تشخيص خطا در سيستم هاي ديناميكي غيرخطي با استفاده از تركيب اطلاعات چند سنسوري مبتني بر فيلتر اطلاعات توسعه يافته ي تركيبي

Fault detection in nonlinear dynamical systems using multi-sensor data fusion based on Hybrid Extended Information Filter

يك راه موثر براي افزايش قابليت اطمينان يك فرآيند صنعتي، طراحي الگوريتم تشخيص خطا جهت پايش لحظه به لحظه ي آن است. در يك سيستم ديناميكي، خطا به هر گونه انحراف از وضعيت كاري مطلوب اتلاق مي شود. متناسب با ابعاد سيستم، معماري هاي مختلفي از قبيل: متمركز، غير متمركز و توزيع شده براي پياده سازي الگوريتم تشخيص خطا وجود دارد. در اين مقاله، رويكردي متمركز با استفاده از تكنيك تركيب اطلاعات چند سنسوري (MSDF) مبتني بر فيلتر اطلاعات توسعه يافته ي تركيبي(HEIF) ارائه شده است. اين فيلتر، هم زمان مزاياي دو الگوريتم موجود، يعني فيلتر كالمن توسعه يافته ي تركيبي(HEKF) و فيلتر اطلاعات(IF) را دارد. اين روش مانند فيلتر كالمن توسعه يافته ي تركيبي از دقت بالاتري در مقايسه با فيلتر مرسوم كالمن برخوردار است و همپنين همانند فيلتر اطلاعات قابليت پياده سازي به صورت غير متمركز و توزيع شده را نيز دارد. الگوريتم متمركز ارائه شده براي سيستمهاي ديناميكي با ابعاد پايين، به تخميني دقيق تر با سرعت همگرايي بيشتر و تشخيص زودتر خطا مي انجامد كه به پياده سازي بلادرنگ كمك خواهد كرد. همچنين براي سيستم هاي با ابعاد بزرگ(LSS)، مبنايي براي مقايسه عملكرد رويكردهاي غيرمتمركز مي باشد.

An effective way to enhance the system reliability is to develop a fault detection algorithm to perform the monitoring task instantly. In a dynamic system, fault is defined as any deviation from a desired operating condition. According to system dimensions, there are different architectures to implement fault detection algorithm including centralized, decentralized and distributed. In this paper, a centralized approach is designed using multi sensor data fusion technique based on Hybrid Extended Information Filter (HEIF). This approach has the advantages of both existing algorithms, the Hybrid Extended Kalman Filter (HEKF) and the Information Filter (IF). Similar to HEKF, it has better performance compared to conventional Kalman filter and as the IF, it can be implemented non-centrally. The proposed centralized algorithm is more efficient for low-order nonlinear dynamic systems. It is also important for the high-order systems because it is the basis for performance comparison of non-central approaches. This approach not only enables us to distribute the algorithm for non-central schemes, but is also superior to the conventional Kalman filter in precision and computational burden with the same convergence speed which helps to move toward a real time implementation. It also acts more timely in fault detection task. In this work, in addition to improved results, we are going to establish a basis for further investigation in large-scale systems.