基于修正IMM 的風(fēng)機(jī)變槳系統(tǒng)故障診斷方法

王進(jìn)花，朱恩昌，曹潔，余萍，3

（1.蘭州理工大學(xué) 電氣工程與信息工程學(xué)院，蘭州730050； 2.甘肅省工業(yè)過程先進(jìn)控制重點(diǎn)實(shí)驗(yàn)室，蘭州730050；3.蘭州理工大學(xué) 電氣與控制工程國家級實(shí)驗(yàn)教學(xué)示范中心，蘭州730050）

風(fēng)能的開發(fā)和利用近些年正處于一個快速上升階段［1］。風(fēng)力發(fā)電機(jī)是風(fēng)能轉(zhuǎn)換電能的重要設(shè)備，其中的變槳子系統(tǒng)在維持風(fēng)機(jī)的功率輸出穩(wěn)定和運(yùn)行安全上起著重要的作用。

相對于發(fā)電機(jī)、齒輪箱等其他子系統(tǒng)，變槳系統(tǒng)故障診斷方法的研究起步較晚，但近幾年國內(nèi)外學(xué)者相繼做出了許多嘗試。文獻(xiàn)［2］采用多胞形未知輸入觀測器解耦干擾，利用其生成殘差檢測變槳執(zhí)行器卡死故障。文獻(xiàn)［3］引入了一個故障指示因子來表征變槳執(zhí)行器參數(shù)故障的緩變程度，并設(shè)計(jì)自適應(yīng)觀測器來估計(jì)指示因子。文獻(xiàn)［4］使用變遺忘因子遞推最小二乘算法對變槳執(zhí)行器故障參數(shù)進(jìn)行辨識實(shí)現(xiàn)診斷。文獻(xiàn)［5］設(shè)計(jì)激勵信號通過頻域分析檢測并隔離了早期執(zhí)行器緩變故障。文獻(xiàn)［6］設(shè)計(jì)觀測器，并設(shè)計(jì)檢測閾值，實(shí)現(xiàn)了變槳傳感器緩變故障的檢測。文獻(xiàn)［7］設(shè)計(jì)多新息觀測器與實(shí)際系統(tǒng)生成殘差，實(shí)現(xiàn)了變槳傳感器的恒增益和卡死故障的故障檢測。上述文獻(xiàn)對執(zhí)行器緩變故障、卡死故障和部分傳感器故障進(jìn)行了初步的故障診斷研究，但對于變槳系統(tǒng)傳感器的多故障的檢測和分離問題的研究目前還很少。文獻(xiàn)［8］驗(yàn)證了多模型自適應(yīng)估計(jì)（MMAE）與擴(kuò)展卡爾曼濾波（EKF）結(jié)合方法對電動變槳系統(tǒng)的不同傳感器故障檢測和分離的有效性，但其故障診斷準(zhǔn)確度還有待進(jìn)一步提升。

動態(tài)系統(tǒng)的故障診斷問題可抽象成一個混雜系統(tǒng)的估計(jì)問題［9］，即通過連續(xù)的系統(tǒng)輸入輸出來估計(jì)出系統(tǒng)當(dāng)前的離散的工作模式或故障模式。本文變槳系統(tǒng)的傳感器多故障診斷問題正是基于這種思路，建立不同的傳感器故障模型并通過自適應(yīng)估計(jì)來識別這些模型。交互式多模型（IMM）是一種經(jīng)典的混雜系統(tǒng)狀態(tài)估計(jì)方法，建立適當(dāng)?shù)哪Ｐ图啥鄠€濾波器進(jìn)行狀態(tài)估計(jì)［10］。通過模型概率的計(jì)算獲得當(dāng)前與實(shí)際系統(tǒng)最匹配的模型，IMM 可以完成多故障的檢測與隔離，并能同時進(jìn)行系統(tǒng)狀態(tài)的估計(jì)。由于加入了交互環(huán)節(jié)，相較于MMAE等一般多模型方法，IMM方法有更好的模型識別能力和狀態(tài)估計(jì)精度，得到了廣泛的應(yīng)用。文獻(xiàn)［11］將改進(jìn)的平滑變結(jié)構(gòu)濾波器與IMM 結(jié)合對一類航天器的執(zhí)行器參數(shù)故障實(shí)現(xiàn)了分離。文獻(xiàn)［12］利用異步傳感器融合改進(jìn)IMM 結(jié)合卡爾曼濾波方法（IMMKF）完成了高速列車的牽引逆變器多個絕緣柵雙極型晶體管（IGBT）開關(guān)管的開路故障的故障檢測和多故障定位分離。但是沒有考慮到IMM 本身的模型轉(zhuǎn)移概率對故障診斷性能的影響。文獻(xiàn)［13］采用IMM-KF對車輛垂向減振器不同程度的參數(shù)故障實(shí)現(xiàn)了分離，并分析了不精確模型轉(zhuǎn)移概率會降低故障診斷結(jié)果的精度，但是并沒有提出有效的解決方法。文獻(xiàn)［14］采用模型概率變化的后驗(yàn)信息設(shè)計(jì)修正函數(shù)來在線修正IMM的模型轉(zhuǎn)移概率。文獻(xiàn)［15］則采用模型似然函數(shù)值進(jìn)行模型轉(zhuǎn)移概率矩陣的修正函數(shù)設(shè)計(jì)，同時保持主對角元素占優(yōu)，一定程度上緩解了過度修正導(dǎo)致的模型切換速度下降。但是由于模型概率由模型轉(zhuǎn)移概率進(jìn)行引導(dǎo)，系統(tǒng)模式的切換是一種軟切換，會導(dǎo)致一定的診斷延遲和診斷錯誤。

針對IMM故障診斷中固定模型轉(zhuǎn)移概率導(dǎo)致的診斷準(zhǔn)確性、速度下降和估計(jì)精度損失問題，本文引入粒子濾波（PF）方法和IMM 方法對包含傳感器多種故障的風(fēng)機(jī)變槳系統(tǒng)進(jìn)行故障診斷和自適應(yīng)估計(jì)；在非模式切換階段對IMM的模型轉(zhuǎn)移概率進(jìn)行自適應(yīng)修正，提高方法的狀態(tài)估計(jì)精度；在模式切換階段使用反轉(zhuǎn)策略修正模型概率，以提高診斷速度和減少模型失配，進(jìn)而提高診斷的準(zhǔn)確性。

1 系統(tǒng)描述

本文研究中采用Odgaard等提出的4.8 MW風(fēng)機(jī)基準(zhǔn)模型［16］，其中各子系統(tǒng)之間的關(guān)系如圖1所示，圖中：β和βr分別為槳距角和其參考值；ωr和ωg分別為轉(zhuǎn)子和發(fā)電機(jī)的轉(zhuǎn)速；τg、τr和τgr分別為發(fā)電機(jī)轉(zhuǎn)矩、轉(zhuǎn)子轉(zhuǎn)矩和發(fā)電機(jī)轉(zhuǎn)矩參考值；Pr和Pg分別為發(fā)電機(jī)輸出功率參考值和實(shí)際值；Vw為風(fēng)速。風(fēng)電機(jī)組系統(tǒng)由控制器、變槳系統(tǒng)、空氣動力學(xué)系統(tǒng)、傳動系統(tǒng)、發(fā)電機(jī)與變換器幾部分組成。

圖1 基準(zhǔn)模型子系統(tǒng)原理圖Fig.1 Schematic diagram of benchmark model subsystem

變槳系統(tǒng)由3個獨(dú)立控制的液壓伺服執(zhí)行機(jī)構(gòu)組成，控制器分別對3個液壓伺服執(zhí)行機(jī)構(gòu)提供電流信號來進(jìn)行葉片槳距角的控制，以在高風(fēng)速的工況下維持發(fā)電機(jī)的額定轉(zhuǎn)速和恒定功率輸出。其中一個獨(dú)立的變槳執(zhí)行器被建模成一個二階動態(tài)系統(tǒng)：

式中：βi（s）和βr，i（s）分別為第i個葉片的槳距角和其參考值；ξ為阻尼系數(shù)；ωn為自然頻率。

將式（1）轉(zhuǎn)化為狀態(tài)空間方程形式，利用歐拉法進(jìn)行離散化，并加入過程噪聲、量測噪聲和傳感器故障得到式（2）所示的離散狀態(tài)空間方程：

式中：xk、uk、wk、yk和vk分別為狀態(tài)變量、輸入變量、過程噪聲、輸出變量和量測噪聲；fs，k為k時刻的故障模型；f（·）和h（·）分別為系統(tǒng)動態(tài)方程和觀測方程。變槳系統(tǒng)由于頻繁的動作和惡劣的工況，會因?yàn)橐恍C(jī)械、電氣或環(huán)境因素導(dǎo)致傳感器故障［8］，傳感器故障主要可分為恒增益、恒偏差、卡死等故障。為了模擬發(fā)生某個傳感器故障，需建立相應(yīng)數(shù)學(xué)模型并于特定時間在仿真系統(tǒng)中注入這些故障。表1列出了4種傳感器故障模型。

表1 傳感器故障模型Table 1 Sensor failure models

2 基于修正IMM-PF的故障診斷

根據(jù)式（2）和表1所建立的變槳系統(tǒng)和M1～M4故障模型可以建立相應(yīng)的濾波器，通過交互使各濾波器之間共享歷史信息，各濾波器并行估計(jì)并根據(jù)似然函數(shù)更新各模型的概率，最后利用模型概率進(jìn)行狀態(tài)的融合輸出和模型的識別，即完成狀態(tài)估計(jì)和故障診斷。IMM 集成多個子濾波器來獲得系統(tǒng)的狀態(tài)估計(jì)，其中濾波器一般根據(jù)實(shí)際系統(tǒng)的情況進(jìn)行選擇。對于變槳系統(tǒng)，由于建模誤差、風(fēng)速擾動和噪聲的復(fù)雜性，其模型的過程噪聲通常呈現(xiàn)為非高斯分布［17］，因此本文采用PF作為IMM中的次優(yōu)濾波器。

2.1 IMM-PF故障診斷方法

基于IMM的故障診斷方法，每個迭代周期內(nèi)主要包含4個步驟。

步驟1輸入交互。

IMM與PF結(jié)合時，交互和融合有多種方式，分別為模型層面的交互融合、粒子層面的交互融合以及粒子層面的交互和模型層面的融合。文獻(xiàn)［18］對以上3種IMM 與PF結(jié)合方式進(jìn)行了實(shí)驗(yàn)，結(jié)果顯示第1種方式的目標(biāo)跟蹤性能最優(yōu)，因此本文采用了此種方式。

輸入交互就是在迭代周期的開始對各濾波器上一時刻的輸出進(jìn)行交互得到當(dāng)前時刻的輸入進(jìn)行迭代，交互過程由式（3）～式（7）定義。

步驟2并行濾波。

式中：rand為隨機(jī)函數(shù)。

根據(jù)建議分布進(jìn)行重要性采樣得到粒子的預(yù)測值：

根據(jù)觀測值計(jì)算殘差，用殘差計(jì)算粒子權(quán)值，并歸一化。

步驟3概率更新。

IMM利用每個濾波器估計(jì)值的似然函數(shù)根據(jù)式（17）來更新模型概率：

在正常工作模式下，正常模型對應(yīng)的濾波器的模型概率應(yīng)該逼近于1，當(dāng)發(fā)生故障時，也就是發(fā)生模型切換時，相應(yīng)濾波器的模型概率應(yīng)該快速地上升到1，而其他的模型概率下降到0。將各濾波器的輸出按式（19）～式（21）進(jìn)行計(jì)算，根據(jù)模型概率進(jìn)行加權(quán)融合得到IMM-PF的估計(jì)結(jié)果。

步驟4故障診斷。

利用式（17）計(jì)算得到的模型概率和式（22）、式（23）決策函數(shù)實(shí)現(xiàn)故障診斷。當(dāng)模式失配時，模型集中沒有與當(dāng)前系統(tǒng)狀態(tài)匹配的模型，會導(dǎo)致漏診。

式中：μ′T為根據(jù)經(jīng)驗(yàn)預(yù)先設(shè)定的診斷閾值，閾值小則診斷延遲小，誤診率較高，閾值大則診斷延遲大，誤診率較低。

IMM相較于其他方法有幾個顯著的優(yōu)勢：①由于同時用幾個模型來表示系統(tǒng)的各個工作情況，相較于單模型的方法，IMM 在系統(tǒng)結(jié)構(gòu)或參數(shù)發(fā)生變化時也能較好地完成狀態(tài)估計(jì)。②單模型方法需要另外設(shè)計(jì)故障分離算法，而IMM可以同時完成故障檢測和故障分離，方法設(shè)計(jì)和實(shí)施更容易。③因在每個迭代周期前后引入交互和融合步驟，相較于一般多模型方法，如MMAE，IMM的模型識別正確率更高，狀態(tài)估計(jì)結(jié)果也更準(zhǔn)確。

但I(xiàn)MM 故障診斷方法存在以下2個問題：①當(dāng)系統(tǒng)處于非模式切換階段時，由于標(biāo)準(zhǔn)IMM的模型轉(zhuǎn)移概率矩陣是根據(jù)先驗(yàn)知識依經(jīng)驗(yàn)預(yù)設(shè)的，并在整個方法迭代過程中保持不變，難以應(yīng)對現(xiàn)實(shí)應(yīng)用中的復(fù)雜變化。不精確的模型轉(zhuǎn)移概率會影響濾波器之間的交互，并最終降低系統(tǒng)狀態(tài)的融合估計(jì)精度。②系統(tǒng)處于模式切換階段時，模式瞬間發(fā)生切換，IMM 通過計(jì)算出的模型概率來呈現(xiàn)系統(tǒng)模式的變化，匹配模型的概率超過閾值，則完成了對系統(tǒng)模式切換的跟蹤。而模型概率的計(jì)算由模型轉(zhuǎn)移概率引導(dǎo)，是一種軟切換機(jī)制，所以存在一定的診斷延遲。而在這段延遲內(nèi)會存在模型競爭，導(dǎo)致誤診和漏診，同時也會降低狀態(tài)估計(jì)的精度。

2.2 模型轉(zhuǎn)移概率自適應(yīng)修正

針對以上2個問題，本文提出了模型轉(zhuǎn)移概率自適應(yīng)修正策略和模型概率反轉(zhuǎn)策略。IMM假設(shè)混雜系統(tǒng)的離散模式的隨機(jī)跳變過程為一階馬爾可夫鏈，即模型之間的切換服從：

式中：Mk-1和Mk分別為當(dāng)前和前一時刻的系統(tǒng)模型；πij為模型轉(zhuǎn)移概率矩陣。模型轉(zhuǎn)移概率表明了從上一個工作模式切換到另一個模式的概率，第i行的對角元素表示維持在上一時刻模式的概率，該行的非對角元素表示第i個模型向其他模型轉(zhuǎn)移的概率，這種模式的依概率切換使得IMM利用較少的濾波器就可以獲得較好的估計(jì)效果并能更好地捕捉系統(tǒng)的模式突變。

系統(tǒng)噪聲會影響匹配模型的似然函數(shù)，并影響模型概率的占優(yōu)程度，由式（17）可以看出，抑制這種影響，可以通過修正模型轉(zhuǎn)移概率πij。在非模式切換階段，對模型轉(zhuǎn)移概率修正的主要目標(biāo)是在系統(tǒng)模式穩(wěn)定時保持匹配模型的模型概率占優(yōu)。

IMM的后驗(yàn)信息模型概率反映了各模型與實(shí)際系統(tǒng)的匹配程度，它的變化也能很好地反應(yīng)模型占優(yōu)程度的變化，因此考慮利用其設(shè)計(jì)修正函數(shù)在線自適應(yīng)地修正模型轉(zhuǎn)移概率。

2.3 模型概率的反轉(zhuǎn)策略

在模式切換階段對模型概率修正的主要目標(biāo)是保證模型概率在系統(tǒng)模式發(fā)生變化時快速地切換。IMM軟切換機(jī)制會導(dǎo)致診斷延遲，而如果繼續(xù)使用非模式切換階段的修正策略，會使模型轉(zhuǎn)移概率積累許多歷史信息，即轉(zhuǎn)移向某一模型的概率偏大，導(dǎo)致更長的診斷延遲。模型的似然函數(shù)也能反應(yīng)模型與系統(tǒng)的匹配程度，且當(dāng)模式發(fā)生變化時也會發(fā)生相應(yīng)變化，因此采用模型的似然函數(shù)值之比λlik來切換修正方式，其計(jì)算公式為

圖2 MIMM-PF故障診斷方法流程圖Fig.2 Flowchart of MIMM-PF fault diagnosis method

3 實(shí)驗(yàn)與分析

3.1 故障影響分析

圖3 仿真實(shí)驗(yàn)框架Fig.3 Framework of simulation experiment

所使用的風(fēng)速覆蓋了風(fēng)機(jī)的2個工況：變速工況（風(fēng)速3～15 m/s）和變槳工況（風(fēng)速15～25 m/s）。由于變槳系統(tǒng)只有在高風(fēng)速下的變槳工況才會進(jìn)行變槳動作，本文選取變槳工況中的600個采樣點(diǎn)進(jìn)行仿真實(shí)驗(yàn)。選取3個傳感器故障模型與正常模型構(gòu)成模型集，其故障幅值與注入時間設(shè)置如式（29）所示：

式中：ΔT為采樣間隔。

通過如圖4所示的正常葉片與故障葉片的仿真結(jié)果對比可以看到故障對變槳系統(tǒng)的影響。t在100ΔT～200ΔT范圍內(nèi)時，模式由正常到恒增益故障的切換瞬間故障葉片的傳感器輸出變?yōu)檎Ｈ~片的一半，而由于閉環(huán)系統(tǒng)中的PI控制器對故障具有補(bǔ)償作用，變槳系統(tǒng)的輸入值發(fā)生了反向的變化，導(dǎo)致槳距角也向相同的方向變化，從而傳感器的輸出慢慢變?yōu)閷?shí)際槳距角的一半。t在200ΔT～300ΔT范圍內(nèi)時，模式由恒增益故障到正常的切換瞬間，由于前面?zhèn)鞲衅鞴收系挠绊懀瑯嘟沁€處在反向異常的值，所以傳感器輸出有一個反向的跳變，隨著故障消失，槳距角狀態(tài)值和觀測值也漸漸地恢復(fù)到和正常葉片一樣。相同地，由于控制器的補(bǔ)償作用，t在300ΔT～400ΔT范圍內(nèi)時，槳距角傳感器發(fā)生-2°的偏置故障，t在500ΔT～600ΔT范圍內(nèi)時，發(fā)生卡死故障時，系統(tǒng)的輸入和狀態(tài)都發(fā)生了反相的變化。由于變槳系統(tǒng)傳感器故障導(dǎo)致的這種復(fù)雜變化，傳統(tǒng)基于單濾波器的故障診斷方法很難滿足性能上的需求。

圖4 故障對輸出、輸入和狀態(tài)的影響Fig.4 Fault impact on output，input and state

3.2 方法驗(yàn)證

為了驗(yàn)證應(yīng)用IMM-PF對風(fēng)機(jī)變槳系統(tǒng)傳感器多故障的有效性，針對式（29）所建立的模型集，分別設(shè)計(jì)4個相應(yīng)的粒子濾波器，采用IMMPF故障診斷方法，對從圖3所示仿真系統(tǒng)得到的輸入輸出數(shù)據(jù)進(jìn)行在線的自適應(yīng)估計(jì)，通過模型概率的計(jì)算得到當(dāng)前時刻與實(shí)際系統(tǒng)最匹配的模型，并進(jìn)行融合輸出，從而得到變槳系統(tǒng)的狀態(tài)估計(jì)和診斷結(jié)果，并與MMAE-PF進(jìn)行了對比。實(shí)驗(yàn)參數(shù)設(shè)置如下：仿真時間為6 s，采樣周期為0.01 s，粒子濾波器粒子數(shù)為50，過程噪聲和量測噪聲分別為w～Γ（0.1，0.1），v～N（0，0.001），槳距角初始值x0=10，診斷閾值μ′T設(shè)置為9.9，初始模型概率為μ0=（0.7，0.1，0.1，0.1）T，初始模型轉(zhuǎn)移概率設(shè)置為

實(shí)驗(yàn)設(shè)備配置為Inter Core i5-8520@1.6 GHz，內(nèi)存8 GB，操作系統(tǒng)Windows10。

使用標(biāo)準(zhǔn)IMM-PF故障診斷方法得到如圖5所示的診斷和狀態(tài)估計(jì)結(jié)果，圖中模型序號為0表示識別結(jié)果與4種模型都不匹配的漏診情況。從圖5（a）可以看到，MMAE-PF方法出現(xiàn)了較多的漏報(bào)，而標(biāo)準(zhǔn)IMM-PF除了在模式發(fā)生切換時存在一定的時間延遲，整個過程有較少的漏報(bào)，診斷結(jié)果整體上與預(yù)設(shè)的模式序列相吻合。從圖5（b）可以看出，MMAE-PF的估計(jì)偏離實(shí)際槳距角的程度較大，而IMM-PF大部分區(qū)間內(nèi)的槳距角估計(jì)較為準(zhǔn)確，誤差較小，只是t在500ΔT～600ΔT范圍內(nèi)時，發(fā)生傳感器卡死，槳距角估計(jì)都發(fā)生了振蕩。這是由于輸入值在變化，而濾波器無法獲得相應(yīng)的輸出值的更新。從結(jié)果可以看出無論是故障診斷還是狀態(tài)估計(jì)，IMM-PF總體上都可以滿足需求。

圖5 故障診斷結(jié)果和狀態(tài)估計(jì)Fig.5 Fault diagnosis results and state estimation

圖6 模型概率變化曲線Fig.6 Model probability variation curves

為了驗(yàn)證所提出的自適應(yīng)修正 IMM-PF（MIMM-PF）方法的性能，本文將其與標(biāo)準(zhǔn)IMMPF在3.1節(jié)所建立的故障診斷仿真框架下進(jìn)行性能對比實(shí)驗(yàn)。方法修正前后的模型概率變化對比如圖6所示，圖中修正1～修正4為采用修正方法后的模型1、2、3、4的曲線。可以看到，在t=200ΔT處模型切換后的模型概率發(fā)生了反轉(zhuǎn)，模型0的模型概率上升到接近1，其他模型的概率下降到接近0。而修正后相較標(biāo)準(zhǔn)IMM-PF方法的模型概率切換速度更快，切換后的模型概率也更接近于1。由于診斷和融合估計(jì)都要使用模型概率，這樣的效果有利于提高方法診斷的速度、準(zhǔn)確度和狀態(tài)估計(jì)的精度。從圖5（a）修正后的診斷結(jié)果可以看出，正確識別故障的數(shù)量明顯增加，且在模型切換時的延遲和模型失配也得到了減少；從圖5（b）的修正后的狀態(tài)估計(jì)結(jié)果可以看出，槳距角也能更好地逼近真實(shí)值。

為綜合評價(jià)這兩種方法的性能，本文選取了以下3個指標(biāo)：正確診斷（CDID），也就是診斷結(jié)果與實(shí)際模式匹配的個數(shù)，診斷延遲情況下從發(fā)生模式切換到給出正確診斷結(jié)果的時間間隔（Delay）以及融合估計(jì)的均方根誤差（RMSE），其定義如下：

表2 MIMM-PF與標(biāo)準(zhǔn)IMM-PF性能對比Table 2 Performance comparison between MIMM-PF and standard IMM-PF

從表2中的數(shù)據(jù)可以看出，修正后的故障診斷方法提高了18.22個正確診斷數(shù)，提升了近3%，減少了2.676 7個采樣間隔的延遲時間，降低了56.31%的估計(jì)誤差。此統(tǒng)計(jì)結(jié)果表明本文所提出的修正方法對基于標(biāo)準(zhǔn)IMM-PF的故障診斷方法從準(zhǔn)確性、速度和狀態(tài)估計(jì)精度都得到了較好的提升。為進(jìn)一步增加方法對于強(qiáng)噪聲的魯棒性，下一步的工作將對IMM-PF中的粒子濾波進(jìn)行分析和改進(jìn)，如文獻(xiàn)［19］根據(jù)噪聲和誤差進(jìn)行狀態(tài)轉(zhuǎn)移密度方差的自適應(yīng)調(diào)整，以增加粒子濾波對強(qiáng)噪聲的抗干擾能力。

4 結(jié) 論

1）建立了風(fēng)機(jī)變槳系統(tǒng)傳感器的多種故障的故障模型，將IMM與PF結(jié)合，在所建立的模型集上實(shí)現(xiàn)了自適應(yīng)估計(jì)、故障檢測與分離。

2）在此基礎(chǔ)上，為IMM 方法設(shè)計(jì)了新的在線自適應(yīng)修正方法。在非模型切換階段，利用模型概率梯度設(shè)計(jì)修正函數(shù)自適應(yīng)地修正模型轉(zhuǎn)移概率。

3）利用模型似然函數(shù)比檢測模式切換，并在模式切換階段使用反轉(zhuǎn)策略直接修正模型概率。

4）在風(fēng)機(jī)仿真系統(tǒng)上應(yīng)用所設(shè)計(jì)的MIMMPF故障診斷方法，可以實(shí)現(xiàn)預(yù)期的效果，并且診斷準(zhǔn)確性、速度和狀態(tài)估計(jì)精度相較標(biāo)準(zhǔn)方法都得到了較好的提高。