Title: Hierarchical Active Fault Diagnosis for Stochastic Large Scale Systems with Coupled Faults
Authors: Straka, Ondřej
Punčochář, Ivo
Citation: STRAKA, O., PUNČOCHÁŘ, I. Hierarchical Active Fault Diagnosis for Stochastic Large Scale Systems with Coupled Faults. In: Proceedings of the 2020 IEEE 23rd International Conference on Information Fusion (FUSION). Rustenburg: IEEE, 2020. s. 1-8. ISBN 978-0-578-64709-8.
Issue Date: 2020
Publisher: IEEE
Document type: konferenční příspěvek
conferenceObject
URI: 2-s2.0-85092704941
http://hdl.handle.net/11025/42251
ISBN: 978-0-578-64709-8
Keywords: Detekce chyb;rozlehlé systémy;vícemodelový přístup;distribuované odhadování
Keywords in different language: Fault diagnosis;large-scale systems;multiple-model;distributed estimation
Abstract: Článek se zabývá aktivní detekcí poruch rozlehlých stochastických systémů s poruchami modelovanými pomocí závislých markovských řetězců. Systém je popsán několika modely popisujícími bezporuchové a poruchové chování systému. Cílem aktivního detektoru je vedle samotné detekce také aktivní buzení systému s cílem zlepšit kvalitu detekce. Algoritmus se skládá ze dvou částí: off-line návrhu Bellmanovy funkce poskytující optimální buzení a on-line estimace, která generuje rozhodnutí a vybírá optimální buzení na základě Bellmanovy funkce. Konkrétně se článek zaměřuje na on-line estimaci a navrhuje algoritmus v hierarchické struktuře. Lokální uzly odhadují spojitý stav subsystémů, vybírají optimální buzení a posílají lokální věrohodnosti do centrálního uzlu. Centrální uzel generuje rozhodnutí a posílá příslušné pravděpodobnosti lokálním uzlům. Chování navrženého algoritmu je ověřeno jednoduchým numerickým příkladem.
Abstract in different language: The paper deals with the active fault diagnosis of large scale stochastic systems with faults modeled as mutually dependent Markov chains. The system is described by multiple models representing fault-free and faulty behavior of the system. The aim of the active fault detector in addition to detecting the faults is to excite the system to improve the detection quality. The algorithm consists of two stages: the off-line design of the Bellman function providing the optimal excitation and the on-line estimation, which generates the decisions and selects the optimal excitation according to the Bellman function. In particular, the paper focuses on the online estimation and proposes an algorithm in the hierarchical architecture. The local nodes estimate the continuous state of the subsystems, select the optimal excitations and send local likelihoods to the central node. The central node generates the decisions and submits the respective model probabilities to the local nodes. The performance of the proposed algorithm is validated using a simple numerical example.
Rights: Plný text je přístupný v rámci univerzity přihlášeným uživatelům
© IEEE
Appears in Collections:Konferenční příspěvky / Conference Papers (KKY)
Konferenční příspěvky / Conference papers (NTIS)
OBD

Files in This Item:
File SizeFormat 
article_FUSION20_StPu.pdf355,94 kBAdobe PDFView/Open    Request a copy


Please use this identifier to cite or link to this item: http://hdl.handle.net/11025/42251

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

search
navigation
  1. DSpace at University of West Bohemia
  2. Publikační činnost / Publications
  3. OBD