A fault detection-identification algorithm for linear dynamic systems based on the mixed multiple additive Gauss-Markov models

• Autorzy: Grishin Y.

Warianty tytułu

Algorytm wykrywania-identyfikacji uszkodzeń w liniowych systemach dynamicznych, oparty o mieszane addytywne modele Gaussa-Markowa

• Języki publikacji: EN

Abstrakty

EN

W artykule został przedstawiony algorytm wykrywania-identyfikacji uszkodzeń w dyskretnych liniowych systemach dynamicznych opracowany z wykorzystaniem mieszanych addytywnych modeli Gausa-Markowa. Modele te opisują szeroką klasę uszkodzeń systemów dynamicznych. Opracowano rekurencyjny algorytm detekcji-identyfikacji uszkodzeń w oparciu o uogólniony iloraz wiarygodności (ang. Generalized Likelihood Ratio-GLR). Przedstawiono wybrane wyniki symulacji zaproponowanego algorytmu.

Słowa kluczowe

EN

fault detection-identification; GLR approach; Gauss-Markov models of stochastic processes

PL

detekcja uszkodzeń; identyfikacja uszkodzeń; metoda GLR; modele Gaussa-Markowa procesów stochastycznych

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2005
• Tom: R. 51, nr 9 bis
• Strony: 45--48
• Opis fizyczny: Bibliogr. 14 poz., rys., tab., wykr.

Twórcy

autor

Grishin Y.

• Bialystok Technical University, Faculty of Electrical Engineering

Bibliografia

• [1] Blackman S., Popoli R., Design and analysis of modern tracking systems. Artech House, Boston, 1999.
• [2] Gertler J. J., Fault detection and diagnosis in engineering svstems, Marcel Dekker, Inc., N. Y., 1998.
• [3] Гришин Ю. П., Казаринов Ю. М., Динамические системы устойчивые к отказам. Радио и связь, Москва, 1985.
• [4] Grishin Yu. P., An application of the additive Gauss-Markov models of discrete-time dynamic systems to the problem of abrupt changes detection. Proc. Int. AMSE Conference: Systems Analysis, Control and Design, Lyon (France), 1994, vol. 1, pp. 211-220.
• [5] Grishin Yu. P., Reliable data processing in an integrated GPS-based airborne navigational equipment. EUROCOMM'2000:Informational Systems for Enhanced Public Safety and Security, Munich (Germany), May 17, 2000, pp. 91-94.
• [6] Haykin S., Neural networks: A Comprehensive Foundation. Macmillan College Publishing Company, Inc., N. Y, 1994.
• [7] Katayma T., Sugimoto S. (cd), Statistical methods in control and signal processing. Marcel Dekker, Inc., N. Y., 1997.
• [8] Lainiotis D. G., Park S. K., Joint detection, estimation and system identification: discrete data case. Int. J. Control, vol. 17, No. 3, pp. 609-633.
• [9] R. J. Patton, P. M. Frank, R. N. Clark (Eds). Issues of fault diagnosis for Dynamic Systems. Springer-Verlag. Berlin, 2000.
• [10] Sage A. P., Melse J. L., Estimation theory with application to communication and control. McGraw-Hill, New York,1972.
• [11] Sorenson H. W. (cd), Kalman filtering: theory and application, IEEE Press. Piscataway, NJ, 1985.
• [12] Van Trees H. L., Detection, estimation and modulation theory. Part I: Detection, estimation and Linear Modulation Theory. John Wiley and Sons, New York, 1968.
• [13] Whang I. H., Lee J. G., Sung T. K., Modified input estimation technique using pseudoresiduals, IEEE Trans., vol. AES-30, 1994, No. 1, pp. 220-227.
• [14] Willsky A. S., Jones H. L., A generalized likelihood ratio approach to detection and estimation of jumps in linear systems. IEEE Trans., vol. AC-21, 1976, pp. 108-112.