Transfer State Estimator for New Operation Modes Using Variable-Structure Multiple Models

Shuang Gao

doi:10.1109/TASE.2026.3670369

2026-03-04

PRE

DOI：10.1109/TASE.2026.3670369

原文链接

原文求助

摘要

En 中文

本文针对在测量数据不足以学习模型参数时的新运行模式的状态估计问题。所提出的方法称为转移状态估计器，采用变结构多模型估计进行构建，能够通过将不同源模式的知识转移到目标模式来提升估计性能。具体而言，首先，为跟踪系统参数变化，本文利用残差，其表示实际状态与预测状态之间的偏差。这些残差在确定需要更新的知识方面发挥着关键作用。转移状态估计器随后通过整合源模型的知识推导得出。通过这一融合过程，估计器利用现有知识来处理目标域中的新模式。最后，我们提供数值示例和实际仿真以展示所提方法的有效性。结果表明，在处理包含新模式的状态估计时，所提出的状态估计器是现有各种状态估计方法的有力替代方案。实践者注——自动化系统常因设备老化、环境扰动或系统重构等因素经历运行条件的意外变化。这些新运行模式对依赖预定义模型和充足训练数据的传统状态估计方法构成了重大挑战。本文提出了一种基于变结构多模型的转移状态估计器，使系统能够通过复用先前学习模型的知识来适应未知模式。该估计器动态调整模型集以纳入新模式，无需进行完整的参数辨识。该方法特别适用于在容错控制、工业自动化和智能监控等领域工作的实践者，在这些领域中，快速适应不确定或演变的条件对于维持系统可靠性和性能至关重要。

Keyword:

Markovian jump linear systems

state estimation

transfer learning

new mode monitoring

KL divergence