基于随机混合自动机的混合系统故障诊断方法

《机Ｉ【ｌ技术》２００７年第２期　计算机技术应用　基于随机混合自动机的混合系统故障诊断方法　郑玉英　（福矬新福达汽　Ｔ业有限公州，福建福州３５０００１）　摘要：使用随机混合自动机对町能ｆｌＩ现某种突变故障的混合系统矬模，将其状态瓶测与故障诊断结合起米，　并使用粒予滤波算法估汁混合系统的运行模式和连续状态，实现了混合系统的状态监测与故障诊断。文中给｛ｌｊ所使　用的模型描述与分析方法，混含估计算法的设计方法。经仿真结果证Ｉ儿所提｝ＪＪ的方法足适用于混合系统的状态腑测　与诊断。　关键词：随机混合自动机混合估计粒了滤波算法故障诊断　巾图分类号：０２３１．３文献标识码；Ａ文章编号；１６７２—４８０１（２００７）０２—０２４—０５　１引言　控制恒定流量　（ｒ），系统流出量是从罐ｌ流　缘丁对生产过稗监督、设备安全乃至人员生　出量ｆｏ　（，）。系统连续状态变量为两罐的液位高　命的重要性，故障诊断是混合系统研究一个备受　度ｈ，　Ｉ厅，，阀门启关川｛Ｄ，　｝表示，即　关注的研究课题【Ｉ＿引。与传统状态监测与故障诊断　，　，　∈｛Ｄ，，｝。通常地，系统中不同的系统动态　相比，冈需要同时估计连续状态与离散状态，混　特性称为系统模式，系统特性的变化称模式迁移，　合系统状态监测与诊断显然复杂很多。一般地，　其影响因素有两类：一是外部离散控制命令（如　混合系统连续状态特性取决于离散状态，而离散　阀门　的闭、通）由此引起的运行模式变化或者　状态不但与控制（系统运行模式）相关，还与连　迁移，称为受控迁移；另一类是系统内部连续状　续状态变化有关。在已提出的混合系统状态监测　态变量满足某种关系时系统动态特性（系统模式）　与诊断方法中，Ｂａｓｓｅｖｉｌｌｅ等使川部分随机Ｐｅｔｒｉ　会发生变化，称为自治迁移（Ａｕｔｏｎｏｍｏｕｓ　网建模以实现故障诊断与分离方法ｌｌ　Ｊ，Ｍｉｇｎｏｎｅ　Ｔｒａｎｓｉｔｉｏｎ）。　是利刚混合整数规划方法米完成估计状态　Ｉ故障　诊断【２】．Ｋｏｕｔｓｏｕｋｏｓ使川混合自动机米描述混合　系统实现嵌入式系统的故障诊断［３１；Ｂａｌｌｕｃｈｉ使　川龙伯格观测器实现混合系统状态估计ｌ４Ｊ；　Ｈｏｆｂａｕｒ提山使川概率自动机（ｐｒｏｂａｂｉｌｉｓｔｉｃ　ｈｙｂｒｉｄ　ｈ　ａｕｔｏｍａｔａ）描述　Ｉ卡尔曼滤波器完成模式估计与　故障诊断ｐＪ。　混合自动机是一种被广泛接受的混合系统模　图１混合系统例子　型，在引入随机事件后更适合于以故障诊断为目　本文只考虑突变故障，即该突变故障（事件）　的的建模。由于适川于非线性对象利非高斯噪声　会引起系统动态特性变化到可川特定模式米描述　环境，粒子滤波器算法近年受到广泛关注，通过　特性，此模式可看作系统的一个离散状态，显然　Ｒａｏ．Ｂｌａｃｋｗｅｌｌｉｓｅｄ简化后适川于混合状态估计。　该故障的诊断就可纳入混合状态估计问题中。这　因此，本文提出使川随机混合自动机建模将故障　类故障在　１　程中是普遍存在的，例如当某个阀门　纳入模型，并使川粒子滤波算法对其进行状态监　在开启状态下突然堵塞或者阀门开启时发生卡　测与诊断。　死。故障是一种本质随机的事件，并与系统所处　２混合系统及其故障诊断　正常模式相关，如阀门只有在由开启变为关闭时　一个简单的混合系统例子如图１所示，两个　才可能发生“卡死”故障。混合系统的故障诊断　罐之间有两个通道相连接，而流入量是通过阀门　需要一种可同时处理离散事件　Ｉ连续变量的解决　２４　维普资讯 http://www.cqvip.com

汁算机技术应用　《机ｌ　技术》２００７年第２期　方案最终达到故障诊断目的。混合系统故障诊断　定义如下：　（先验概率０．５％）。例中随机混合自动机模型见图　２，Ｓ∈｛０，１，…，７｝表示该系统的８种模式，每一模　式下有不同的动态特性。　［混合系统故障诊断］已知混合系统的故障　集合｛　７，Ｊ｝ｎ／　，其中ｆａｕｌｔｏ表示正常，给定观　测序列　＝（ｙｏ，Ｙ，＇…，　）和连续控制输入　＝（Ｕｏ，Ｕ』，…，Ｕｔ）以及控制事俐：记录　（ｃｒ，，＜）．２，…），混合系统故障诊断就是要确定故障　集合中最可能发生的一个。　３随机混合自动机模型及其分析　３．１随机混合自动机　混合自动机模型是将混合系统离散部分表示　为一有限的有向图　，与每一离散状态相伴的系　统连续部分．｝＝｝Ｉ微分方程组描述。显然，要解决混　围２陋机混合目动机梗型　３．２随机混合自动机的分析　合系统故障诊断问题，需要引入故障这一类随机　事件。在混合自动机基础上加入概率迁移概念得　剑随机混合自动机。　［随机混合自动机ＳＨＡ（Ｓｔｏｃｈａｓｔｉｃ　Ｈｙｂｒｉｄ　随机混合白动机包含混合系统中各种迁移（受　控制迁移、自治迁移　Ｉ故障事件等），以及每一模　式的连续动态特性。根据该模型和当前模式可得　到下一时刻的可能迁移的模式集。例如系统当前　模式Ｓ＝５，则可得可能模式如图３。　Ａｕｔｏｍａｔａ）］包含随机特性的混合系统，可Ｊ｛ｊ　（ｓ，　，ｕ，，，１．ｖ，Ｆ，Ｇ，Ｔ）米表示。其中，有限集ｓ　表示自动机的模式Ｓｉ∈Ｓ；　Ｒ　为系统连续状　态空间：输入变　ｕ：　ＵＵｄ　ＵＶｃ被划分为连　续控制变量ｚ，　，连续外部变量　．和离散控制变量　Ｕｄ：／ｎｖ：Ｓ　２　是与每一模式相关的不变量　（Ｉｎｖａｒｉａｎｔ）：集合Ｆ、Ｇ与每一模式Ｓ∈Ｓ相联　系，而每一模式Ｓ中控制连续动态特性函数　和　ｇ多》－另０是ｘ（ｋ＋１）＝ｆ（　（七），ｚ，（七），ｖ（七））希Ｉ　（七）＝　（　（七），ｖ（七））：Ｔ对每一个模式　（七）确定　一组迁移函数Ｔ　＝｛　』，…，Ｔｉｎ）。每一迁移函数　ｒ　，有一对应警戒条什（Ｇｕａｒｄ　Ｃｏｎｄｉｔｉｏｎ）　Ｇ　（ｘ　（★），ｕ‘，（★））确定在目标模式　（七＋　）概率分　。，布以及对ｘ　（川，）的重置。随机混合自动机在时间　。ｋ的混合状态通过二元组（　★），Ｘｃ）米确定，其　（★）中　）∈Ｍ确定系统模式，而　变量值。　假没上述例中阀门　候选故障集合是　．（★）表示连续状态　｛ｆａｕｌ￣，ｆａｕｌｔ』，ｆａｕｌｔ２，ｓｔｕｃｋ），其中：ｆａｕｌ￣表　示无故障，　，，，为堵塞（先验概率０．５％），ｆａｕｌｔ，　是完全泄漏（先验概率为０．５％），ｓｔｕｃｋ为“卡死”　图３可能模式集　２５　维普资讯 http://www.cqvip.com

《机Ｉ【ｉ技术》２００７年第２期　计算机技术应用　图３．１给出无外部控制条什下的模式集合　量也可相似地得到，实现了混合系统的混合估计。　｛ＳＩ　Ｓ　，　，　｝，包括两个自治迁移、故障　ｕｌｔ，引　故障诊断算法在系统输出预测与实际测量值　起迁移到模式Ｓ，以及模式５（维持）；　３－２是执　的误差越过了设定的闽值时启动，在一定时间范　行关闭阀门时的可能模式变化。通常需要两种条　件下的模式迁移概率矩阵：存在外部离散控制的　同，∈［ｄ，ｄ＋　】内，根据模式估计进行诊断。　模式迁移矩阵（含故障概率利系统正常概率）　．，　具体估计与诊断算法如下：　该值相对　定；在无外部离散控制条件下的模式　初始化：假设此时状态是在　附近以某种形　迁移概率矩阵（含故障利自治迁移）　。例如，　式分布（如正态）ｐ（　），从该分布抽样等加权的粒　由状态５迁移到４的概率可计算如下：　子集合｛　’，　’，１／ＮＩ￣，，而系统模式是按系统　ｒ　（　一１）＝Ｉ．　ｐ（　一ｌ　Ｉ　—ｌ，　—Ｊ　Ｓｔ—ｌ＝５）ａｘ，一Ｊ　连续状态米随机确定；　其中Ｇ５－÷　：ｈ，＜Ｈ而　＝Ｉｈ，。　２Ｉ　。　序贯重要性抽样：使用自治迁移矩阵　显然，由于相关的系统状态变量是时变的，　ｐ（　Ｉ　ｓ，一，）＝　由｛　”）　，抽样离散状态　系统模式迁移概率需要随时更新，这与传统的模　｛　”｝　，，而Ｊ＝｝ｊ　¨（　？，　（ｆ—　））计算对应的连　式迁移概率Ｊ矧定的假定（如Ｍａｒｋｏｖ　Ｃｈａｉｎ等）有显　续状态估计；计算每一样本的重要性加权　著的不同。　’＝ｐ（　Ｉ（　¨，　’）），并归一化得到具有不　４基于粒子滤波算法的混合系统状态估计　与故障诊断　同加权值的样本集合｛　¨，　¨，　”｝；　受Ｋｏｕｔｓｏｕｋｏｓ估计算法所启发Ｉ７］，对这里得　重新抽样：根据每一粒子的加权，从　到的随机混合自动机模型使用粒子滤波算法进行　｛　¨，　¨，　”｝重新采样Ⅳ个粒子　模式估计与诊断。在近似推理算法研究中，粒子滤　｛　，　¨，ｌ／ＮＩＴ．，，即根据加权米复制或者抛弃　波器备受关注Ｉ　引，状态的分布概率是通过有限样　粒子；　本集合米近似，在得到观测值后根据状态的信任程　混合状态估计：系统的模式估计使用每一步　度米修正样本集合，如此反复递推计算状态后验分　中最为可能的粒子表示，而连续状态仅利用最为　可能模式米计算，即　布，并可利川模型的某些解析结构简化算法。　＝ａｒｇｍａｘ模式）　，，　一般地，首先得到一组离散状态变量（和连续状态变量　的初始粒子集合｛　，　，，　然后根据迁移矩阵　Ｉ　一，）抽样并Ｊ｝＿＝Ｊ系统各模式　暑＝Ｅ（　”Ｉ　¨＝　）　’　ｒ　”　¨／ｖ４；　”’＝ｊｉ，　¨　更新迁移矩阵：使用前面所给出的公式计算　微分方程得到一组混合状态集合｛　２，，　：　『）＝　，，　离散状态迁移矩阵　，置，　，＋Ｊ『回到序贯重要　此集合中每一样本具有等加权值１／Ｎ；根据所得测　量值对样本进行评估，得到赋予与之相称的加权值　性采样。　（信任度）并归一化的样本集｛　“，　”，　“１＂１　根　退出与故障判断算法：在　时刻，判断系　据这些加权值进行重新抽样（Ｒｅｓａｍｐｌｉｎｇ），即根据　统所处的模式以及在该段时间中占多数的模式比　例，若与应该所处的模式相违则推断发生了故障，　与测量相似的程度增加或减少对应粒子得到一组　否则没有进入正常的算法中。　新的等加权值样本集合｛　ｎ，　，，作为下一循　５仿真实验与结果分析　环的起始样本集。重复该递推过程，使得该集合　这里使用前面的例子进行仿真米验证本文所　的近似分布逐步接近真实分布。样本集合中数目　提出的混合系统监控与故障诊断算法。首先给出　最多的模式就可视为系统模式估计，连续状态变　例子中的具体参数：Ｈ＝０．４ｍ，Ａ．＝０．５ｍ　，　２６　维普资讯 http://www.cqvip.com

计算机技术　用　ＵｄＬＩＥ技术》２００７年第２期　＝０．６　，　２＝０．６，　＝０．４，Ｐ＝０．６，　＝Ｏ．Ｏ０３ｍ　，　，：０．００３ｍ。，　，：Ｏ．Ｏ０１ｍ　和　厶（，）＝０．００６８ｍ　／ｓｅｃ，　此时输出方程为　＝ｌＯ００￣ｐｓＤ￣［ｇｈｌ＋　（１／ｓｅｅｏｎｄ），其中噪声为　口（Ｏ，０．１），实验中所使川的数据由Ｍａｔｌａｂ　产生。这里对有故障的情形下算法的表现进行分　析。采川的参数是粒子数为８Ｏ，系统的初始状态　为　（Ｏ）＝【０．３　Ｏ．２】　，估计算法中的初始状态为　（Ｏ）＝［０　Ｏ】　，仿真时间长度为７２００秒，采样　图６系统模式的估计及故障诊断结果　周期为１秒，　＝１５，　＝３５。　５．２仿真结果分析与讨论　５．１仿真实验结果　这里考虑的阀门　的堵塞故障，故障山现时　由仿真例子可看到粒子滤波器能同时跟踪　间为２２０秒，利用本文所提出的算法，其中估计　混合系统的运行模式和连续状态，可混合系统　误差闽值为Ｏ．５，仿真结果见图４－－．６。　故障诊断中发挥了应有的作用。粒子滤波算法　突出可进行混合估计的特点，且算法收敛性已　经有了初步保障ｌ８】，其的缺点是（与粒子数成　正比）计算量较大，随着ＣＰＵ能力的不断增强　会逐渐弱化。　６结论　本文使川随机混合自动机对存在某一类故障　●Ｉ一　圈４连续状态的估计结果　的混合系统进行建模，对这种随机混合自动机的　混合估计，井使用粒子滤波器算法对系统的运行　模式进行跟踪并同时估计系统的连续状态。虽然　存在某些缺点特别是计算量的问题，但粒子滤波　器还不失为解决混合系统的混合估计和诊断问题　的有效方法。文中的仿真结果表明所提出的方法　＿＝二二二［［　。　ｌ－。－＿．－＿＿＿＿．＿●－＿＿＿＿＿＿＿＿ＪＬ＿＿＿＿Ｊ＿＿＿＿＿－＿・＿是可行的，是可以应用于混合系统的监控与故障　－Ｊ＿０，・＿＿－　一　圈５系统输出的估计结果　诊断中。　参考文献：　【Ｉ】Ｍ．Ｂａｓｓｅｖｉｌｌｅ，Ａ．Ｂｅｎｖｅｎｉｓｔｅ，ａｎｄ　Ｌ．Ｔｒｏｍｐ．Ｄｉａｇｎｏｓｉｎｇ　ｈｙｂｒｉｄ　ｄｙｎａｍｉｃａｌ　ｓｙｓｔｅｍｓ：Ｆａｕｌｔ　ｇｒａｐｈｓ，ｓｔａｔｉｓｔｉｃａｌ　ｒｅｓｉｄｕａｌｓ　ａｎｄ　Ｖｉｔｅｒｂｉ　ａｌｇｏｒｉｔｈｍｓ．Ｉｎ　Ｐｒｏｃ．ｏｆｔｈｅ　３７ｔｈ　ＩＥＥＥ　ＣＤＣ，Ｐ　３７５７－３７６２，１９９８．　【２】Ｄ．Ｍｉｇｎｏｎｅ，Ａ．Ｂｅｍｐｏｒａｄ，ａｎｄ　Ｍ．Ｍｏｒａｒｉ，Ａ　ｆａｒｍｅｗｏｒｋ　ｆｏｒ　ｃｏｎｔｒｏｌ，ｆａｕｌｔ　ｄｅｔｅｃｔｉｏｎ，ｓｔａｔｅ　ｅｓｔｉｍａｔｉｏｎ　ａｎｄ　ｖｅｒｉｉｆｃａｔｉｏｎ　ｏｆ　ｈｙｂｒｉｄ　ｓｙｓｔｅｍｓ　Ａｍｅｒｉｃａｎ　ＣｏｎｔｒｏＩ　Ｃｏｎｆｅｒｅｎｃｅ，Ｐ．１　３４－Ｉ　３８．Ｊｕｎｅ　Ｉ　９９９　．　【３１　Ｘ．Ｋｏｕｔｓｏｕｋｏｓ，Ｆ．Ｚｈａｏ，Ｈ．Ｈａｕｓｓｅｃｋｅｒ，Ｊ．Ｒｅｉｃｈ，ａｎｄ　Ｐ．Ｃｈｅｕｎｇ　Ｆａｕｌｔ　Ｍｏｄｅｌｉｎｇ　ｆｏｒ　Ｍｏｎｉｔｏｒｉｎｇ　ａｎｄ　Ｄｉａｇｎｏｓｉｓ　ｏｆ　Ｓｅｎｓｏｒ－Ｒｉｃｈ　Ｈｙｂｒｉｄ　Ｓｙｓｔｅｍｓ，Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆｔｈｅ　４０ｔｈ　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｄｅｃｉｓｉｏｎ　ｎａｄ　Ｃｏｎｔｒｏｌ，ＰＰ．７９３－８０１，Ｏｒｌａｎｄｏ，ＦＬ，　Ｄｅｃｅｍｂｅｒ　２００Ｉ．　【４】Ａ．Ｂａｌｌｕｃｈｉ，Ｌ．Ｂｅｎｖｅｎｕｔｉ，Ｍ．Ｄ．Ｄｉ　Ｂｅｎｅｄｅｔｔｏ，ａｎｄ　Ａ．Ｌ．Ｓａｎｇｉｏｖａｎｎｉ－Ｖｉｎｃｅｎｔｅｌｌｉ．Ｄｅｓｉｇｎ　ｏｆ　ｏｂｓｅｒｖｅｒｓ　ｏｆｒ　ｈｙｂｒｉｄ　ｓｙｓｔｅｍｓ．Ｉｎ　Ｃ．Ｔｏｍｌｉｎ　ａｎｄ　Ｍ．Ｒ．Ｇｒｅｅｎｓｔｒｅｅｔ，ｅｄｉｔｏｒｓ，Ｈｙｂｒｉｄ　Ｓｙｓｔｅｍｓ：Ｃｏｍｐｕｔａｔｉｏｎ　ａｎｄ　Ｃｏｎｔｒｏ１．ＬＮＣＳ，ｖｏｌｕｍｅ　２２８９，ｐａｇｅｓ　７６－８９．　Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，２００２．　【５　Ｍｉ５】ｃｈａｅｌ　Ｈｏｆｂａｕｒ，Ｂｒｉａｎ　Ｃ．Ｗｉｌｌｉａｍｓ　Ｍｏｄｅ　Ｅｓｔｉｍａｔｉｏｎ　ｏｆ　Ｐｒｏｂａｂｉｌｉｓｔｉｃ　Ｈｙｂｒｉｄ　Ｓｙｓｔｅｍｓ．ＨＳＣＣ　２００２：２５３－２６６．　【６　Ｔｈｏｍａ６】ｓ　Ｈｅｎｚｉｎｇｅｒ　Ｔｈｅ　Ｔｈｅｏｒｙ　ｏｆ　Ｈｙｂｒｉｄ　Ａｕｔｏｍａｔａ　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｉ　Ｉ　ｔｈ　Ａｎｎｕａｌ　Ｉ　ＥＥＥ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ　Ｌｏｇｉｃ　ｊｎ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ＬＩＣＳ’９６，Ｉ　９９６，Ｎｅｗ　Ｂｒｕｎｓｗｉｃｋ，Ｎｅｗ　Ｊｅｒｓｅｙ，ｐ２７８．２９２　（转２３页）　２７　维普资讯 http://www.cqvip.com

计算机技术应用　《机ＩＵ技术》２００７年第２期　并预先确定一个非常接近于１的阂值（例如　“次要的”（称为次奇异值），从而将Ｐ确定为矩阵　０．９９５）。于是，当Ｐ是ｖ（ｋ）大于或等于该阂值的　Ａ的有效值。利川归一化比值ｖ（ｋ）确定上述矩阵　最小整数时，就可以认为前面Ｐ个奇异值是“主要　的有效秩，即可得到模型的ＡＲ阶数的估计。　的”（称为主奇异值），而后面的所有奇异值则是　＇　Ｏ矗　Ｏ　Ｔ，　图３修正奇异值分解法定阶　幽４修正奇异值分解法　双　图３为结合电流为１Ａ时的数据采川修正奇　　．４结束语　异值分解法定阶的情况，其中可以看到，当Ｐ＝８　一　高阶谱的定阶问题目前尚无定论，本文讨论　时，逼近误差非常小，因此可以判定系统的阶次　了目前较为常用的几种定阶方式，发现在Ｍａｔｌａｂ　为８，这与一般的处理方法吻合。在实验过程中，　里高阶谱定阶函数并不适合进行定阶，其原因在　通过对上百组实验数据拟合比较发现，采川这种　于既与经验方法差距较大，同时表达出来的双谱　算法拟合出来的阶次正好在８～１０阶之间。图４　不能全面地反映系统的特征。在此基础上，提出　为结合电流为１Ａ时的数据采川修正奇异值分解　了一种修正的奇异值分解方法，它能满足实验数　法画出的双谱。相对图２，峰谷适当，能够比较好　　的提取信号的特征。　参考文献：　瓣一　据分析的需要。［１］张旭东，陆明泉．离散随机信号处理［Ｍ］，北京：清华人学出版社．２００５：２８２－３０１．　［２］张贤达．现代信号处理［Ｍ］．北京：清华火学出版社．２００２：６５－１５７．　［３］Ｈｏｒｎ　Ｒ　Ａ，Ｊｏｈｎｓｏｎ　Ｃ　Ｒ．ｎ１．Ｍａｔｒｉｘ　Ａｎａｌｙｓｉｓ［Ｊ］，Ｌｏｎｄｏｎ：Ｃａｍｂｒｉｄｇｅ　Ｏｎｉｖ．ｐｒｅｓｓ．１９８５．　作者简介：郑叫辉，（１９７１年一），男，福建工程学院机也系讲师，主要研究液压与气动技术教学。　（接２７页）　【７】Ｋｏｕｔｓｏｕｋｏｓ，Ｘ．Ｄ．；Ｋｕｒｉｅｎ，Ｊ．Ａ．；Ｚｈａｏ，Ｅ　Ｍｏｎｉｔｏｒｉｎｇ　ａｎｄ　ｄｉａｇｎｏｓｉｓ　ｏｆ　ｈｙｂｒｉｄ　ｓｙｓｔｅｍｓ　ｕｓｉｎｇ　ｐａｒｔｉｃｌｅ　ｆｉｌｔｅｒｉｎｇ　ｍｅｔｈｏｄｓ．　Ｆｉｆｔｅｅｎｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ　Ｍａｔｈｅｍａｔｉｃａｌ　Ｔｈｅｏｒｙ　ｏｆＮｅｔｗｏｒｋｓ　ａｎｄ　Ｓｙｓｔｅｍｓ（ＭＴＮＳ　２００２）；２００２　Ａｕｇｕｓｔ　１２－１６；　Ｎｏｔｒｅ　Ｄａｍｅ；ＩＮ；ＵＳＡ　【８】Ｖ　Ｖｃｒｍａ，Ｊ　Ｌａｎｇｆｏｒｄ，ａｎｄ　Ｒ　Ｓｉｍｍｏｎｓ．Ｎｏｎｐａｒａｍｅｔｒｉｃ　ｆａｕｌｔ　ｉｄｅｎｔｉｉｆｃａｔｉｏｎ　ｆｏｒ　ｓｐａｃｅ　ｒｏｖｅｒｓ．Ｉｎ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ　Ａｒｔ￣ｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ　ａｎｄ　Ｒｏｂｏｔｉｃｓ　ｉｎ　Ｓｐａｃｅ（ｍＡｉｍＳ），Ｊｕｎｅ　２００１　［９　Ｍｏ　Ｙｉ９】ｗｅｉ，Ｘｉａｏ　Ｄｅｙｕｎ，Ｈｙｂｒｉｄ　Ｓｙｓｔｅｍ　Ｍｏｎｉｔｏｒｉｎｇ　ａｎｄ　Ｄｉａｇｎｏｓｉｎｇ　Ｂａｓｅｄ　ｏｎ　Ｐａｒｔｉｃｌｅ　Ｆｉｌｔｅｒ　Ａｌｇｏｒｉｔｈｍ　Ｉｎ　ＡＣＴＡ　ＡＵＴＯＭＡＴＩＣＡ　ＳＩＮＩＣＡ，２００３，２９（５）：６４１－６４８．　作者简介：郑玉英，（１９６６年～），女，中级职称，主要从事企业设备管理与设备技术改造工作。　２３