单故障传感器的寻址与隔离故障传感器的寻址与隔离是登高车衡容错控制的前提   东莞登高车出租, 东莞登高车租赁, 东莞登高车     故障传感器寻址与隔离原理设xjq为被测载荷加载在承载器位置q时称重传感器j的输出信号，xNq为输入、利用全关联模型获得的称重传感器j的预测值（第1次预测值），εj为传感器j的融合检测阈值，若任意一路称重传感器发生故障，全关联模型所有的输入由于都含有该故障传感器的称重信号，xj_range为称重传感器j的量程。设称重传感器i发生故障，以其它7路正常传感器的实测信号xjq(j≠i)为输入，利用二次预测网络，得到故障传感器i的第2次预测值'ˆiqx，此时有'ˆiqx=ˆiqx，ˆiqx逼近故障传感器i的正常输出；以故障传感器i的第1次预测值ˆiqx与其它7路正常传感器中的任意6路实测信号xjk(j≠i)为输入，利用组成的二次预测网络，获得其余7路传感器的第2次预测值'ˆjqx。因'ˆiqx、ˆiqx均逼近故障传感器i的正常输出，εi、εj分别为称重传感器i、j的融合检测阈值。 二次预测网络中的RBFNN可采用的网络结构，利用梯度训练法可完成模型训练，获得相关参数。

    融合检测阈值的确定融合检测阈值εj、εi影响检测的准确度，若εj、εi偏大，则漏警率增大；若εj、εi偏小，则虚警率增大。为提高检测准确度，可采用3σj检测方法，即εj=3σj。这里，σj为称重传感器j正常状态下预测值相对误差dejl的标准差，其可以在RBFNN58训练时确定。设相对预测误差dejl，L为预测误差数据的个数；djle为相对预测误差均值.  称重传感器的故障类型识别登高车衡利用多传感器关联模型、故障融合检测模型、称重传感器先验知识等，完成短路型与开路型故障、零位故障、灵敏度故障、零漂故障等故障类型识别。如果称重传感器i发生开路型或短路型故障（即硬故障），则其输出xi恒为最大极限值ximax或最小极限值ximin。设Fi(0)为短路型故障；Fi(1)为开路型故障ximax、ximin通过实验确定。

     灵敏度故障与零位故障识别（1）故障特征提取将被测载荷加载在登高车衡位置q，此时称重传感器承受的载荷力为Mq，利用关联模型获得的预测值ˆiqx将逼近传感器的正常输出。设eiq为称重传感器的实际值与预测值的误差，∆eiq为误差的一阶差分，对于零位故障，忽视噪声的影响，改变加载位置q，使称重传感器的输出xiq满足xi1<xi2<…<xiq<…<xiQ，即M1<M2<…<Mq<…<MQ，当传感器灵敏度下降时，即ki2<ki1,（2）故障类型判别改变加载位置q，使称重传感器的输出xiq满足xi1<xi2<…<xiq<…<xiQ，若eiq均相等，即∆eiq=0，则称重传感器发生零位故障Fi；若误差均满足eiq>ei,q+1，即∆eiq<0(i=1,2,…,N；q=1,2,…,Q-1)，则称重传感器发生灵敏度故障（灵敏度下降）Fi(3)。sgn为符号函数。实际上称重传感器的输出信号会受噪声干扰，同时关联模型也会产生一定的估计误差。因此当发生零位故障时，将有|∆eiq|<eε（eε为阈值）。为了减少阈值eε对判决结果的不利影响，同时考虑到发生零位故障时，实际值与预测值的误差eiq=Ai>0(正零位)或eiq=Ai<0(负零位)，

    东莞登高车出租, 东莞登高车租赁, 东莞登高车 http://www.panyudiaolanchechuzu.com/

     零漂故障识别（1）故障特征提取参见，当称重传感器发生零漂故障后，传感器零点将发生无规律、幅值较大的变化，经m次称重后产生的传感器零点输出序列i02v的标准差0()iσm较正常时的标准差ip0σ发生较大变化。设xi0(j)为称重后传感器i的j个零点输出，j=1,2,…,mixm为称重传感器i的m个零点输出均值，工程应用中，系统采用一种滑窗滤波的方法实现对最新的m个称重传感器零点输出的标准差求取。滑窗滤波原理如图4.4所示。图中，系统采样一次数据后，首先将最初的数据移出窗口，其它m-1个数据各前移一个存储单元，然后将最新的采样数据xi0(m+1)存入xi0(m)原存储单元，完成一次滑窗处理，同时完成一次标准差0σm的求取，从而产生零点标准差序列。滑窗滤波原理当m较大时，需要保存较多的xi0，从而必须增加系统内存，因此需进行修正。工程应用时，只需保存本次最大自相关函数值xRm、均值0ixm和测量次数m，减少了存储空间。（2）故障类型判别系统以0()iσm和ip0σ为故障特征，完成称重传感器零漂故障判别，即当连续融合检测Lσ次，如果均满足0000  则系统判定传感器i发生零漂故障。

      传感器故障预测称重传感器的开路型与短路型故障属于硬故障，具有突发性，不能预测。然而对于零位故障、零漂故障、灵敏度故障等软故障，其变化具有渐进性，因此可以预测故障变化趋势。系统根据各称重传感器的实测信号xi、预测信号ˆix以及传感器的先验知识，利用模糊判决方法，确定各传感器的故障程度，预测故障趋势，为称重系统提供预警信号，提高系统可靠性。系统采用模糊判决方法，以称重传感器实测信号xi与预测信号ˆix的相对误差绝对值dxi和传感器先验故障判定结果为输入变量，i_rangex为传感器i的量程；对于零漂故障，xn为n时刻的零点输出），利用二维模糊结构和五级变量形式，完成称重传感器故障预测。Fi为故障预测模糊输出；F0为先验故障模糊判定结果，其语言变量为{正常，轻微，中，较大，完全故障}；Fdxi为相对误差绝对值的模糊量，其语言变量为{很小，小，中，较大，很大}，对于语言变量“很小”、“小”、“中”、“较大”，本文取三角形函数作为其隶属度函数，对于语言变量“很大”，取升半梯形函数作为其隶属度函数。对于语言变量“很小”对于语言变量“小”，有隶属度函数, 对于语言变量“中”，有隶属度函故障传感器的输出信号估计当检测到某一称重传感器发生故障时，系统利用多传感器的全关联模型，以一定精度估计故障传感器的正常输出。设故障传感器正常输出的估计值为ix，经过Q次融合检测后，ˆiqx为载荷加载在登高车衡位置q时，称重传感器i利用全关联模型获得的预测输出，故障传感器的输出估计完成后，系统首先完成故障传感器i的寻址，获得故障传感器的逻辑地址，然后以故障传感器i的输出估计值ix替代故障传感器的实测信号xi，并与其它正常传感器称重信号组合，获得称重融合网络的输入向量X%，为称重融合作准备.  

     东莞登高车出租, 东莞登高车租赁, 东莞登高车