[论文解读] Particle Filter-Based Fault Diagnosis of Nonlinear Systems Using a Dual Particle Filter Scheme

Najmeh Daroogheh, Nader Meskin+1 more|arXiv (Cornell University)|Jun 28, 2016

Fault Detection and Control Systems参考文献 44被引用 3

一句话总结

该论文提出了一种双粒子滤波方法，用于非线性随机系统中同时估计状态和时变参数，提升了燃气涡轮发动机的故障诊断性能。通过将状态估计与参数估计解耦为并行滤波器，该方法实现了更高的准确率（86.29%）、更低的误报率（5.71%）以及优于RML和贝叶斯方法的精度，同时计算开销更低。

ABSTRACT

In this paper, a dual estimation methodology is developed for both time-varying parameters and states of a nonlinear stochastic system based on the Particle Filtering (PF) scheme. Our developed methodology is based on a concurrent implementation of state and parameter estimation filters as opposed to using a single filter for simultaneously estimating the augmented states and parameters. The convergence and stability of our proposed dual estimation strategy are shown formally to be guaranteed under certain conditions. The ability of our developed dual estimation method is testified to handle simultaneously and efficiently the states and time-varying parameters of a nonlinear system in a context of health monitoring which employs a unified approach to fault detection, isolation and identification is a single algorithm. The performance capabilities of our proposed fault diagnosis methodology is demonstrated and evaluated by its application to a gas turbine engine through accomplishing state and parameter estimation under simultaneous and concurrent component fault scenarios. Extensive simulation results are provided to substantiate and justify the superiority of our proposed fault diagnosis methodology when compared with another well-known alternative diagnostic technique that is available in the literature.

研究动机与目标

• 为解决单滤波器扩展状态-参数估计在非线性系统中面临的高维性和计算负担问题。
• 提升具有时变参数的非线性随机系统中故障检测、隔离与识别（FDII）的性能。
• 降低关键系统（如燃气涡轮发动机）实时健康监测中的误报率，提升估计精度。
• 开发一种双估计框架，确保在正式条件下具备收敛性和稳定性。
• 通过真实燃气涡轮发动机模型验证该方法相较于现有基于粒子滤波的FDII技术的优越性。

提出的方法

• 该方法采用双粒子滤波结构：一个滤波器用于估计系统状态，另一个用于并行估计时变参数，避免了状态扩展。
• 将贝叶斯参数估计框架进行扩展，实现在不增加模型维度的前提下实现联合估计。
• 该方法采用粒子滤波结合重采样与重要性采样，以近似状态和参数的后验分布。
• 在系统和噪声满足一定正则性条件的前提下，形式化证明了该双估计策略具有收敛性和稳定性。
• 采用基于似然的故障检测机制，利用负对数似然，故障隔离通过参数估计实现。
• 在包含压气机和涡轮效率及质量流量退化等多重同时故障场景下，使用燃气涡轮发动机模型对框架进行了评估。

实验结果

研究问题

• RQ1 双粒子滤波框架是否能在非线性故障诊断中优于单滤波器扩展状态-参数估计？
• RQ2 解耦状态与参数估计是否能提升非线性系统中故障检测的准确率并降低误报率？
• RQ3 在存在时变参数和随机噪声的情况下，所提出方法在多大程度上保持稳定性和收敛性？
• RQ4 与RML和贝叶斯粒子滤波相比，该双滤波方法在故障识别准确率和计算效率方面表现如何？
• RQ5 该方法能否有效处理真实非线性系统（如燃气涡轮发动机）中多个组件的多重同时故障？

主要发现

• 所提出的双粒子滤波方法在故障诊断中实现了86.29%的准确率，显著优于RML方法（78.86%）和贝叶斯KS方法（25.95%）。
• 误报率为5.71%，较RML方法（11.43%）降低了5.71个百分点，表明误报更少。
• 所有四个健康参数——压气机效率、压气机质量流量、涡轮效率和涡轮质量流量——的精确度均高于RML和贝叶斯方法。
• 该方法仅需50个粒子即可实现优于RML（150个粒子）和贝叶斯KS方法（45个粒子）的性能，表明其效率更高。
• 混淆矩阵分析表明，该双估计方法正确识别了33次无故障中的31次，以及每类故障中的28至31次，显示出较高的真正例率。
• 结果验证了双滤波结构能够提升故障识别准确率，降低计算负担，同时保持稳定性和收敛性。