基于密度流匹配的数据驱动概率故障检测与辨识

故障检测与辨识（FDI）对于维持受执行器和传感器故障影响的系统的安全性和可靠性至关重要。本文研究了在同时存在执行器和传感器故障的非线性控制仿射系统中的FDI问题。我们通过沿轨迹的概率密度流演化来建模故障特征，并利用2-Wasserstein度量来刻画可检测性。为了基于系统参数和故障幅度引入可量化的故障可检测性保证，我们推导了标称动力学与故障动力学之间分布分离的上界。这是通过对2-Wasserstein度量下概率分布的随机收缩分析实现的。通过一种条件流匹配方案，我们开发了一种数据驱动的FDI方法，该方案学习在不同故障特征下控制密度传播的神经向量场。为了使数据驱动的FDI方法能够泛化到连续故障幅度，我们引入了高斯桥插值和特征线性调制（FiLM）条件化。我们所提方法的有效性在航天器姿态控制系统上得到了说明，并将其性能与一个增广扩展卡尔曼滤波器（EKF）基线进行了比较。结果表明，基于轨迹的分布分析提供了对故障场景的改进区分能力，并实现了比增广EKF具有更低误报率的可靠数据驱动FDI。