数据驱动的离散时间非线性系统的自适应故障诊断与容错控制

Practical engineering systems are inevitably non-linear subject to faults（actuator fault，sensor fault, component/parameter fault）and external disturbances (process disturbance and measurement noises) . In most cases, the precise mathematical models of complex nonlinear systems are difficult to be established, and system faults unexpected occurs and their further development may lead to system unstability, such that the control systems design become very hard. The data-driven control methods do not depend on the exact mathematical model of the controlled plants, so that the controller could be designed directly by only using the systems input and output data. Therefore, the research on data-driven fault diagnosis and fault tolerant control for nonlinear systems becomes a novel research hotspot.. For the discrete-time repetitive and non-repetitive nonlinear systems, a series of data-driven fault diagnosis and fault tolerant control methods combining with the theories concerning model free adaptive control, iterative learning control, robust adaptive fault tolerant control, Kalman filtering, state observer, are proposed to address fault detection, fault isolation, fault identification, fault compensation in this research. The rigorous stability and convergence analysis will be further studied. The system state optimal estimation and system output precise tracking could be achieved by using the investigated methods with systems input and output data, which will be further verified in experimental platform. These studies in this project will enrich and perfect the theory framework of data-driven control and filtering. Hence, this work is of significant importance for academic and theory research.

在实际工程系统中，由于故障（包括执行器故障、传感器故障以及元部件/参数故障等）和外界干扰引起的非线性通常不可避免。由于复杂非线性系统难以建立精确的数学模型，故障的发生及其发展会导致系统失稳等严重问题，给控制系统设计带来诸多挑战。数据驱动控制方法仅利用系统输入输出数据即可进行控制器设计。因此，数据驱动的非线性系统故障诊断与容错控制研究成为控制领域的新热点。. 本项目以离散时间重复和非重复运行的非线性系统为研究对象，结合无模型自适应控制、迭代学习控制、鲁棒自适应、卡尔曼滤波、状态观测器等方法，提出一系列数据驱动的故障诊断与容错控制新方法，综合使用被控系统的I/O数据，有效处理故障信息的检测、隔离、辨识、补偿，实现系统状态的优化估计和输出的精确跟踪，给出稳定性和收敛性分析，并仿真验证。本课题的研究将进一步丰富和完善数据驱动控制和滤波理论体系，具有重要的学术意义和理论价值。

本项目主要围绕非线性系统的故障诊断与容错控制问题，从“数据驱动”和“自适应”思想的角度进行研究。研究内容主要包括数据驱动滤波方法、数据驱动控制方法以及数据驱动滤波与控制在故障诊断与容错控制中的应用三大方面。针对存在执行器故障的、参数时变、模型结构变化的离散非线性系统，仅依赖于被控对象的I/O量测数据进行动态线性化，通过设计数据驱动滤波算法，实现了系统状态估计和执行器故障因子的实时准确估计。针对多故障情形下的非线性系统，提出数据驱动自适应滤波方法，在线自适应调整其协方差矩阵，实现故障信息的分别实时准确估计。针对离散时间重复运行的非线性系统，提出基于迭代自适应卡尔曼滤波的数据驱动故障诊断方法，对系统伪偏导数进行了在线辨识。针对存在非严格重复的传感器故障问题，提出基于迭代自适应卡尔曼滤波的数据驱动故障诊断方法，实现迭代域的故障检测与隔离及状态最优估计。针对存在传感器故障的非重复运行非线性系统，提出了数据驱动的无模型自适应容错控制方法。针对存在控制输入饱和、状态时滞和执行器故障的重复运行非线性系统，提出数据驱动的鲁棒自适应迭代学习容错控制方法。本项目的所完成的成果总结如下：1)共发表(含录用)学术论文以及专利15项(SCI期刊6篇，EI期刊1篇，中文核心2篇，国际会议论文5篇，发明专利1项，软件著作权3项，教材1部)；2)培养毕业硕士研究生1名，在读硕士研究生3名。本项目在理论方面，将数据驱动滤波与控制方法在研究方向(多故障并存的、带有扰动的、时滞系统、输入输出受限、有限时间控制、多智能体编队控制、一致性协调控制)等方面进行了深入的研究，进一步完善了数据驱动滤波与控制方法的理论体系，为数据驱动滤波与控制领域提供了一系列有效的方法。在应用层面，所研究方法的对比仿真结果促进了其在非线性系统建模、系统辨识、状态估计和控制器设计中的应用，因此本项目具有重要的理论价值和实际意义。