申请/专利权人：北京理工大学

申请日：2024-03-28

公开（公告）日：2024-06-21

公开（公告）号：CN117970810B

主分类号：G05B13/04

分类号：G05B13/04

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明公开一种自适应故障容错控制方法、系统及电子设备，涉及车辆容错控制领域，该方法包括获取车辆关键组件的状态，当根据车辆关键组件的状态检测出故障信号时，获取车辆在行驶过程中的实时数据，触发模型在线更新；根据实时数据，基于GP的模型进行在线更新，得到在线学习模型；并根据在线学习模型和车辆的标称模型，得到自适应模型；根据自适应模型，基于随机模型预测控制方法控制车辆在发生故障后跟踪期望路径行驶。本发明能够实现精确的轨迹跟踪和可靠的容错控制。

主权项：1.一种自适应故障容错控制方法，其特征在于，包括：获取车辆关键组件的状态，并当根据车辆关键组件的状态检测出故障信号时，获取车辆在行驶过程中的实时数据，触发模型在线更新；所述车辆关键组件包括：传感器以及执行器；在行驶过程中的实时数据包括：无故障下的车辆状态、故障下的车辆状态以及控制指令；根据实时数据，基于高斯过程的模型进行在线更新，得到在线学习模型；并根据在线学习模型和车辆的标称模型，得到自适应模型；根据自适应模型，基于随机模型预测控制方法控制车辆在发生故障后跟踪期望路径行驶；当自动驾驶的车辆未发生故障时，车辆实际行驶行为的非线性状态空间方程为： 其中，χk是k时刻的状态量，χk-1为k-1时刻的状态量，uk-1是k-1时刻的控制量，Γk是k时刻的测量值，ωk-1是k-1时刻的过程噪声，vk是k时刻的测量噪声，h是系统的测量方程，fnom是的车辆的标称模型；所述自适应模型为： 其中，是基于高斯过程的模型，fada是将标称模型和基于高斯过程的学习到的模型相结合后得到的自适应模型，矩阵是一个由决定的系数矩阵，是对数据集E进行训练后得到的未建模函数，ωGP是系统噪声，与选定的状态量χk和控制量uk有关，和均为矩阵；所述数据集E由输入G和输出Y组成； 其中，和分别代表k时刻和k-1时刻故障下的车辆状态量，代表k时刻无故障下的车辆状态；uk-1为k-1时刻的控制量，为控制指令；表示训练数据对；所述根据自适应模型，基于随机模型预测控制方法控制车辆在发生故障后跟踪期望路径行驶，具体包括：成本函数： 约束条件： 其中，为k时刻的车辆的状态量的均值，N为预测视界，P为加权矩阵，和分别为k时刻的状态量的最小值和最大值，和分别为k时刻的控制量的最小值和最大值，和分别为边界概率，为k时刻车辆的参考状态量，Q和R分别为状态量和控制量所对应的权重，Δuk为k时刻的控制量变化，和分别为k时刻的控制量变化的最小值和最大值，为控制量约束，为状态量约束，为最终时刻的参考状态量，为最终时刻的状态量，为系统在k时刻的状态量；表示χk服从均值为方差为的正太分布；Pr表示概率，为初始时刻的状态量。

全文数据：

权利要求：

百度查询： 北京理工大学 一种自适应故障容错控制方法、系统及电子设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD