一種基于殘差觀測器的3ptt-2r串并聯數控機床伺服系統故障預測裝置及方法
【技術領域】
[0001]本發明涉及一種基于殘差觀測器的3PTT-2R串并聯數控機床伺服系統故障預測裝 置及方法，屬于機床故障信號檢測領域。
【背景技術】
[0002] 自20世紀70年代以來，基于模型的故障診斷方法一直是學術界與工程應用領域研 究人員關注的熱點方法。基于濾波器的方法主要包括基于卡爾曼濾波器(Kalman fi 1 ter) 的方法、基于強跟蹤濾波器（strong tracking filter)的方法、基于模糊卡爾曼濾波器 (fuzzy Kalman filter)的方法和基于粒子濾波器(particle filter)的方法。雖然取得了 一些成果，但是也存在一些問題。以往利用濾波器方法進行故障預測時，往往都是先估計出 故障參數的狀態，然后將該狀態與設定的閥值進行對比，進而判斷故障。這會導致當設定的 閥值與正常狀態值太接近時，系統極容易誤報;而當設定的閥值太遠離正常狀態值時，系統 又會極容易出現漏報的問題。另一方面，大多數的實際系統往往是非線性系統。由于非線性 系統的實際模型具有不同程度的不確定性，如近似化、輸入干擾，再加上環境中各種噪聲的 影響，對于故障參數變化函數未知的情況，上述非線性濾波對于故障參數的估計精度不高， 甚至可能發散。而這會導致誤報和系統的靈敏度降低。
[0003] 針對上述問題，本發明提高一種基于殘差觀測器的故障預測方法，不再單純利用 預測狀態進行故障預測，而是將觀測器的輸出值與系統輸出值對比，產生殘差信號，同時， 提出改進的強跟蹤濾波方法對殘差信號進行濾波處理，解決噪聲干擾等對非線性系統的影 響，提高了系統魯棒性。通過分析殘差信號來反映系統期望行為與運行模式之間的不一致， 實現隱含故障的預測，避免了單一狀態閥值造成的漏報和誤報，取得了較為滿意的效果。
【發明內容】
[0004] 本發明目的是為了解決傳統故障預測方法單純利用預測狀態進行故障預測，同 時，非線性濾波對于故障參數的估計精度不高，極易造成誤報和漏報的問題，提供了一種基 于殘差觀測器的3PTT-2R串并聯數控機床伺服系統故障預測裝置及方法。
[0005] 本發明所述一種基于殘差觀測器的3PTT-2R串并聯數控機床伺服系統故障預測裝 置，目的在于解決純利用預測狀態進行故障預測，同時，非線性濾波對于故障參數的估計精 度不高，極易造成誤報和漏報的問題。因此，本發明的3PTT-2R串并聯數控機床伺服系統進 行故障預測裝置包括3PTT-2R串并聯數控機床動力學模型模塊、殘差觀測器模塊、改進的強 跟蹤濾波模塊和故障預測模塊。
[0006] 3PTT-2R串并聯數控機床動力學模模塊根據控制器輸出的轉速等狀態信號構建串 并聯數控機床動力學模型，并根據動力學模型將速度、位移等信號進行工作輸出，殘差觀測 器模塊同時接收串并聯機床動力學模型輸出的實際轉速等狀態信號和控制器輸出的轉速 等狀態信號，殘差觀測器模塊輸出串并聯機床轉速等狀態變量的殘差給改進的強跟蹤濾波 模塊，經濾波處理后的殘差信號輸出給故障預測模塊，殘差經過故障預測模塊處理后輸出 故障結果。
[0007] 基于所述的一種基于殘差觀測器的3PTT-2R串并聯數控機床伺服系統故障預測裝 置的故障預測方法，該方法包括以下步驟：
[0008] 步驟一，根據控制器的輸出的狀態信號，3PTT-2R串并聯數控機床動力學模型模塊 (1)將機床的速度、位移等信號輸出；
[0009] 步驟二，根據殘差觀測器模塊(2)構造串并聯機床轉速等狀態變量的殘差信號； [0010]步驟三，根據改進的強跟蹤濾波模塊(3)將殘差信號濾波；
[0011]步驟四，根據濾波后的殘差信號，由故障預測模塊(4)預測故障并預報。
[0012]本發明具有以下優點：
[0013] 1)本發明所提出的故障預測方法充分利用了 3PTT-2R串并聯數控機床特殊的結構 關系，充分地利用了系統的動力學模型知識，無需依賴額外的傳感器，有利于提高故障預測 算法的有效性。
[0014] 2)本發明所提出的故障預測方法充分利用了強跟蹤濾波算法對具有模型不確定 性的非線性系統的魯棒性強，估計精度高等特點，增強了故障預測能力。
[0015] 3)本發明所提出的故障預測方法算法簡明有效，計算量小，實時性好，便于進行實 時故障預測。
【附圖說明】
[0016] 圖1是串并聯機床故障預測裝置結構圖；
[0017]圖2是串并聯機床預須彳預測效果圖；
[0018] 圖3是應用改進的強跟蹤濾波的殘差對比圖。
【具體實施方式】
【具體實施方式】 [0019] 一:下面結合圖1說明本實施方式，本實施方式所述一種基于殘差觀 測器的3PTT-2R串并聯數控機床伺服系統故障預測裝置，目的在于解決純利用預測狀態進 行故障預測，同時，非線性濾波對于故障參數的估計精度不高，極易造成誤報和漏報的問 題。因此，本發明的3PTT-2R串并聯數控機床伺服系統進行故障預測裝置包括3PTT-2R串并 聯數控機床動力學模型模塊、殘差觀測器模塊、改進的強跟蹤濾波模塊和故障預測模塊。
[0020] 3PTT-2R串并聯數控機床動力學模模塊根據控制器輸出的轉速等狀態信號構建串 并聯數控機床動力學模型，并根據動力學模型將速度、位移等信號進行工作輸出，殘差觀測 器模塊同時接收串并聯機床動力學模型輸出的實際轉速等狀態信號和控制器輸出的轉速 等狀態信號，殘差觀測器模塊輸出串并聯機床轉速等狀態變量的殘差給改進的強跟蹤濾波 模塊，經濾波處理后的殘差信號輸出給故障預測模塊，殘差經過故障預測模塊處理后輸出 故障結果。
[0021] 本發明的目的在于提出一種基于殘差觀測器的3PTT-2R串并聯數控機床伺服系統 故障預測方法，充分利用動力學模型，將殘差觀測器和改進的強跟蹤濾波算法相結合，使預 測方法計算量小，實時性高，提供系統魯棒性。
[0022]本發明的目的是通過以下技術方案實現的：對3PTT-2R串并聯數控機床伺服系統 進行動力學建模，構造殘差觀測器和改進的強跟蹤濾波器，設計故障檢測閾值，判斷濾波后 的殘差是否超過閥值，實現3PTT-2R串并聯數控機床伺服系統故障預測。
[0023]【具體實施方式】二:下面結合圖1說明本實施方式，本實施方式是對實施方式一做進 一步的說明：串并聯機床動力學模型模塊1構建的串并聯機床動力學模型為：
[0024] x(k+l)=A(k，x(k)) · x(k)+Bu(k)
[0025] 其中，狀態向量x(k)、輸入向量u(k)、輸出向量y(k)和系數矩陣為：
[0026] x(k) = [Id(k) Iq(k) ω (k) 9(k) TL(k) u(k)]T，
[0027] u(k) = [Ud(k) Uq(k)]，y(k) = [Id(k) Iq(k)]，
[0032] 觀測方程可以寫成：[0033] y(k+l) =Cx(k+l)
[0028]
[0029]
[0030]
[0031] ? ο 〇 0 ο 0-
[0034] 其中，a , Λ Λ n 0 1 0 0 0 0
【具體實施方式】 [0035] 三:下面結合圖1說明本實施方式，本實施方式是對實施方式一做進 一步的說明：殘差觀測器模塊2構建的殘差觀測器方程為：
[0036；
[0037] 其中，=交卜 + l|l| - 7⑷為殘差矩陣，且F1=(I-C)A，F2=(I-C)B.
【具體實施方式】 [0038] 四：下面結合圖1說明本實施方式，本實施方式是對實施方式一做進 一步的說明：改進的強跟蹤濾波t旲塊3為：
[0039] 1)求出狀態變量的一步預報值蚪ψ):
[0040]
[0041 ] 2)求出增益矩陣：
[0042]
[0043] 3)求出預報誤差協方差矩陣：
[0048] 5)計筧時奪漸消閔子A(k+1)
[0044]
[0045]
[0046]
[0047]
[0049]
[0050] 其中，Cl為預先確定的常數，λ〇由下式得到：
[0051]
[0052]
[0053]式中，1為一個給定的弱化因子.
[0054]
[0055]
[0056] 式中，0<ρ< 1為遺忘因子.
[0057] 6)求出狀態變量的估計值：
[0058]
【具體實施方式】 [0059] 五:下面結合圖1說明本實施方式，本實施方式是對實施方式一做進 一步的說明：故障預測模塊4為：
[0060]
[0061]其中，Γ 2為系統無故障時的殘差協方差。
[0062]按照如下的邏輯規則預測故障： 沖)>Λ …故障
[0063] \
[j{k)<Afillllt…正吊
[0064]其中，Λfault為滿足一定概率分布的閥值。
[0065]【具體實施方式】六:下面結合圖1說明本實施方式，本實施方式是基于實施方式一所 述的一種基于殘差觀測器的3PTT-2R串并聯數控機床伺服系統故障預測裝置的故障預測方 法，該方法包括以下步驟：
[0066]步驟一，根據控制器的輸出的狀態信號，3PTT-2R串并聯數控機床動力學模型模塊 (1)將機床的速度、位移等信號輸出；
[0067]步驟二，根據殘差觀測器模塊(2)構造串并聯機床轉速等狀態變量的殘差信號； [0068]步驟三，根據改進的強跟蹤濾波模塊(3)將殘差信號濾波；
[0069] 步驟四，根據濾波后的殘差信號，由故障預測模塊(4)預測故障并預報。
【具體實施方式】 [0070] 七:下面結合圖1說明本實施方式，本實施方式是對實施方式六做進 一步的說明：步驟三中改進的強跟蹤濾波對殘差信號的獲取過程為：
[0071] 在強跟蹤濾波算法中，引入了變次優漸消因子矩陣，可抵消舊觀測值對系統的影 響，使強跟蹤濾波算法具有對不準確模型的魯棒性，又具有極強的快速跟蹤估計狀態的能 力。但這也可能會導致一些問題的出現。當A(k+1)矩陣中對角元素不相等時，誤差協方差矩 陣P(k+l|k)就不滿足對稱性.這會導致算法在進行更新誤差協方差矩陣P(k+l|k+l)時，再 左乘(6/-/?0+丨）//(々+ ua+1 μ))矩陣時仍然是不對稱的.一旦誤差協方差矩陣失去對 稱正定性，將會造成狀態估計偏差越來越大，甚至出現發散現象。
[0072] 為了保留原有強跟蹤濾波算法中A(k+1)矩陣對P(k+l|k)、P(k+l|k+l)的實時