نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، دانشگاه علم و صنعت ایران

2 دانشیار دانشکده مهندسی برق، دانشگاه علم و صنعت ایران

3 استادیار دانشکده مهندسی برق، دانشگاه علم و صنعت ایران

چکیده

بحث تشخیص عیب ارتباط تنگاتنگ با ایمنی سیستم‌ها به‌ویژه در سیستم‌های نظامی هوایی-دریایی دارد. بنابراین نیاز به روش‌های نوین تشخیص عیب که قابلیت تشخیص سریعتر و عملکرد دقیق‌تری دارند، در این حوزه‌ها احساس می‌شود. در این مقاله با استفاده از تابع چگالی احتمال (PDF) خروجی سیستم، به آشکارسازی عیب در سیستم کنترل می‌پردازیم. این گونه از روش‌ها، متفاوت با روش‌های مرسوم، مدل‌سازی سیستم را با استفاده از ورودی و تابع چگالی احتمال خروجی انجام داده و طراحی‌ها بر اساس این مدل صورت می‌گیرد. در این مقاله روشی برای آشکارسازی عیب با استفاده از تابع چگالی احتمال ارائه نموده و آن را بر روی مسئله کنترل توزیع ذرات و فرآیند تولید کاغذ شبیه‌سازی می‌نماییم. نتایج حاکی از عملکرد مناسب این روش در آشکارسازی عیب است.  

کلیدواژه‌ها

عنوان مقاله [English]

Fault Detection in Control Systems using Probability Density Function

نویسندگان [English]

  • majid ghaniei zarj 1
  • javad poshtian 2
  • s. kamalaldin mosavi mashhadi 3

چکیده [English]

Discussions on fault diagnosis have close connection to system safety specially in military aircraft-marine. Therefore, there is the need to new methods capable of detecting faults faster and more accurate. In this paper, using Probability Density Function (PDF) of systems output, faults are detected in control systems. In these methods, different from conventional methods, the system is modeled using input and PDF of output and designs are done based on this model. This paper presents a method to detect faults with PDF and simulate on the particle distribution control problem and paper making process. The results show good performance of this method in fault detection.

کلیدواژه‌ها [English]

  • fault detection
  • Filter
  • probability density function
  • stochastic systems

[1]     Shang, L. and Liu, G. “Sensor and Actuator Fault Detection and Isolation for a High Performance Aircraf't Engine Bleed Air Temperature Control System”, IEEE Transaction on Control Systems Technology, Vol. 19, No. 5, pp. 1260-1268, Sept. 2011.

[2]     Dallagi, H., Mechmeche, C. and Braiek, N.B “Fault Detection and Isolation of Ship Electric Propulsion System using Residual Generator", the 8th International Multi-Conference on Systems, Signals and Devices, Vol. 1, No. 7, pp. 22-25, Mar. 2011.

[3]     Corradini, M. L., Monteriù, A. and Orlando, G. “An Actuator Failure Tolerant Control Scheme for an Underwater Remotely Operated Vehicle", IEEE Transaction on Control Systems Technology, Vol. 19, No. 5, pp. 1036-1046, Sept. 2011.

[4]     Zhang Y. and Jiang J. “Bibliographical Review on Reconfigurable Fault-Tolerant Control Systems", Annual Reviews in Control, Vol. 32, pp. 229–252, Mar. 2008.

[5]     Miroslav, K. “Towards Fully Probabilistic Control Design”, Atomatica, Vol. 32, No. 12, pp. 1719-1722, 1996.

[6]     Wang, H. and Lin, W. “Applying Observer Based FDI Techniques to Detect Faults in Dynamic and Bounded Stochastic Distributions”, International Journal of Control, Vol. 73, No. 15, pp. 1424-1436, Mar. 2000.

[7]     Guo, L. and Wang, H., “Fault Detection and Diagnosis for General Stochastic Systems using B-spline Expansions and Nonlinear Filters”, IEEE Transaction on Circuits and Systems, Vol. 52, No. 8, pp. 1644-1652, Aug. 2005.

[8]     Basseville, M. and Nikiforov, I. “Fault Isolation for Diagnosis: Nuisance Rejection and Multiple Hypothesis Testing", Annual Reviews in Control, Vol. 26, pp. 189-202, 2002.

[9]     Kai, H., AiGuo, S., WeiLiang, W., Yingchao, Z. and Zhiyong, F. “Fault Detection and Estimation for Non-Gaussian Stochastic Systems with Time Varying Delay”, Advances in Difference Equations, Vol. 22, pp. 1 -13, 2013.

[10]  Tao, L. and Yingchao, Z., “Fault Detection and Diagnosis for Stochastic Systems via Output PDFs", Journal of the Franklin Institute , Vol. 348, pp. 1140-1152, Apr. 2011.

[11]  Zhang, X., Ploycarpou, M. and Parisini, T., “A Robust Detection and Isolation Scheme for Abrupt and Incipient Faults in Nonlinear Systems”, IEEE Transaction in Automatic Control, Vol. 47, No. 4, pp. 576-593, Apr. 2002.

[12]  Li, P. and Kadirkamanathan, V., “Particle Filtering based Likelihood Ratio Approach to Fault Diagnosis in Nonlinear Stochastic Systems", IEEE Transaction on Systems, Man and Cybernetics, Vol. 31, No. 3, pp. 337-343, Aug. 2001.

[13]  Chen, R. H. and Mingori, D. L., “Optimal Stochastic Fault Detection Filter”, Automatica, Vol. 39, pp. 377-390, 2003.

[14]  Persis, C. D. and Isidori, A. “A Geometric Approach to Nonlinear Fault detection and Isolation", IEEE Transaction in Automatic Control, Vol. 46, No. 6, pp. 853-856, Jun. 2001.

[15]  Wang, A., Wang, H., Guo, L. “Recent Advances on Stochastic Distribution Control: Probability Density Function Control”, In Chinese Control and Decision Conference (CCDC), pp. 1-8, 2009.

[16]  Skaf, Z., Wang, H. and Guo, L. “Fault Tolerant Control based on Stochastic Distribution via RBF Neural Networks", Journal of Systems Engineering and Electronics, Vol. 22, No. 1, pp. 63-69, Feb. 2011.

[17]  Wang, H., “Bounded Dynamic Stochastic Systems: Modelling and Control", London, U. K.: Springer-Verlag, 2000.

[18]  موسوی مشهدی، سید کمال الدین، یدالهی، حمید، طراحی و ساخت سیستم اندازه‌گیری و کنترل TDS آب در سیستم‌های تصفیه آب اسمز معکوس به روش PID کلاسیک، با توانایی جبران‌سازی دما بر روی اندازه‌گیری، مجله کنترل، جلد 6، شماره 4، صفحات 11-21، زمستان 1391.

[19]  Yi, Q., Zhan-ming, L. and Er-chao, L. “Fault Detection and Diagnosis for Non-Gaussian Stochastic Distribution Systems with Time Delays via RBF Neural Networks", ISA Transactions, Vol. 51, pp. 786-791, 2012.