(动力机械及工程专业论文)基于神经网络的传感器故障诊断仿真与实验研究.pdf_第1页
(动力机械及工程专业论文)基于神经网络的传感器故障诊断仿真与实验研究.pdf_第2页
(动力机械及工程专业论文)基于神经网络的传感器故障诊断仿真与实验研究.pdf_第3页
(动力机械及工程专业论文)基于神经网络的传感器故障诊断仿真与实验研究.pdf_第4页
(动力机械及工程专业论文)基于神经网络的传感器故障诊断仿真与实验研究.pdf_第5页
已阅读5页,还剩79页未读, 继续免费阅读

(动力机械及工程专业论文)基于神经网络的传感器故障诊断仿真与实验研究.pdf.pdf 免费下载

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

上海交通大学硕士研究生论文 基于神经网络的传感器故障诊断仿真和实验研究 摘要 艋现代控制工程中,传感器的作用是十分重要的,特别是处于闭 环控制回路中的传感器,它的工作状态直接关系到设备能否正常运 行。由于传感器故障而引发的重大事故也时有发生,因此传感器故障 诊断的研究具有重大的现实意义。 随着科学技术的发展,在热动力系统中传感器的使用越来越多。 火力发电机组的自动控制已从使用模拟式仪表发展为以微处理器和 计算机为中心的分散式控制系统。随着控制方式的改变,传感器的使 用大量增加了。由于传感器是比较容易损坏的器件,因此为了提高整 个系统的可靠性,对传感器进行故障诊断是十分必要的。 传统的传感器故障诊断技术使用硬件冗余法,由于现代化机器设 备中传感器的数量越来越多,该方法不能适应现代工程的需要。从上 个世纪八十年代以来分析冗余法得到了广泛研究,这种方法一般使用 系统模型和卡尔曼滤波器进行传感器的故障诊断。由于此类方法依赖 于系统的精确模型,而许多控制系统的建模是非常困难的,使其应用 受到了限制。y 。 本文中使用神经网络技术进行传感器的故障诊断研究。神经网络 具有学习线性和非线性动态关系的能力,系统的建模过程由神经网络 的学习来代替。对于有n 个传感器需要进行故障诊断的场合,故障 诊断系统由一个主网( m a i nn e t w o r k ) 和n 个子网( d e c e n t r a l i z e d n e t w o r k ) 构成。庄网误差和子网误差用于传感器故障的检测和分离, 子网的输出用于故障传感器信号的补偿( a c c o m m o d a t i o n ) 。应用这 种方法进行了传感器故障诊断的仿真和实验研究。仿真的对象是发电 用凝汽式汽轮机转速调节系统中的转速传感器,仿真的结果表明神经 网络传感器故障诊断系统在闭环控制回路中的应用是可行的。在仿真 研究的基础上,使用v c + + 6 0 开发了用于实验研究的神经网络热电 偶故障诊断系统。特别注意的是,该系统在稍加改动后可以应用于其 它类型传感器的故障诊断。使用该热电偶故障诊断系统,进行了下面 几项热电偶故障诊断的实验研究:系统在动态和稳态下,热电偶发生 阶跃和斜坡故障的实验,由于外界干扰造成的热电偶暂时故障实验, 两个热电偶接连发生故障的实验,神经网络热电偶故障诊断系统泛化 能力的测试。实验结果说明上述神经网络故障诊断系统是切实可行 上海交通大学硕士研究生论文 的。 本文中提出了传感器故障诊断系统的神经网络在线刷新时采用双 报警阈值的方法,即设定两个不同的报警阈值,在系统采集第一组数 据用于神经网络进行故障诊断时使用较大的报警阈值,以后采用较小 的报警阈值。j 这是因为由于外界干扰和网络精度的影响,所以对第一 组数据,网络的误差比较大,随着网络的在线刷新,网络的输出会跟 踪传感器的信号,使网络的误差变得很小。如果一直采用较大的报警 阈值,对于变化缓慢的斜坡故障,诊断系统就会漏报警;如果一直采 用较小的报警阈值,诊断系统在第一步就会报警,造成误报警。实验 证明这种双报警阈值的使用对于变化缓慢的热电偶故障的诊断是十 分有效的。 神经网络传感器故障诊断系统在使用在线刷新时,网络的训练往 往十分耗时,因此选择训练算法对于这种方法的实际应用是十分重要 的。本文对标准的b p 算法( b a c k p r o p a g a t i o na l g o r i t h m ,简称b p 算法) 和扩展的b p 算法( e x t e n d e db a c k - - p r o p a g a t i o na l g o r i t h m ,简 称e b p a 算法) 进行了较为详细的比较研究,通过x o r 问题,曲线 拟合问题和在热电偶故障诊断实验中采用两种算法的比较研究。液明 选取合适的训练参数时,e b p a 算法比b p 算法训练时间可以显著的 减少。r 。 关键宇传感器,故障诊断,神经网络,扩展b p 算法,阈值 1 1 上海交通大学硕士研究生论文 s e n s o rr u l u r ed i a g n o s i ss i m u l a t l 0 na n de x p e r e m 匝n t b a s e do nn e i 爪a i ,n e t w o r k s i nm o d e mc o n t r o l e n g i n e e r i n g ,t h e f u n c t i o no fs e n s o ri s v e r yi m p o r t a n t s p e c i a l l y ,t h eo p e r a t i n gs t a t u so f s e n s o r s i nt h ef e e d b a c kc o n t r o ld i r e c t l yd e c i d e si f t h e e q u i p m e n t c a nw o r k n o r m a l l ya n ds a f e l y s ot h e r e s e a t c ho fs e n s o rf a i l u r ed e t e c t i o n i d e n t i f i c a t i o na n da c c o m m o d a t i o n ( s f d i a ) h a si t s p r a c t i c a lv a l u e t h et r a d i t i o n a l m e t h o do fs f d i ai sp h y s i c a lr e d u n d a n c y b e c a u s eo ft h ep r o b l e mo fl i m i t e dc a p a c i t y , i tc a n n o tm e e tt ot h en e e do ft h ei n c r e a s i n gs e n s o rn u m b e ri nm o d e m e q u i p m e n t f r o mt i l e8 0 so fl a s t c e n t u r y , a n a l y s i sr e d u n d a n c ym e t h o df o rs f d i ah a sb e e n s t u d i e d i nt h em e t h o d ,s f d i ai sa c c o m p l i s h e dw i t hs y s t e mm o d e la n dk e r m a nf i l t e r , b u ta n a l y s i sr e d u n d a n c ym e t h o dr e l i e so nt h e p r e c i s em o d e l s w h i c ha r ev e r yd i 衢c u l t f o rs o m ec o n t r o l s y s t e m s s ot h ea p p l i c a t i o no fa n a l y s i sr e d u n d a n c ym e t h o di s l i m i t e d i nt 1 1 i sa r t i c l e ,n e u r a ln e t w o r km e t h o di su s e di n 血er e s e a r c ho fs f d i a n e u r a i n e t w o r kh a st h ec a p a b i l i t yo fl e a r n i n gl i n e a ra n dn o n l i n e a rd y n a m i cs y s t e m s t h e m o d e l i n gp r o c e s so fs y s t e mi ss u b s t i t u t e db yt h el e a r n i n go f n e u r a ln e t w o r k f o rt h e c a s e s ,w h i c hn e e dn s e n s o r sf o rt h ef a u l td i a g n o s i s ,t h es f d i a s y s t e m i sc o m p o s e do f o n em a i nn e t w o r ka n dnd e c e n t r a l i z e dn e t w o r k s t h ee r r o r so fm a i nn e t w o r ka n d d e c e n t r a l i z e dn e t w o r ka r eu s e di nt h ee x a m i n a t i o na n ds e p a r a t i o no f s e n s o r s f a u l t s ; o u t p u to fd e c e n t r a l i z e dn e t w o r k si s u s e di nt h ea c c o m m o d a t i o no fs e n s o r s f a u l t s r e s e a r c hw o r ko fs i m u l a t i o na n de x p e r i m e n tf o rt h es f d i ah a db e e nd o n ei nt h i s m e t h o d t h eo b j e c to fs i m u l a t i o ni st h es p e e ds e n s o rf a i l u r ei na c o n d e n s i n gt u r b i n e s p e e dc o n t r o ls y s t e m t h es i m u l a t i o nr e s u l tp r o v e st h a ts f d i ab a s e do nn e u a - a l n e t w o r ki sp r a c t i c a li nt h ef e e d b a c kc o n t r 0 1 l a w s i nt h eb a s eo fs i m u l a t i o n t h en e u r a l n e t w o r kt h e r m o c o u p l es f d i a s y s t e mp r o g r a m m e d 讪mv c + + 6 0h a sb e e nt e s t i f i e d i nt h ee x p e r i m e n t s p e c i a l l y , t h i ss y s t e mc o u l da l s ob eu s e di no t h e rd i f i e r e n t t y p e so f s e n s o r s u s i n gt h i st h e r m o c o u p l es f d i as y s t e m ,t h ef o l l o w i n gt h e r m o c o u p l ef a i l u r e e x p e r i m e n t sa r ed o n e : 1 ) u n d e rt h ec o n d i t i o no f d y n a m i cs t a t ea n ds t a t i cs t a t e ,t h e r m o c o u p l e sh a v es t e pa n d s l o p ef a u l t s 2 ) t h e r m o c o u p l e s h a v et e m p o r a r yf a u l t s 3 1t w o t h e r m o c o u p l e s h a v ef a u l t sn o n s i m u l t a n e o u s l y 4 ) w h e n t h es y s t e me n t e r st h en o n t r a i n i n gs t a t e ,t h e r m o c o u p l e sh a v es t e pa n d s l o p e f a u l t s t h e e x p e r i m e n tr e s u l t sp r o v et h a tt h i sn e u r a ln e t w o r ks f d i as y s t e mi sp r a c t i c a l i nt h i sa r t i c l e ,t h ed o u b l e t h r e s h o l dm e t h o di su s e di nt h es f d i a s y s t e mw h e n o n l i n er e f r e s h e s t h a ti s ,t w od i f i e r e n tt h r e s h o l d sa r eu s e d t h el a r g e rt h r e s h o l di s u s e dw h e nt h e s y s t e mc o l l e c t s t h ef i r s t g r o u p o fd a t af o rt h en e u r a ln e t w o r k s f d i a t h e nt h es m a l l e rt h r e s h o l di su s e di nt h en e x ts t a g et h i si sb e c a u s et h a tf o r h i 上海交通大学硕士研究生论文 t h ed i s t u r b i n go fe n v i r o n m e n ta n dt h ei m p a c to fs y s t e m p r e c i s i o n ,t h ee l l o rf r o mt h e h r s tg r o u po fd a t aj sc o m m o n l y l a r g e r a n dw i t ht h er e f r e s h i n gp r o c e s so fn e t w o r k , o u t p u to fn e t w o r kw i l lt r a c kt h es i g n a l so fs e n s o r s t l i sw i l lm a k et h en e t w o r ke r r o r b e c o m es m a l l e r i ft h el a r g e ra l a r mt h r e s h o l di su s e da l lt h ew h i l e t h es f d i a s y s t e m 、v i l im i s ss o m ea i a r m sf o rt h es l o p ef a i l u r ew h i c h c h a n g e ss l o w l y ;i ft h es m a l l e ra l a r m t h r e s h o l di su s e da l lt h ew h i l e ,t h es f d i a s y s t e mw i l ja l 釉a tt h ef i r s tt i m e w h i c h b r i n gt h ef a u l ta l a r l t l e x p e r i m e n t sh a v ep r o v e dt h a ta p p l i c a t i o no fd o u b l e t h r e s h o l d m e t h o di sp r a c t i c a lht h et h e r m o c o u p l es f d i a ,w h i c h c h a n g e ss l o w l v n e a r a ln e t w o r kt r a i n i n ga l w a y sc o s t sm a n yt i m ei nt h ep r o c e s so ff d s s y s t e m w h e no n l i n er e f r e s h e su s e d s oi ti st h ek e y t oc h o o s et h eg o o dt r a i n i n ga l g o r i t h m i n t h i s a r t i c l e b a c k p r o p a g a t i o na l g o r i t h m a n d e x t e n d e d b a c k p r o p a g a t i o n a l g o r i t h r a ( e b p a ) a r ec o m p a r e da n da n a l y z e dm i n u t e l y t h r o u 曲t h er e s e a r c hw o r k o fx o r p r o b l e m ,c u r v ef i t t i n gp r o b l e ma n dt h ec o m p a r i n gb e t w e e nt h e s et w o a l g o r i t h m s ,i th a sb e e np r o v e dt h a tt h et r a i n i n gt i m eo fe b p a a l g o r i t h mw i l ld e c r e a s e o b v i o u s l y k e yw o r d s :s e n s o r , f a i l u r ed e t e c t i o n ,n e u r a ln e t w o r k ,e b p a ,t h r e s h o l d 圭塑奎望查兰堡主旦壅兰堡塞 一 第一章绪论 1 1 传感器故障诊断的意义 传感器是测量仪器,智能化仪表,自动控制系统,计算机信息输入装置中的敏 感元件。现代信息技术的三大基础是信息的拾取,传输和处理技术。也就是传感 技术,通信技术和计算机技术,它们分别构成了信息技术系统的“感官”,“神经” 和“大脑”。可见没有“感官”感受信息、“感官”迟钝或失灵都难以形成高精 度高反应速度的控制系统。 在火力发电机组的自动控制中需要测量蒸汽压力、蒸汽温度、炉膛压力、锅 筒水位、蒸汽流量和烟气中的含氧量,蒸汽轮机的转速、功率、调节阀的开度等 参数。这些热工参数的测量离不开使用大量各种各样的传感器。随着科学技术的 发展,人们对火力发电机组的性能提出了更高的要求,电厂的自动控制系统变得 越来越复杂。5 0 年代以前,火力发电机组的自动控制一般使用模拟式仪表。5 0 年代末期到7 0 年代初期,计算机在火电厂中初步得到使用,由于性能的限制, 主要用于数据采集和监视,而闭环控制仍使用模拟式仪表。7 0 年代中期以微处 理器和微型计算机为核心的分散式控制系统开始在工业生产过程的自动控制过 程中应用并迅速推广。目前大型火力发电厂的自动控制系统中,分散控制系统的 应用十分普遍。随着控制系统的日趋复杂,传感器的使用也越来越多。以a b b - - c e 公司的m o d 一3 0 0 系统为例,其数据采集系统( d a s ) 负责机组运行参数的采 集。它的输入为:模拟量3 4 5 点,热电偶输入6 2 5 点,热电阻输入1 1 5 点,脉冲 输入1 5 点,数字量输入1 2 0 0 点“1 。当然,传感器的应用十分广泛,从工业,农 业。环境保护,医学,航空航天等领域直到我们日常生活中所用的家用电器,汽车 防灾等方面都用到各种各样的传感器。特别是在航空航天领域,传感器的使用十 分广泛。例如,美国阿波罗飞行器的总测量参数有3 2 0 0 个,而维金金星探测器 共使用传感器8 0 0 0 余只“。 传感器经常需要工作在高温,振动,腐蚀性等恶劣环境下。以美国空军环境 设计标准( 表卜1 ) 为例可见某些情况下传感器工作环境的恶劣。1 。 表1 - 1 性能 高度冲击温度 温度冲击外部声振内部声振振动与冲 种类( o c )( o c ) ( d b )( d b )廿了 飞机g0 1 0 4 0 0- 5 4 4 0 01 6 0 1 8 01 4 5 1 6 55 5 ( m i l 3 )( 1 0 m i n )( 5 m i n )1 0 0 0 h z l o 2 0 9 i 导弹d2 0 ( m ir 1 ) 一5 0 - 5 4 1 3 8 1 8 31 3 8 1 6 3 5 0 9 , 1 0 9 31 0 9 3l l m s ( 5 m i n ) 上海交通大学硕士研究生论文 恶劣的工作环境使传感器容易发生故障,而传感器的故障往往会造成严重的 后果,特别是对于一些投资巨大的设备,如飞机、火箭、大型电站等,传感器的好 坏不仅直接关系到设备的运行状态,而且关系到至关重要的安全性问题。由于传 感器故障而引发设备损坏,造成巨大经济损失的事故也时有发生。例如,1 9 8 0 年,在一次航天飞机发动机的地面实验中,由于燃烧室压力传感器发生故障,而 该传感器信号是用于调整发动机工况的重要参数,导致发动机爆炸,造成了巨大 的经济损失。1 。由于传感器是控制系统中可靠性较差的元件之一,为了提高整 个控制系统的可靠性,应该对传感器进行故障诊断。 综上所述,传感器的故障诊断问题是一个有重要现实意义的问题。 8 0 年代 以来,人们在传感器的故障诊断研究上取得了初步的进展,形成了机械系统故障 诊断的一个分支。从8 0 年代初起,美国的“西屋”公司在其发电站的计算机监控 系统中增加了“传感器认证”环节( s e n s o rv a l i d a t i o n ) 。来自传感器的信号首 先到此确认其正确性,错误的信号被去除,使之不进入后续的系统“1 。 1 2 传感器故障诊断的研究概况 1 2 t 关于传感器故障诊断的几点说明 根据中华人民共和国国家标准( g b 7 6 6 5 8 7 ) ,传感器( t r a n s d u c e r s e n s o r ) 的定义是:能感受规定的被测量并按照一定的规律转换成可用输出信号的器件和 装置,通常由敏感元件和转换元件组成。其中敏感元件是指传感器中能直接感受 或响应被测量的部分;转换元件( t r a n s d u c t i o ne l e m e n t ) 是指传感器中能将敏 感元件感受或响应的被测量转换成适于传输或测量的电信号部分。按照传感器的 输入信息( 或被测参数) 分类,传感器可分为位移,速度,加速度,力,压力, 流速,温度,光强,湿度,粘度和浓度等传感器。 虽然本文中使用的传感器故障诊断方法可用于线性和非线性系统,我们下面 以线性系统来说明传感器故障诊断的三个问题”3 。一个线性系统用状态空间法可 表示为: i :a x + b “( 1 一1 ) y = c x ( 1 2 ) 其中,x 是系统的状态变量,u 是系统的输入向量,y 是系统的输出向量。a ,b , c 是系统的系数矩阵。输出向量y 是状态变量x 的线性函数。假设上面线性系统 的模型包含着传感器( s e n s o r s ) 和执行器( a c t u a t o r s ) 的模型在内,那么输出 向量y 代表传感器的输出,并且控制系统应用它来产生控制信号u 来驱动执行器。 传感器的故障诊断问题,其实质包括以下三个问题:( 1 ) 对于一个实际的物理 系统,如何根据k 时刻和k 时刻以前的传感器输出即输出向量y 判断是否有传感 器发生了故障( 2 ) 如果判断有传感器发生了故障,如何分离出发生故障的传感 器,即判断是哪个传感器发生了故障。( 3 ) 当找到了发生故障的传感器后,如何 确定一个代替它输出的近似正确值来传给后继的系统。以上三个问题就是传感 器故障的检测,分离和补偿问题( s e n s o rf a i l u r ed e t e c t i o n ,i d e n t i f i c a t i o n , a n da c c o m m o d a t i o n ,简称s f d i a ) 。 如果是系统而不是传感器发生了故障,在诊断系统发生什么类型故障之前, 我们必须首先诊断是否是传感器发生故障,因为我们关于系统的所有信息都是通 上海交通大学硕士研究生论文 过传感器得到的,如果传感器的信号不正确,就不可能对系统的状态作出正确的 判断。 通常任何传感器故障诊断系统都不可能百分之百地正确检测出传感器的所 有故障。因此提高故障的正确检测率,降低故障的漏报率( 发生了故障而没报 警) 和误报率( 未发生故障而报警) 一直是故障诊断领域的前沿课题。 传感器的故障大致分两种类型:“软故障”( 斜坡故障) 和“硬故障”( 阶跃 故障) 。“硬故障”是传感器在短时间内突然发生的损坏和完全失效,由于此时 传感器的输出往往发生较大的突变,因此这种故障是比较容易识别的。“软故障” 是指传感器参数的缓慢漂移,由于这是一种参数的缓慢变化,所以“软故障”的 诊断是比较困难的,也是传感器故障诊断研究的重点和难点。 1 2 2 传感器故障诊断研究的发展和主要方法 早期的传感器可靠性技术主要集中于硬件技术的提高,所采用的方法是提高 传感器的质量或多传感器备份,即硬件冗余法,但是由于系统的庞大,传感器的大 量使用,传统的方法已经不能适应现代工程的需要。随着计算机技术的发展,人 们开始通过软件来提高系统的可靠性。以软件冗余法为主导的故障检测和诊断技 术是本世纪七十年代首先在美国发起的。麻省理工学院的b e a r d ( 1 9 7 1 ) 首先提 出了用解析冗余替代硬件冗余,并通过系统的自组织使系统闭环稳定, 通过比 较观测器的输出得到系统故障信息的新思想,标志着这项技术的开端。传感器故 障诊断技术是一门综合性技术,它涉及多门学科,如现代控制理论,信号处理, 模式识别,计算机工程,人工智能,电子技术,应用数学,数理统计以及相应的 应用学科。 目前,传感器故障诊断技术的各种方法大致可分为二大类:基于系统动态模 型的方法和不依赖动态模型的方法”“。 如果控制系统的执行器,传感器和被控过程可以用动态模型来描述,那么基 于其动态模型就有可能对传感器故障进行诊断。诊断的思路是将被测系统的正常 模型与运行中的模型相比较得到残差序列,通过残差序列的统计分析就可以检测 出故障的发生并进行故障诊断。这种方法的优点是全部以软件实现,对原有的硬 件系统无任何影响。基于系统动态模型的方法的示意图“1 见图l 一1 。 图1 1 基于系统模型方法的示意图 f i g 1 一i b 1 0 c kd i a g r a mo fm o d e l b a s e ds f d i a 图卜l 中c m d s 为整定值。模型的输出歹和传感器的输出y 的差的绝对值称为残 差e ,如果残差e 超过报警阈值,就认为与其对应的传感器发生了故障,然后模 上海交通大学硕士研究生论文 型的估计值歹可用于代替故障传感器的实际输出值。可见基于系统动态模型的方 法的核心是系统的动态模型。 通常这种方法利用系统的模型和卡尔曼滤波器探测和分离传感器故障。对线 性动态系统,卡尔曼滤波器可以滤除噪音并对系统输出提供极好的估计。对于非 线性系统,可使用扩展的卡尔曼滤波器。但是,由于使用众多的分段线性函数来 表达非线性系统,使扩展的卡尔曼滤波器计算量很大。此外还有综合似然率检测 器、最大似然率检测器等。 这些方法都依赖于系统的精确模型,但是许多控制 系统的建模是非常困难的,或者是不完善和不精确的,使其应用受到了限制。文 献 7 8 9 1 0 1 1 对基于系统模型的传感器故障诊断进行了研究。 不依赖于系统动态模型的方法主要有以下几种”。: ( 1 ) 传感器冗余。这是一种直接的,硬件的方法。即采用三个以上的传感 器对同- - n 点进行测量,然后用表决法确定正确的数值。这种方法简单,可靠, 但投资大,占用空间多,不经济。 ( 2 ) 特性跟踪。发生故障的传感器经常在可接受的范围内显示出稳定的特 性和读数。例如,传感器正常工作时有一个特定的范围值,传感器的开路或短路 也有一个固定的数值。当读数值与所期望的特性值有某种偏差时,即可认为传感 器有故障。另外,可以在较长的时间内观察传感器的读数值,以其与其它部位传 感器的数值稳定情况进行比较,这都有助于诊断传感器故障。然而在许多情况下, 由于监测系统的复杂性和传感器采样点的影响,为了检验传感器的有效性,需要 很完善的推理系统。 ( 3 ) 传感器的在线校正。从外部对传感器加以具有一定特征的激励信号, 从其响应上判断其工作状态或进行校准。它只适用于某些具有特殊效应( 如双向) 的传感器( 如压电或磁电式传感器等) ,而且需要附加设备。 ( 4 ) 专家系统。它通过系统知识的获取,在计算机上根据相应的算法和规则 进行编程,实现对系统中传感器故障的检测。这种方法的优点是规则易于增加、 删除,但在实际应用中的最大困难在于知识的获取,另外,它对新故障不能诊断。 基于专家系统的方法的原理图”1 见图l 一2 。 诊断结果 图1 2 诊断专家系统的原理图 f i g 1 2d t a g r a mo fe x p e r ts y s t e mf o rs f d i a ( 5 ) 信号分析技术。传感器的输出在幅值、相位、频率及相关性上与故障源 之间会存在一定的联系。这些联系可以用一定的数学形式表达,如输出量的频谱 等。在故障发生时则可利用这些量进行分析和处理,来判断故障源的所在。常用 的方法主要有经典信号处理方法和最近兴起的小波分析及分形理论等。这些方法 通过对传感器信号的频域或维数的分析来检测传感器故障。 上海交通大学硕士研究生论文 ( 6 ) 神经网络。神经网络由于在非线性大规模并行处理方面的特点,以及 其鲁棒性、容错性和自学习能力,80 年代末开始被用到测量技术中。神经网络 可以避免分析冗余技术中实时建模的需要,而由神经网络的学习去完成,它也可 以模拟目标系统传感器中的相关性来进行传感器故障的诊断和信号的恢复。由于 神经网络具有联想记忆和自学习的能力,因此当出现新颖故障时,它可以通过自 学习,不断调整权值和阈值,以提高检测率,降低误报率,因此神经网络方法有 可能用于传感器的在线故障检测“”“”“”“。 总之,在有条件建立系统准确的动态数学模型时,可考虑采用基于模型的诊 断方法。反之则可考虑采用不依赖系统动态模型的方法。 基于系统动态模型的方法的优点是可以充分利用系统内部的深层知识,更有 利于故障诊断。其缺点是系统的建模误差,未建模动态,外部干扰将对故障检测 和检测结果产生重大影响。因此提高检测与诊断的鲁棒性是其面临的一个实际问 题。 不依赖系统动态模型的故障检测与诊断方法的优点是适用性广,灵活,更适 用于故障的检测。其缺点是故障的诊断比较困难。故障检测指故障发生后能及时 发现并报警。故障诊断指在故障检测的基础上,分离出故障的部位、判别故障的 种类、估计出故障的大小和时间、进行评价与决策。 因此,基于系统动态模型的方法和不依赖系统动态模型的方法各有利弊,不 能相互完全取代。在实际应用中,只有通过适当的选择某些方法或综合应用多种 方法,才可能得到比较好的效果。 1 2 3 应用神经网络进行传鼹器故障诊断的几种方法 使用神经网络对传感器进行故障诊断时常使用b p 神经网络,也有使用其它 类型神经网络的,如文献 1 7 中介绍的方法使用a r t 一1 型神经网络。使用b p 神经网络进行传感器的故障诊断目前常用的有三种方法,下面加以简单的介绍, 其中最后一种方法是本文中使用的方法,在下面的章节中还要详细介绍。 第一种方法见文献 3 。对于一个实际的系统,由于传感器的数量很多,传 感器测量的参数的数量常大于系统的阶数,这种传感器内在的( b u i l d i n ) 冗 余可被利用来进行传感器的故障诊断。文献中使用的神经网络是具有两个隐层的 前向网络,网络的训练使用标准的b p 算法。假设有n 个传感器需要进行故障诊 断,则需要有n + 1 个神经网络,其中一个网络用于检测是否有传感器发生故障, 网络的结构示意图见图1 3 。网络的输入是经过归一化处理的各个传感器的输 出,网络的输出代表对应传感器的置信度水平。例如,对于一组正确的传感器读 数,神经网络的输出接近于l ,代表较高的置信度水平,如果其中某个传感器发 生了故障,那么与它对应的神经网络的输出接近于0 ,代表它的置信度水平很低, 而神经网络的其余输出仍接近于l ,代表其余传感器的置信度仍较高。其余的r 1 个网络对应于n 个需要补偿的传感器,它们的结构与图1 3 中的网络类似。这 n 个网络用于补偿发生故障的传感器的数值,每个网络的输入为其余n 1 个传 感器的归一化输出,即利用其余的传感器的读数来估计故障传感器的输出。网络 训练前,先取得各传感器正常工作时的样本,然后对于每个传感器读数给出一个 正常的范围,该范围可根据实际的物理过程,该种类型传感器的特征和该传感器 输出的历史记录来确定。训练步骤如下: ( 1 ) 随机选取一组传感器的读数值。 ( 2 ) 随机选择某个传感器。 上海交通大学硕士研究生论文 h i d d e nl a y e r s 图i 一3 前向神经网络结构 f i g 1 3a r c h i t e c t u r eo f t h ef e e d f o r w a r dn e u r a ln e t w o r k ( 3 ) 产生随机高斯噪声6 0 ( 均值为零) ,标准差为盯= 1 5 s ,其中,s 是 第i 个传感器读数s 。的正常范围。把噪声加到s ,上形成新的传感器读 数值s j 。噪声的选择使5 0 左右新读数值j j 在正常范围之外。 ( 4 ) 如果s ? 在正常范围之内,则其对应的输出0 ,设为0 9 ,否则设为0 1 , 网络的其余输出设为0 9 。 ( 5 ) 使用b p 算法训练网络。 用于补偿的神经网络的训练。每个需要补偿的传感器对应于一个神经网络, 假设有n 个传感器,则网络的输入节点数为n l ,网络的输出节点数为1 。训练 步骤如下: ( 1 ) 随机选取一组传感器的读数值。 ( 2 ) 网络的输入为其余传感器的读数值,网络的输出为其对应传感器的读 数值。 ( 3 ) 使用b p 算法训练网络。 l a y e rl a y e r 图i 一4 自联想网络结构图 f i g 1 4a r c h i t e c t u r eo f t h ea u t o a ss o c c a t i r en e t w o r k 第二种方法使用鲁棒自联想网络( r o b u s ta u t o a s s o c i a t i v en e t w o r k s ,简称 r a a n s ) 进行传感器的故障诊断【1 8 】【1 9 】【2 0 【2 l 】【埘。一个鲁棒自联想网络的结构示意 图见图1 4 。它包括一个输入层、三个隐层和一个输出层。第一个隐含层叫做 上海交通大学硕士研究生论文 映射层( m a p p i n gl a y e r ) ,映射层节点的激活函数为s i gm oi d 函数或其它非 线性函数。第二个层隐层叫做瓶颈层( b o t t l e n e c kl a y e r ) ,瓶颈层节点的激活函数 可以是线性的或非线性的。在网络中,瓶颈层的节点数应是最小的。第三个层隐 层叫做解映射层( d e m a p p i n gl a y e r ) ,其节点激活函数是s i gm oi d 函数或 其它非线性函数。输出层的节点数与输入层相同。自联想网络用于传感器故障诊 断时,网络的输入为各传感器测量值,输入层的节点数与需要诊断的传感器个数 相等。网络的输出就是经过处理后的各传感器测量值。用这种网络进行传感器故 障诊断的最大特点是故障的检测,分离和补偿可以用一个网络完成。实际上 r a a n s 不仅可以滤除噪声而且可以补偿( a c c o m m o d a t i o n ) 传感器故障,当无传 感器故障时,r a a n s 的输出是经过降噪处理的传感器信号,当传感器发生故障 时,r a a n s 的输出是经过校正的传感器信号。网络的训练过程是: ( 1 )扩展用于训练的网络输入。对于输入样本y ,扩展为样本 z = y + 6 ,= 1 ,m ,其中,是单位矩阵的第j 列,万是和输 入,是同一个范围内的随机数,万代表了传感器的故障,一般取几 个不同的占。所以,对于原来有n 个训练样本,扩展后有n + m n c 个样本,c 为占的个数,m 是传感器的数量。 ( 2 )以z 为输入,y 为输出,采用标准的b p 算法训练网络。 前面提到的两种方法,网络在用于传感器的故障诊断之前要事先训练好,在 实际应用时网络的结构参数不变,这种学习方式称为离线学习。第三种方法可以 采用离线学习也可以选择在线学习,即网络的结构参数根据实际运行时的数据不 断进行刷新。 第三种方法的系统构成是,对于有n 个传感器需要进行故障诊断时,故障诊 断系统包括一个主网( m a i nn e t w o r k ) 和n 个子网( d e c e n t r a l i z e dn e t w o r k ) 。每个 传感器都有一个子网与之对应。主网和第i 个子网用于检测和分离第i 个传感器 的故障,第i 个传感器发生故障时,与它对应子网的输出用于补偿第i 个传感器 的信号,即当第i 个传感器发生故障时,用第i 个子网的输出来代替故障传感器 的输出。本文中使用这种方法进行了传感器故障诊断的仿真和实验研究,关于这 种方法的详细说明见第四章。 1 3 本文主要工作 本文在参考国内外关于传感器故障诊断方面文献的基础上,对使用神经网络 进行传感器故障诊断进行了初步的仿真和实验研究。使用m a t l a b 的s i 删l i n k 仿真环境和神经网络工具箱,对神经网络传感器故障诊断系统在闭环控制回路中 的应用进行了仿真研究。采用扩展的b p 算法”( e x t e n d e db a c k p r o p a g a t i o n a l g o r i t h m ,简称e b p a ) 使用v c + + 6 0 编写了基于神经网络的热电偶故障诊断 系统,并使用该系统对一个在动力机械中广泛应用的热电偶传感器系统进行了实 验研究。论文内容的安排如下: 第二章介绍了神经网络的基本理论,其中着重介绍了b p 神经网络的基本知 识和网络训练的标准b p 算法。 第三章对e b p a 算法进行了较为详细的研究。自己编写了e b p a 算法的计算程 序,结合两个例子( 异或问题和曲线拟合问题,它们分别代表b p 神经网络的两 上海交通大学硕士研究生论文 种主要应用,异或问题是b p 神经网络用于分类时的基本问题,异或问题是分类 时线性不可分的典型例子,常用于测试训练算法的效果。曲线拟合是b p 神经网 络的另一种主要应用) 测试了e b p a 算法的性能。计算结果表明在合理选择训练 参数聃。,珊,。口,的情况下e b p a 算法比标准的b p 算法在训练时间,训练次数 ( e p o c h ) 和综合训练指标( w t ) 上有显著的改善。通过计算还发现,对于这两 个例子,上述四个训练参数对训练效果的影响是不同的,而且在叩。,叩,c t u l ,口,取 较大值时,训练不收敛的可能性增大。因此,在实际应用中,结合具体的训练数 据应该选择适中的训练参数,这样可以保证训练收敛和训练效果的改善。 第四章对神经网络传感器故障诊断系统的原理进行了详细的介绍。在此基础 上编写了用于实验的神经网络热电偶故障诊断系统。该系统可完成数据采集,原 始样本训练和在线实时热电偶故障监测等功能,其中网络的训练采用e b p a 算法。 另外,本文提出了神经网络传感器故障诊断系统采用在线刷新工作方式时,使用 双报警阈值的方法,即设定两个不同的报警阈值,在诊断系统采集第一组数据进 行故障诊断时,应使用较高的报警阈值,以后使用较低的报警阈值。这是因为由 于外界干扰和系统精度的影响,所以对第一组数据,网络的误差比较大,随着网 络的在线刷新,网络的输出会跟踪传感器的信号,使网络的误差变得很小。如果 一直使用较大的报警阈值,对于变化缓慢的斜坡故障,诊断系统就会漏报警;如 果一直采用较小的报警阈值,诊断系统在第一步就会报警,造成误报警。通过实 验证明,这种双报警阈值的使用对于变化缓慢的热电偶故障的诊断是十分有效 的。 第五章结合一个发电用凝汽式汽轮机调速系统的简化模型对调速系统中的 转速传感器进行了故障诊断的仿真研究,仿真使用了第四章介绍的基于神经网络 的传感器故障诊断方法。仿真是在m a t l a b 软件环境下,使用s i m u l i n k 仿真工具 和神经网络工具箱完成的。s i m u l i n k 提供模块化的仿真建模环境,提高了复杂 模型输入计算机的效率。神经网络工具箱简化了复杂的神经网络建模过程。采用 s i m u l i n k 和神经网络工具箱大大提高了仿真研究的工作效率。本章仿真实验的 重点在于考察神经网络传感器故障诊断系统在闭环控制回路中进行故障诊断时 的效果。仿真的结果表明神经网络传感器故障诊断系统在闭环控制回路中的工作 是可行的。 第六章是实验部分。使用自己建立的神经网络热电偶故障诊断系统对热

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论