Please use this identifier to cite or link to this item: http://hdl.handle.net/10077/3118
Title: Distributed fault detection and isolation of large-scale nonlinear systems: an adaptive approximation approach
Authors: Ferrari, Riccardo
Supervisore/Tutore: Parisini, Thomas
Cosupervisore: Polycarpou, Marios
Issue Date: 20-Apr-2009
Publisher: Università degli studi di Trieste
Abstract: The present thesis work introduces some recent and novel results about the problem of fault diagnosis for distributed nonlinear and large scale systems. The problem of automated fault diagnosis and accommodation is motivated by the need to develop more autonomous and intelligent systems that operate reliably in the presence of system faults. In dynamical systems, faults are characterized by critical and unpredictable changes in the system dynamics, thus requiring the design of suitable fault diagnosis schemes. A fault diagnosis scheme that drew considerable attention and provided remarkable results is the so called model based scheme, which is based upon a mathematical model of the healthy behavior of the system that is being monitored. At each time instant, the model is used to compute an estimate of what should be the current behavior of the system, assuming it is not affected by a fault. If the behavior of the system is characterized by the time evolution of its state vector x(t), and the inputs to the system are denoted as u(t), then the most general nonlinear and uncertain discrete time model can be represented by x(t + 1) = f (x(t), u(t)) + η(t) , where the nonlinear function f represents the nominal model of the healthy system, and η(t) is an uncertainty term. A proven way to compute an estimate of the state x(t) is by using a diagnostic observer, so that in healthy conditions the residual between the true and the estimated value is, in practice, close to zero. Should the residual cross at a certain point a suitable threshold ̄ǫ(t), the observed difference between the model estimate and the actual measurements will be explained by the presence of a fault. The model-based scheme outlined so far has showed many interesting properties and advantages over signal-based ones, but anyway poses practical implementation problems when one tries to apply it to actual distributed, large-scale systems. In fact an implicit assumption about the model-based scheme is that the task of measuring all the state and input vectors components, and the task of computing the estimate of x(t) can be done in real-time by some single and powerful computer. But for large enough systems, this assumptions cannot be fulfilled by available measurement, communication and computation hardware. This problem constitutes the motivation of the present work. It will be solved by developing decomposition strategies in order to break down the original centralized diagnosis problem into many distributed diagnosis subproblems, that are tackled by agents called Local Fault Diagnosers that have a limited view about the system, but that are allowed to communicate between neighboring agents. In order to take advantage of the distributed nature of the proposed schemes, the agents are allowed to cooperate on the diagnosis of parts of the system shared by more than one diagnoser, by using consensus techniques. Chapter 2 introduces the problem of model-based fault diagnosis by presenting recent results about the centralized diagnosis of uncertain nonlinear discrete time systems. The development of a distributed fault diagnosis architecture is covered in the key Chapter 3, while Chapters 4 and 5 show how this distributed architecture is implemented for discrete and continuous time nonlinear and uncertain large–scale systems. In every chapter an illustrative example is provided, as well as analytical results that characterize the performances attainable by the proposed architecture. ---------------------------------------------------
Questo lavoro di tesi presenta alcuni risultati recenti ed innovativi sulla diagnostica di guasto per sistemi nonlineari distribuiti e su larga scala. Il problema della diagnostica automatica di guasto è motivata dal bisogno di sviluppare sistemi maggiormenti autonomi e robusti, che possano operare in modo affidabile anche in presenza di guasti. Nei sistemi dinamici, i guasti sono caratterizati da variazioni critiche ed imprevedibili della dinamica, e richiedono perciò la progettazione di schemi di diagnostica adeguati. Uno schema che ha riscosso notevole successo è il cosidetto schema basato su modello, che si fonda su un modello matematico del comportamento sano del sistema sotto osservazione. Ad ogni istante, il modello è usato per calcolare una stima di quello che dovrebbe essere il comportamento attuale, supponendo l’assenza di guasti. Se il comportamento del sistema è caratterizzato attraverso l’evoluzione temporale del vettore di stato x(t), ed il vettore degli ingressi è indicato con u(t), allora il modello più generale per un sistema non lineare ed incerto a tempo discreto è x(t + 1) = f (x(t), u(t)) + η(t) , dove la funzione nonlineare f rappresenta la dinamica del sistema sano, mentre η(t) è l’incertezza di modello. Un modo comprovato per calcolare una stima dello stato x(t) fa uso di un osservatore diagnostico, cosicché in condizioni normali il residuo tra il valore vero e quello stimato è, in pratica, quasi nullo. Se dovesse ad un certo punto superare un’opportuna soglia, la differenza osservata tra la stima del modello ed il valore vero misurato sarebbe spiegabile con la presenza di un guasto. Lo schema basato su modello riassunto finora ha mostrato molte proprietà interessanti e vantaggi rispetto quelli basati su segnali, ma pone in ogni caso problemi di tipo pratico quando lo si voglia applicare a sistemi reali distribuiti e su larga scala. Infatti un’ipotesi sottointesa dello schema basato su modello è che il compito di misurare tutte le componenti di x(t) e di u(t), e quello di calcolare la stima di x(t) possa essere portato a termine in tempo reale da un singolo nodo di calcolo. Nel caso di sistemi sufficientemente vasti, però, questa ipotesi non può essere rispettata da alcuna delle risorse di calcolo disponibili in pratica. Questo problema è alla base del presente lavoro di tesi. Verrà risolto sviluppando delle strategie di decomposizione in modo da suddividere il problema di diagnostica centralizzato in molteplici sotto-problemi distribuiti, dati in carico ad agenti detti Diagnostici Locali, che hanno una visione limitata del sistema, ma che possono comunicare con agenti vicini. In modo da sfruttare la natura distribuita dello schema proposto, gli agenti potranno cooperare sulla diagnostica di parti del sistema che siano comuni a più diagnostici, attraverso tecniche di consenso. Il Capitolo 2 introduce il problema della diagnostica basata su modello attraverso dei risultati recenti sulla diagnostica centralizzata di sistemi a tempo discreto con dinamica non lineare ed incerta. Lo sviluppo dell’architettura di diagnostica distribuita è trattato nel fondamentale Capitolo 3, mentre i Capitoli 4 e 5 mostrano come questa architettura distribuita è implementata a tempo discreto e a tempo continuo. In ogni capitolo è presente un esempio didattico, oltre a risultati analitici che caratterizzano le prestazioni ottenibili dall’architettura proposta.
Ciclo di dottorato: XX Ciclo
metadata.dc.subject.classification: INGEGNERIA DELL'INFORMAZIONE
Description: 2007/2008
Keywords: fault diagnosis
large-scale systems
nonlinear systems
distributed diagnosis
adaptive approximation
Language: en
Type: Doctoral Thesis
Settore scientifico-disciplinare: ING-INF/04 AUTOMATICA
NBN: urn:nbn:it:units-7481
Appears in Collections:Ingegneria industriale e dell'informazione

Files in This Item:
File Description SizeFormat
00_master.pdfMain document2.64 MBAdobe PDFView/Open
Riassunto_EN.pdfEnglish summary21.86 kBAdobe PDFView/Open
Riassunto_IT.pdfRiassunto in italiano21.53 kBAdobe PDFView/Open
Show full item record


CORE Recommender

Page view(s)

1,592
Last Week
0
Last month
2
checked on Nov 15, 2018

Download(s)

8,536
checked on Nov 15, 2018

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.