里出现了式(5)和式(6)两种寿命定义, 对此说明如下:式(5)用作真实退化过程中系统是否失效的判断依据, 而式(6)用作预测计算过程中系统是否失效的判断依据.从图 1中可以看出, 由于性能参数的缓慢退化会导致控制器在某个时刻无法补偿随机干扰, 系统发散.因此在失效时刻前后, 系统输出残差变化非常剧烈.反过来说, 一定程度的残差上界不准确并不会引起失效时刻产生太大偏差, 这也是本文选取式(5)作为判断系统是否失效或发生显著故障依据的原因.这样一来, 失效时刻相对比较固定, 在不同大小的失效阈值下得到的预测结果才有了一个可信的参照, 即真实失效时间(对应于真实剩余寿命), 本文基于变阈值预测方法与传统基于固定阈值预测方法下的预测结果才有了可比性.
基于以上分析, 本文主要研究以下2个问题:
1) 如何在已知控制系统执行器退化模型的情况下确定合理的失效阈值, 建立基于隐含退化量失效阈值的系统失效判断准则;
2) 如何利用在线观测输入输出数据对隐含状态进行估计并实时预测系统的剩余寿命分布.
2 剩余寿命预测方法提出一种考虑退化速率受负载影响的基于扩散过程的非线性退化过程建模方法, 在已知系统状态模型和噪声模型的情况下, 在每一个预测时刻
首先定义系统基于残差准则的失效区域为
$ \begin{equation} \label{eq7} \begin{aligned} T_{{\rm RUL}} &=\inf \left\{ {t_{{\rm est}} \geq t, e(t_{{\rm est}} )\in {\cal F}} \right\}-t =\\ &\quad~ T_{e} -t\left| {T_{e} } \right.>t \\ \end{aligned} \end{equation} $ | (7) |
基于隐含退化量失效阈值的系统失效区域为
$ \begin{equation} \label{eq8} \begin{aligned} T_{{\rm RUL}}^{\ast } &=\inf \left\{ {t_{{\rm est}}^{{\rm \ast }} \geq t, \phi {\rm (}t_{{\rm est}}^{\ast } {\rm )}\in \Phi } \right\}-t =\\ &\quad~ T_{\phi } -t\left| {T_{\phi } } \right.>t \\ \end{aligned} \end{equation} $ | (8) |
式中,
$ %\begin{equation} % \label{eq9} \begin{align} &\Pr \!\left( {T_{\phi } >t_{{\rm est}}^{{\rm \ast }} \left| {Y_{1} =y_{1}, \cdots } \right., Y_{n} =y_{l} } \right) =\\\nonumber &\int {R_{\phi }\!\left( {t_{{\rm est}}^{{\rm \ast }} } \right)\mu_{y_{1}, \cdots, y_{l} }\!\left( {\rm d}\mathit{\boldsymbol{z}} \right)} \approx \sum\limits_{i=1}^{N_{{\rm p}} } {R_{\phi }\!\left( {t_{{\rm est}}^{\ast } } \right)} \mu_{y_{1}, \cdots, y_{l} } \end{align} %\end{equation} $ | (9) |
式中,
在不同预测时刻进行MC仿真, 选取式(8)中首达定义下的参考时刻
$ \begin{equation} \label{eq10} \phi_{\min } =\sum\limits_{i=1}^{N_{{\rm traj}} }\frac{{\phi_{i}\!\left( {t_{{\rm est}}^{{\rm \ast }} } \right)} }{{N_{\rm traj} }} \end{equation} $ | (10) |
式中,
![]() |
图 3 预测建模原理图 Fig. 3 Illustration of the prediction modelling principle |
真实的控制系统由于随机干扰带来的时变不确定性, 可能会出现不同的退化轨迹, 如图 2中退化轨迹1和退化轨迹2所示.由于预测时刻不同, MC仿真的初值不同, 系统未来退化轨迹的预期也就不同. 图 2中故障易发区就是在第2节问题描述中阐述的系统已经达到控制约束上界或鲁棒性较差的区域.如果采用固定的失效阈值
![]() |
图 2 变失效阈值和固定失效阈值的对比 Fig. 2 Comparison of variable failure threshold and fixed failure threshold |
为了方便对系统状态进行滤波估计, 首先对控制系统(1)、控制律(3)和退化量(5)进行欧拉离散化处理
$ \begin{equation} \label{eq11} \begin{cases} \mathit{\boldsymbol{x}}_{k+1} =f( {\mathit{\boldsymbol{x}}_{k}, \phi_{k}, u_{k} } )+ \mathit{\boldsymbol{w}}_{k} \\ \phi_{k+1} =\phi_{k} +\mu( {\mathit{\boldsymbol{x}}_{k} } )+\sigma _{B} B(t_{k} ) \\ y_{k} =h( {\mathit{\boldsymbol{x}}_{k} } )+v_{k} \\ \end{cases} \end{equation} $ | (11) |
$ \begin{equation} \label{eq12} \begin{aligned} u_{k} &=u_{k-1} +K_{{\rm P}} \!\left[{\left( {1+\frac{\Delta t}{T_{{\rm I}} }+\frac{T_{{\rm D}} }{\Delta t}} \right)e_{k} } \right. +\\ &\quad~ \left.\left( {-1-\frac{2T_{{\rm D}} }{\Delta t}} \right)e_{k-1} +\frac{T_{{\rm D}} }{\Delta t}e_{k-2} \right] \\ \end{aligned} \end{equation} $ | (12) |
从式(11)可以看出, 隐含退化量
本文参照文献[37]将系统原状态量
$ \begin{equation} \label{eq13} \mathit{\boldsymbol{z}}_{k} =\begin{pmatrix} \mathit{\boldsymbol{x}}_{k} \\ \phi_{k} \\ \end{pmatrix} \end{equation} $ | (13) |
考虑到退化过程是一个非线性扩散过程, 且退化速率与系统状态量之间有耦合, 因此本文采用基于递归贝叶斯估计理论的粒子滤波(Particle filter, PF)算法解决扩维状态变量的联合估计问题.粒子滤波对系统模型的要求较为宽松, 适用于强非线性非高斯系统, 不过粒子权值退化和多样性匮乏问题是难以完全消除的一对矛盾[38].粒子滤波算法有许多种改进和变形, 本文采用在著名的序贯重要性重采样(Sequential importance resampling, SIR)算法[39]基础上改进的基于权值优选的粒子滤波器[40]以克服粒子贫化的问题.
基于权值优选的粒子滤波算法[40]的基本思想是:从众多备选粒子中选出权值较大的粒子用来参与将来时刻系统状态估计的迭代运算, 这样剩下的大量粒子在不影响滤波精度的情况下可以保持粒子的多样性.算法流程如下:
1) 初始化
对
2) 状态更新
已知
3) 权值更新
根据
$ \begin{equation} \label{eq14} w_{k}^{(i)} =w_{k-1}^{(i)} \frac{p\!\left( {\mathit{\boldsymbol{y}}_{k} \left| {{\tilde{{z}}}_{k}^{(i)} } \right.} \right)p\!\left( {{\tilde{{z}}}_{k}^{(i)} \left| {\mathit{\boldsymbol{z}}_{k-1}^{(i)} } \right.} \right)}{q\!\left( {{\tilde{{z}}}_{k}^{(i)} \left| {\mathit{\boldsymbol{z}}_{0:k-1}^{(i)}, \mathit{\boldsymbol{y}}_{1:k} } \right.} \right)} \end{equation} $ | (14) |
式(14)展示了粒子滤波又被称为序贯MC方法中序贯的含义.
4) 粒子选优
对这
5) 权值归一化
对选出的
$ w_{k}^{(i)} =\frac{w_{k}^{(i)} }{\sum\limits_{i=1}^{N_{{ p}} } {w_{k}^{(i)} } } $ |
6)
$ \begin{equation} \label{eq15} \mathit{\boldsymbol{z}}_{k}^{\ast } \approx \sum\limits_{i=1}^{N_{{\rm p}} } {w_{k}^{(i)} } \times {\tilde{{z}}}_{k}^{(i)} \end{equation} $ | (15) |
7) 权值恢复
先将选出来的
$w_{k}^{(i)} =\frac{w_{k}^{(i)} }{\sum\limits_{i=1}^{N_{{\rm s}} } {w_{k}^{(i)} } } $ |
8) 重采样
如果
9) 求得状态量的概率分布
实时更新状态量
$ \begin{equation} \label{eq16} \begin{aligned} p\!\left( {\mathit{\boldsymbol{z}}_{k} \left| {\mathit{\boldsymbol{y}}_{1:k} } \right.} \right)&=\hat{{p}}\!\left( {\mathit{\boldsymbol{z}}_{k} \left| {\mathit{\boldsymbol{y}}_{1:k} } \right.} \right)\approx \\ & \sum\limits_{i=1}^{N_{{\rm p}} } {w_{k}^{(i)} } \delta _{\mathit{\boldsymbol{z}}_{k}^{(i)} } \!\left( {\mathit{\boldsymbol{z}}_{k} -\mathit{\boldsymbol{z}}_{k-1}^{(i)} } \right) \end{aligned} \end{equation} $ | (16) |
返回步骤2)进行循环迭代.
图 3展示了基于粒子滤波的扩维状态估计和系统剩余寿命在线预测的过程. 图 3中剩余寿命PDF是在
由于预测时刻进行MC仿真的计算量较大, 假设系统仿真步长和粒子滤波采样间隔为
假设初始时刻为
1) 确定初始状态及仿真次数
通过式(15)计算得到
2) 利用自举法产生仿真轨迹并分配初始状态
For
a) 生成随机数:
b) 初始化累计概率
c) For
3) MC仿真
以
仿真采用惯性平台稳定回路控制系统[41]对本文提出的剩余寿命预测方法进行验证.如图 4所示, 该控制系统的传感器由平台上的敏感元件组成, 如陀螺仪、加速度计等; 控制器由框架角传感器和位置补偿控制器共同组成; 执行器直接作用于产生系统输出的被控对象, 此处执行器为力矩电机.
![]() |
图 4 惯性平台稳定回路控制系统 Fig. 4 Stabilization loop controlled system in inertial platform |
系统模型如下[41]:
$ \begin{equation} \label{eq17} \begin{cases} L_{{\rm m}} \dfrac{{\rm d}i_{{\rm m}} }{{\rm d}t}+R_{{\rm m}} i_{{\rm m}} +K_{{\rm e}} \omega_{{\rm p}} =U_{{\rm m}} \\ \left( {J_{{\rm m}} +J_{{\rm L}} } \right)\dfrac{{\rm d}\omega_{{\rm p}} }{{\rm d}t}=K_{{\rm m}} i_{{\rm m}} \\ \dfrac{{\rm d}\theta }{{\rm d}t}=\omega_{{\rm p}} \\ \end{cases} \end{equation} $ | (17) |
式中,
由于执行器在工作过程中存在控制效能损失的现象, 系统模型中的模型参数也会随之变化, 而力矩系数中包含了电机的内部结构特征和性能水平, 因此假设隐含退化量为力矩系数
$ \begin{equation} \label{eq18} K_{{\rm m}} (t) =K_{{\rm m}} (0)+\int_0^t {\mu \!\left( {\tau ;i_{{\rm m}} } \right)} {\rm d}\tau +\sigma_{{\rm B}} B(t) \end{equation} $ | (18) |
式中,
$ \begin{equation} \label{eq19} \mu \!\left( {\tau ;i_{{\rm m}} } \right)=\lambda i_{{\rm m}}^{2}\!\left( \tau \right) \end{equation} $ | (19) |
式中,
$ \begin{equation} \label{eq20} K_{{\rm m}} (t) =K_{{\rm m}} (0)+\lambda \int_0^t {i_{{\rm m}}^{2}\!\left( \tau \right)} {\rm d}\tau +\sigma_{{\rm B}} B(t) \end{equation} $ | (20) |
数字式稳定回路控制系统建立在采样数据的基础上, 利用采样数据可以方便地对隐含退化量进行粒子滤波估计.因此, 对稳定回路采用数字PID控制, 且对控制系统仿真和粒子滤波选择相同的采样周期.为了描述和编程方便, 令
$ \begin{align} t_{k} &=t_{k-1} +\Delta t\\ y_{k} &=x_{3_{k} } \\\nonumber y_{k}^{{\rm ref}} &=\frac{\pi }{2}\sin \!\left( {0.001\cdot t_{k} } \right)\\ \end{align} $ | (21) |
$ \begin{align}e_{k} &=y_{k}^{{\rm ref}} -x_{3_{k} }\\ u_{k} &=u_{k-1} +K_{{\rm P}}\! \left[{\left( {1+\frac{\Delta t}{T_{{\rm I}} }+\frac{T_{{\rm D}} }{\Delta t}} \right)e_{k} } +\right. \\\nonumber &\quad~ \left. {\left( {-1-\frac{2T_{{\rm D}} }{\Delta t}} \right)e_{k-1} +\frac{T_{{\rm D}} }{\Delta t}e_{k-2} } \right] \\ \end{align} $ | (22) |
$ \begin{align} \label{eq22} u_{k} &=\begin{cases} u_{\max } :u_{k} >u_{\max } \\ u_{k} :u_{\min } \leq u_{k} \leq u_{\max } \\ u_{\min } :u_{k} <u_{\min } \\ \end{cases}\\ \end{align} $ | (23) |
$ \begin{align} \label{eq23} x_{1_{k+1} } &=\left( {-\frac{R_{{\rm m}} \Delta t}{L_{{\rm m}} }+\Delta t+1} \right)x_{1_{k} } + \\\nonumber &\quad~ \left( {-\frac{K_{{\rm e}} \Delta t}{L_{{\rm m}} }} \right)x_{2_{k} } +\frac{\Delta t}{L_{{\rm m}} }u_{k} +Q_{1_{k} } \\ \end{align} $ | (24) |
$ \begin{align} \label{eq24} x_{2_{k+1} } =\frac{\Delta t}{J}x_{1_{k} } x_{4_{k} } +x_{2_{k} } +Q_{2_{k} } \\ \end{align} $ | (25) |
$ \begin{align} \label{eq25} x_{3_{k+1} } =\Delta t\cdot x_{2_{k-1} } +x_{3_{k-1} } +Q_{3_{k} } \\ \end{align} $ | (26) |
$ \begin{align} \label{eq26} x_{4_{k+1} } =\lambda \Delta t\cdot \left( {x_{1_{k} } } \right)^{2}+x_{4_{k} } +\sigma_{{\rm B}} B_{k} \end{align} $ | (27) |
其中, 仿真步长取
在初始时刻, 首先按照表 1对各个参数以及状态变量进行初始化设置.在到达预测时刻之前的每一个采样时刻, 同时对系统进行仿真和粒子滤波,
![]() |
表 1 惯性平台稳定回路模型 Table 1 Stabilization loop model in inertial platform |
实验中粒子规模取为
图 5 (a)~(f)展示的是系统的真实失效过程以及粒子滤波采样结果.从图 5中可以看出, 在闭环反馈的作用下, 系统在40 s之前一直保持稳定工作, 系统输出能够有效跟踪参考信号, 然而力矩系数已经发生退化.此时, 通过对隐含退化量设置合理的阈值来预测失效时刻, 相比基于输出信号分析的寿命预测方法更加有效.从图 5 (c)中可以明显地看出电枢电流(即状态
![]() |
图 5 惯性平台稳定回路控制系统仿真 Fig. 5 Simulation of stabilization loop controlled system for inertial platform |
最后一步是在间隔
图 6表示在不同时刻系统剩余寿命分布的预测结果.由图 6可见, 距离系统失效时刻越近, 剩余寿命分布就越集中, 预测均值相对于系统真实剩余寿命的差距也越小, 意味着预测的不确定性降低, 精度提高.同时, 基于变阈值失效准则的系统剩余阈值寿命与基于输出残差失效准则的真实剩余寿命也越接近, 这是因为采用的变阈值方法充分利用了在线数据, 对失效阈值起到了在线调整以逼近真实失效过程的作用.
![]() |
图 6 系统的剩余寿命分布 Fig. 6 Remaining reliability life distribution of the system |
图 7是系统在不同预测时刻、不同失效阈值下的可靠度直方图, 可见预测时刻越接近失效时刻, 基于变阈值的可靠度曲线越陡峭, 这说明系统由于控制效能损失导致控制冗余度下降, 在
![]() |
图 7 不同预测时刻的可靠度 Fig. 7 Reliability calculated at different predicting moments |
为进一步定量比较不同时刻剩余寿命预测结果的精度, 引入剩余寿命的均方误差:
$ \begin{align} \label{eq27} MSE_{e} =\sum\limits_{i=1}^{N_{{\rm traj}} } \frac{{\left( {T_{_{{\rm RUL}_{K_{{\rm m}} } } }^{(i)} -T_{e} } \right)^{2}} }{{N_{{\rm traj}} }} \end{align} $ | (28) |
$ \begin{align} \label{eq28} MSE_{K_{{\rm m}} } =\sum\limits_{i=1}^{N_{{\rm traj}} } \frac{ {\left( {T_{_{{\rm RUL}_{K_{{\rm m}} } } }^{(i)} -T_{K_{{\rm m}} } } \right)^{2}} } {{N_{{\rm traj}} }} \end{align} $ | (29) |
式中,
![]() |
表 2 基于固定阈值不同时刻预测结果对比 Table 2 Comparison of prediction results based on fixed threshold at different times |
![]() |
表 3 基于变阈值不同时刻预测结果对比 Table 3 Comparison of prediction results based on variable threshold at different times |
从表 2中可以看出, 基于固定阈值方法在不同时刻的预测精度依赖于所选固定阈值的大小和准确性, 其中表征预测精度的指标
本文针对考虑执行器性能退化的闭环控制系统, 提出一种基于解析模型的控制系统剩余寿命预测方法.首先, 采用权值优选粒子滤波算法, 利用在线输入输出数据估计出执行器的隐含退化量; 然后, 利用MC仿真设置合理的失效阈值, 建立基于变失效阈值的系统失效判断准则; 最后, 将隐含退化量的估计值代入退化模型中外推出剩余寿命分布.仿真实验表明, 本文提出的方法能够解决闭环控制系统的可靠性评估问题, 为系统失效前的健康管理活动提供可信依据, 提高了系统的安全性和可靠性.相比于传统的单部件系统预测方法, 本文方法考虑了控制作用的影响, 具有潜在的工程应用价值.
下一步可能的研究方向包括: 1)实际工程中的控制系统往往是由多执行器、多传感器、多控制器共同组成的, 这些部件都有可能发生性能退化而导致系统失效, 可以针对多部件隐含退化过程展开研究; 2)可以根据剩余寿命预测结果进行相应的维修、管理, 或是改进控制器的设计以延长系统寿命, 使该方法进一步应用到实际工程中.
1 |
Jardine A K S, Lin D M, Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 2006, 20(7): 1483-1510. DOI:10.1016/j.ymssp.2005.09.012 |
2 |
Zhou Dong-Hua, Wei Mu-Heng, Si Xiao-Sheng. A survey on anomaly detection, life prediction and maintenance decision for industrial processes. Acta Automatica Sinica, 2013, 39(6): 711-722. ( 周东华, 魏慕恒, 司小胜. 工业过程异常检测、寿命预测与维修决策的研究进展. 自动化学报, 2013, 39(6): 711-722.) |
3 |
Jha M S, Dauphin-Tanguy G, Ould-Bouamama B. Particle filter based hybrid prognostics for health monitoring of uncertain systems in bond graph framework. Mechanical Systems and Signal Processing, 2016, 75: 301-329. DOI:10.1016/j.ymssp.2016.01.010 |
4 |
Li Xin, Lv Chen, Wang Zi-Li, Tao Xiao-Chuang. Self-adaptive health condition prediction considering dynamic transfer of degradation mode. Acta Automatica Sinica, 2014, 40(9): 1889-1895. ( 李鑫, 吕琛, 王自力, 陶小创. 考虑退化模式动态转移的健康状态自适应预测. 自动化学报, 2014, 40(9): 1889-1895.) |
5 |
Si X S, Wang W B, Hu C H, Zhou D H. Remaining useful life estimation——a review on the statistical data driven approaches. European Journal of Operational Research, 2011, 213(1): 1-14. DOI:10.1016/j.ejor.2010.11.018 |
6 |
Nguyen D N, Dieulle L, Grall A. A deterioration model for feedback control systems with random environment. In: Proceedings of the 22nd Annual Conference on European Safety and Reliability. Amsterdam, the Netherlands: Elsevier, 2014. DOI: 10.1201/b15938-273
|
7 |
Yin S, Xiao B, Ding S X, Zhou D H. A review on recent development of spacecraft attitude fault tolerant control system. IEEE Transactions on Industrial Electronics, 2016, 63(5): 3311-3320. DOI:10.1109/TIE.2016.2530789 |
8 |
Yadegar M, Afshar A, Meskin N. Fault-tolerant control of non-linear systems based on adaptive virtual actuator. IET Control Theory & Applications, 2017, 11(9): 1371-1379. |
9 |
Nguyen D N, Dieulle L, Grall A. Remaining useful lifetime prognosis of controlled systems:a case of stochastically deteriorating actuator. Mathematical Problems in Engineering, 2015, 2015:Article No.356916. |
10 |
Feng Lei, Wang Hong-Li, Si Xiao-Sheng, Yang Xiao-Jun, Wang Biao-Biao. Real-time residual life prediction based on semi-stochastic filter and expectation maximization algorithm. Acta Aeronautica et Astronautica Sinica, 2015, 36(2): 555-563. ( 冯磊, 王宏力, 司小胜, 杨晓君, 王标标. 基于半随机滤波——期望最大化算法的剩余寿命在线预测. 航空学报, 2015, 36(2): 555-563.) |
11 |
Ghasemi A, Yacout S, Ouali M S. Evaluating the reliability function and the mean residual life for equipment with unobservable states. IEEE Transactions on Reliability, 2010, 59(1): 45-54. DOI:10.1109/TR.2009.2034947 |
12 |
Peng Y, Dong M. A prognosis method using age-dependent hidden semi-Markov model for equipment health prediction. Mechanical Systems and Signal Processing, 2011, 25(1): 237-252. DOI:10.1016/j.ymssp.2010.04.002 |
13 |
Shang Yong-Shuang, Li Wen-Hai, Liu Chang-Jie, Sheng Pei. Prediction of remaining useful life for equipment with partially observed information. Acta Aeronautica et Astronautica Sinica, 2012, 33(5): 848-854. ( 尚永爽, 李文海, 刘长捷, 盛沛. 部分可观测信息条件下装备剩余寿命预测. 航空学报, 2012, 33(5): 848-854.) |
14 |
Zhang Y M, Jiang J, Theilliol D. Incorporating performance degradation in fault tolerant control system design with multiple actuator failures. International Journal of Control, Automation, and Systems, 2008, 6(3): 327-338. |
15 |
Boussaid B, Aubrun C, Abdelkrim M, Gayed M. Performance evaluation based fault tolerant control with actuator saturation avoidance. International Journal of Applied Mathematics and Computer Science, 2011, 21(3): 457-466. DOI:10.2478/v10006-011-0034-x |
16 |
Yu X, Jiang J. Hybrid fault-tolerant flight control system design against partial actuator failures. IEEE Transactions on Control Systems Technology, 2012, 20(4): 871-886. DOI:10.1109/TCST.2011.2159606 |
17 |
Yang H J, Zhang L Y, Zhao L, Yuan Y. Fault-tolerant control of delta operator systems with actuator saturation and effectiveness loss. International Journal of Systems Science, 2016, 47(10): 2428-2439. DOI:10.1080/00207721.2014.998320 |
18 |
Han S Y, Chen Y H, Tang G Y. Fault diagnosis and fault-tolerant tracking control for discrete-time systems with faults and delays in actuator and measurement. Journal of the Franklin Institute, 2017, 354(12): 4719-4738. DOI:10.1016/j.jfranklin.2017.05.027 |
19 |
Wen Cheng-Lin, Lv Fei-Ya, Bao Zhe-Jing, Liu Mei-Qin. A review of data driven-based incipient fault diagnosis. Acta Automatica Sinica, 2016, 42(9): 1285-1299. ( 文成林, 吕菲亚, 包哲静, 刘妹琴. 基于数据驱动的微小故障诊断方法综述. 自动化学报, 2016, 42(9): 1285-1299.) |
20 |
Langeron Y, Grall A, Barros A. A modeling framework for deteriorating control system and predictive maintenance of actuators. Reliability Engineering & System Safety, 2015, 140: 22-36. |
21 |
Xu Z G, Ji Y D, Zhou D H. Real-time reliability prediction for a dynamic system based on the hidden degradation process identification. IEEE Transactions on Reliability, 2008, 57(2): 230-242. DOI:10.1109/TR.2008.916882 |
22 |
Xu Z G, Ji Y D, Zhou D H. A new real-time reliability prediction method for dynamic systems based on on-line fault prediction. IEEE Transactions on Reliability, 2009, 58(3): 523-538. DOI:10.1109/TR.2009.2026785 |
23 |
Chehade A, Bonk S, Liu K B. Sensory-based failure threshold estimation for remaining useful life prediction. IEEE Transactions on Reliability, 2017, 66(3): 939-949. DOI:10.1109/TR.2017.2695119 |
24 |
Wang P, Coit D W. Reliability and degradation modeling with random or uncertain failure threshold. In: Proceedings of the 2007 Annual Reliability and Maintainability Symposium. Orlando, USA: IEEE, 2007. 392-397 http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=4126383
|
25 |
Liu K B, Gebraeel N Z, Shi J J. A data-level fusion model for developing composite health indices for degradation modeling and prognostic analysis. IEEE Transactions on Automation Science and Engineering, 2013, 10(3): 652-664. DOI:10.1109/TASE.2013.2250282 |
26 |
Liu K B, Huang S. Integration of data fusion methodology and degradation modeling process to improve prognostics. IEEE Transactions on Automation Science and Engineering, 2016, 13(1): 344-354. DOI:10.1109/TASE.2014.2349733 |
27 |
Nguyen D N, Dieulle L, Grall A. Remaining useful life estimation of stochastically deteriorating feedback control systems with a random environment and impact of prognostic result on the maintenance process. In: Proceedings of the 2nd European Conference of the Prognostics and Health Management Society. Nantes, France: Elsevier, 2014. DOI: 10.1.1.653.8986
|
28 |
Lorton A, Fouladirad M, Grall A. A methodology for probabilistic model-based prognosis. European Journal of Operational Research, 2013, 225(3): 443-454. DOI:10.1016/j.ejor.2012.10.025 |
29 |
Yang H, Jiang B. Fault detection and accommodation via neural network and variable structure control. Journal of Control Theory and Applications, 2007, 5(3): 253-260. DOI:10.1007/s11768-005-5204-7 |
30 |
Langeron Y, Grall A, Barros A. Actuator health prognosis for designing LQR control in feedback systems. Chemical Engineering Transactions, 2013, 33: 979-984. |
31 |
Si X S, Wang W B, Hu C H, Zhou D H, Pecht M G. Remaining useful life estimation based on a nonlinear diffusion degradation process. IEEE Transactions on Reliability, 2012, 61(1): 50-67. DOI:10.1109/TR.2011.2182221 |
32 |
Si Xiao-Sheng, Hu Chang-Hua, Zhou Dong-Hua. Nonlinear degradation process modeling and remaining useful life estimation subject to measurement error. Acta Automatica Sinica, 2013, 39(5): 530-541. ( 司小胜, 胡昌华, 周东华. 带测量误差的非线性退化过程建模与剩余寿命估计. 自动化学报, 2013, 39(5): 530-541.) |
33 |
Pan Z Q, Balakrishnan N. Reliability modeling of degradation of products with multiple performance characteristics based on Gamma processes. Reliability Engineering & System Safety, 2011, 96(8): 949-957. |
34 |
Beganovic N, Söffker D. Remaining lifetime modeling using State-of-Health estimation. Mechanical Systems and Signal Processing, 2017, 92: 107-123. DOI:10.1016/j.ymssp.2017.01.031 |
35 |
Daigle M J, Goebel K. A model-based prognostics approach applied to pneumatic valves. International Journal of Prognostics and Health Management, 2011, 2(2): 84-99. |
36 |
Zhou Dong-Hua, Liu Yang, He Xiao. Review on fault diagnosis techniques for closed-loop systems. Acta Automatica Sinica, 2013, 39(11): 1933-1943. ( 周东华, 刘洋, 何潇. 闭环系统故障诊断技术综述. 自动化学报, 2013, 39(11): 1933-1943.) |
37 |
Nguyen D N, Dieulle L, Grall A. Feedback control system with stochastically deteriorating actuator: remaining useful life assessment. In: Proceedings of the 19th World Congress of the International Federation of Automatic Control. Cape Town, South Africa: IFAC, 2014. 3244-3249
|
38 |
Li Tian-Cheng, Fan Hong-Qi, Sun Shu-Dong. Particle filtering:theory, approach, and application for multitarget tracking. Acta Automatica Sinica, 2015, 41(12): 1981-2002. ( 李天成, 范红旗, 孙树栋. 粒子滤波理论、方法及其在多目标跟踪中的应用. 自动化学报, 2015, 41(12): 1981-2002.) |
39 |
Gordon N J, Salmond D J, Smith A F M. Novel approach to nonlinear/non-Gaussian Bayesian state estimation. IEE Proceedings F-Radar and Signal Processing, 1993, 140(2): 107-113. DOI:10.1049/ip-f-2.1993.0015 |
40 |
Zhang Qi, Hu Chang-Hua, Qiao Yu-Kun, Cai Yan-Ning. Fault prediction algorithm based on weight selected particle filter. Systems Engineering and Electronics, 2009, 31(1): 221-224. ( 张琪, 胡昌华, 乔玉坤, 蔡艳宁. 基于权值选优粒子滤波器的故障预测算法. 系统工程与电子技术, 2009, 31(1): 221-224. DOI:10.3321/j.issn:1001-506X.2009.01.050) |
41 |
Zhong Mai-Ying, Jiao Cheng-Bin, Li Shu-Sheng, Zhao Yan. Study on the compensation method for disturbance torque of three-axis inertially stabilized platform based on PMI. Chinese Journal of Scientific Instrument, 2014, 35(4): 781-787. ( 钟麦英, 矫成斌, 李树胜, 赵岩. 基于PMI的三轴惯性稳定平台干扰力矩补偿方法研究. 仪器仪表学报, 2014, 35(4): 781-787.) |