第四章 模擬結果與討論
4.4 討論
對於多個感測元件發生時間變化錯誤訊號來說，我們只能更正收斂速度以改變允許 錯誤變動量的大小，錯誤變動率的範圍可在我們系統允許範圍。若錯誤訊號的變動率大 過於系統所能允許同時變動範圍時，會造成更正不到理想訊號的情況。而前面有提及加 大增益值來加快更正收斂速度，假設我們只需更正一個感測器，而它完全更正至正確值 須 1 單位時間，而兩個感測器出錯就需要 1/2 單位時間，三個出錯則需 1/3 單位時間…
依此類推。所以要更正多個感測器就必須加快更正速率，然而如同前述所強調回授增益 值有一定增加範圍，所以頂多加大至增益值的一個極限，但是系統所使用的感測元件卻
是不確定的，有的簡單使用 3 個，有的複雜則使用 30 個。所以就之後改善重點可以著 重在系統可以確實同時允許兩個或以上的元件出錯，如此一來，系統同時出錯元件的個 數就可以允許比較多，也就降低了更正不足的情形。
第五章
結論及未來計畫(conclusion & future work)
5.1 結論
本論文利用 voting equation 與單一元件輸出的關係式當成鑑別錯誤的輸出方程式，
並搭配儲存記憶褪去式卡曼濾波器成功發展出一套即時錯誤鑑別法，可以即時偵測出元 件上所發生的錯誤量値。比較文獻[4]，我們準確的估測出錯誤訊號。比較[3][5][6][7]，
我們運用即時的狀態估測法來做線上(on-line)資料的估測。而在搭配狀態回授的方法把錯 誤訊號的量値更正回理想訊號狀態，不過利用狀態回授法會遇到如 3.4 所提及無法完全 更正至理想時的情況，未來可改善的方向可以採用不同的更正補償方式，或是討論感測 元件的配置關係來比較未更正完全的錯誤値大小。未來在錯誤更正有明顯改善後，即可 採用本方法使得感測元件應用的場合成為一個感測容錯系統，進而加強系統的可靠度及 信賴度。於工業用途上，可以改良慣性導航系統上加速規的訊號飄移情形，機器人控制 所用的位置方向感測器輸出訊號出錯情形以及許多感測器應用的系統上。
5.2 未來計畫
探討及改善本法能夠將出錯的輸出訊號更正至理想訊號。
改良鑑別法則，使得系統可以允許兩個或以上的元件出錯也能估測出錯誤。
建立實驗架構。
參考文獻(Reference)
[1] P.M. Frank “Fault diagnosis in dynamics systems using analytical and knowledge-based redundancy a survey and some new result” Automatica, Vol.26, pp.459-474, May 1990.
[2] J.J. Gerlter,“Survey of Model-based failure detection and isolation in complex plants” IEEE Control Syst. Mag., Vol.8 pp.3-11, Dec. 1988
[3] K. C. DaIy , E. G.i and J. V. Harrison , “Generalized Likelihood Test for IFDI in Redundant Sensor Configurations,” Journal of Guidance and Control. Vol.2, No. 1, Jan-Feb 1979.
[4] Asok Ray and Rogelio Luck ,” An introduction to sensor signal validation in redundant measurement systems” ,IEEE control system,pp.44-49,1991
[5] Jin, H. and Zhang, H.Y.,” Optimal Parity Vector Sensitive to Designated Sensor Fault”, IEEE Transactions on Aerospace and Electronic Systems, Vol. 35, No. 35 pp.1122-1128, October, 1999.
[6] D.S. Shim and C.K. Yang,” Geometric FDI based on SVD for Redundant Inertial Sensor Systems”, 2004 5th Asian Control Conference,vol.2, 1094- 1100, July 2004 [7] D.S. Shim and C.K. Yang,” Accommodation Rule with Faulty Sensors based on System Performance”, 2004 5th Asian Control Conference,vol.2, 1101- 1106 ,July 2004
[8] R.J. Pattern, “Fault detection and diagnosis in aerospace systems usimg analytical redundancy”, IEE, pp.1/1-1/20, 1990
[9] Efe.M and Ozbek.L,” Fading Kalman Filter For Manoeuvring Target Tracking”
[10] Q. Xia, M. Rao, Y. Ying and S. X. Shen,” A New State Estimation Algorithm Adaptive Fading Kalman Filter”,31st conference on Decision and Control IEEE vol.WP13 pp.1216-1221,December 1992
[11] Congwei Hu, Wu Chen1,Yongqi Chen and Dajie Liu,” Adaptive Kalman Filtering for Vehicle Navigation”, Journal of Global Positioning Systems (2003), Vol. 2, No. 1 : 42-47
[12] Silvio Simani, Cesare Fantuzzi, and Ron J. Patton.”Model-based fault diagnosis in dynamic systems using identification techniques.” Springer,c2003. New York
[13] Bar-Shalom, Yaakov. and Li, Xiao-Rong, Estimation with applications to tracking and navigation ,John Wiley & Sons, Inc.2003
[14] Grewal, Mohinder S./Andrews, Angus P. ,Kalman filtering : theory and practice using MATLAB, Wiley-Interscience,2001
[15] Miller, Scott L./Childers, Donald G. ,Probability and random processes :with applications to signal processing and communications, Elsevier Academic Press,2004 [16] A. D. Pouliezos & G. S. Stavrakakis, Real time fault monitoring of industrial processes, Dordrecht /Kluwer Academic Publishers /c1994/Boston
[17] Jie Chen, Ron J. Patton, Robust model-based fault diagnosis for dynamic systems, Kluwer Academic Publishers/c1999/ Boston.
[18] Leo H. Chiang, E.L. Russell, and R.D. Braatz, Fault detection and diagnosis in industrial systems, London ;Springer,c2001.