کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
11003543 1460618 2018 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Residual selection for fault detection and isolation using convex optimization
ترجمه فارسی عنوان
انتخاب باقی مانده برای شناسایی خطا و جداسازی با استفاده از بهینه سازی محدب
کلمات کلیدی
تشخیص گسل و انزوا، انتخاب ویژگی، تشخیص مبتنی بر مدل، بهینه سازی محدب، ابزار طراحی کامپیوتری،
ترجمه چکیده
در تشخیص مبتنی بر مدل، اغلب ژنراتورهای باقیمانده نامزد بیشتر از آنچه که مورد نیاز است، انتخاب می شود و بنابراین انتخاب باقی مانده، گامی مهم در طراحی سیستم های تشخیص مبتنی بر مدل است. در دسترس بودن ابزارهای کامپیوتری برای تولید اتوماتیک ژنراتورهای باقی مانده باعث شده است که یک مجموعه بزرگ از ژنراتورهای باقیمانده نامزد برای شناسایی و جداسازی خطا تولید شود. عملکرد تشخیص خطا به طور قابل توجهی بین دو نامزد مختلف به دلیل تاثیر عدم قطعیت مدل و سر و صدای اندازه گیری متفاوت است. بنابراین، برای رسیدن به رفع تشخیص اشتباه و عملکرد انزوا، در هنگام فرمول کردن مشکل باقی مانده، این عوامل باید مورد توجه قرار گیرند. در اینجا، یک مسئله بهینه سازی محدب به عنوان یک رویکرد انتخاب باقی مانده، با استفاده از اطلاعات ساختاری در مورد سایر داده ها و داده های آموزش از سناریو های گسلی مختلف، صورت می گیرد. راه حل بهینه مطابق با کمترین مجموعه ژنراتورهای باقی مانده با عملکرد تضمین شده است. داده های اندازه گیری و ژنراتورهای باقی مانده از تست تخت موتور موتور احتراق داخلی به عنوان یک مورد مورد استفاده برای نشان دادن سودمندی روش پیشنهادی استفاده می شود.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
پیش نمایش مقاله
انتخاب باقی مانده برای شناسایی خطا و جداسازی با استفاده از بهینه سازی محدب
چکیده انگلیسی
In model-based diagnosis there are often more candidate residual generators than what is needed and residual selection is therefore an important step in the design of model-based diagnosis systems. The availability of computer-aided tools for automatic generation of residual generators have made it easier to generate a large set of candidate residual generators for fault detection and isolation. Fault detection performance varies significantly between different candidates due to the impact of model uncertainties and measurement noise. Thus, to achieve satisfactory fault detection and isolation performance, these factors must be taken into consideration when formulating the residual selection problem. Here, a convex optimization problem is formulated as a residual selection approach, utilizing both structural information about the different residuals and training data from different fault scenarios. The optimal solution corresponds to a minimal set of residual generators with guaranteed performance. Measurement data and residual generators from an internal combustion engine test-bed is used as a case study to illustrate the usefulness of the proposed method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Automatica - Volume 97, November 2018, Pages 143-149
نویسندگان
, ,