基于人工神经网络的PLC故障诊断系统的研究

1、基于人工神经网络的PLC故障诊断系统的研究论文导读：在现代化生产中,绝大局部生产过程的PLC控制都是属于顺序控制。这样处理可以简化故障诊断过程,通过下面故障诊断方法可以确定发生故障的传感器信号。在1943年,WarrenMcCulloch和WalterPitts提出了第一个人工神经网络(ANN)模型,标志着人工神经网络研究的开始。关键词：PLC，神经网络，故障诊断1 引言可编程控制器( PLC) 是一种以微处理器为根底的通用工业自动控制装置，广泛应用于冶金、能源、化工、交通、电力等领域中。PLC 在设计、结构方面具有许多其它控制器所无法比较的优点, 然而其故障诊断能力却非常弱，除了自诊断功能外

2、, PLC 没有专门的用于故障诊断的软件和硬件。导致PLC控制系统发生故障的原因很多, 比方: 温度、湿度、灰尘等造成的恶劣工作环境会降低系统部件的工作性能；有害气体、湿度和长期工作会造成系统部件的连接状况变差；不合理的设计和使用会造成系统部件的局部温度升高等。通过研究PLC 控制系统故障诊断技术和方法, 可以减少用于故障诊断的时间, 提高使用部门的经济效益。随着PLC 应用越来越广泛, 国内外相继展开了对PLC 控制系统故障诊断的研究。但总体来说, 数量比较少。与国内相比, 国外对PLC 控制系统故障诊断的研究那么更加深入。免费论文。所采用的方法主要有: 专家系统【1】 、Petri网【2】

3、 、人工神经网络(ANN) 【3】 。另外还有故障树分析法【4】 。专家系统方法研究的历史时间最长, 成果也最多。Petri网方法也有一定数量的研究。在这些方法中, 人工神经网络方法是一种比较新的方法, 和其它方法相比, 该方法具有以下优点：故障诊断速度快, 实时性好, 可以实现在线故障诊断；人工神经网络研究成果丰富, 可以选用多种人工神经网络结构和训练算法；故障诊断信息通过人工神经网络中的连接权和阈值进行存储, 信息处理能力强；能够对新故障进行再学习, 故障诊断适应性好；PLC 控制系统中绝大局部是0P1 开关量信号, 故障诊断训练样本容易获得；个别神经元连接或输入发生故障不会明显改变神经网

4、络的整体性能，故障诊断鲁棒性好。2 PLC控制系统故障诊断模型在现代化生产中, 绝大局部生产过程的PLC 控制都是属于顺序控制。整个生产过程由一系列工步组成，各个工步之间存在一定的逻辑关系。如果前一个工步没有完成，后一个工步就不会执行。下面以某生产设备为例进行说明, 如图1 所示( 采用功能图表示) 。免费论文。K(n-1)阀A翻开，阀B翻开，定时器T(n-1)工作C(n-1)K(n) 阀B翻开，定时器T(n)工作K(n+1)阀B翻开，阀C翻开，定时器T(n+1)工作C(n+1)K(n+2)阀D翻开，定时器T(n+2)工作C(n+2)图1 化工设备生产过程从图1 可以看出, 该生产设备的某局部

5、生产过程被分割成了K( n - 1) 、K( n) 、K( n + 1) 、K( n + 2)四个工步。免费论文。在K( n - 1) 工步内, 阀A 翻开, 阀B 翻开；在K(n) 工步内, 阀B翻开；在K( n + 1)步内, 阀B翻开, 阀C翻开；在Kn + 2) 工步内,阀D翻开。T( n - 1) 、T( n) 、T( n + 1) 、T(n +2) 表示看门狗;定时器, 用来检测是否发生故障。从K( n - 1)工步到K( n) 工步的转移条件为C( n - 1) , 从K( n) 工步到K( n + 1) 工步的转移条件为C ( n) , 从K ( n +1) 工步到K ( n

6、+2) 工步的转移条件为C( n + 1), 从K( n + 2)工步到下一工步的转移条件为C( n + 2)。这四个转移条件如式所示, 其中a 、b、c 、d 、e 、f 表示输入信号或PLC 内部元件状态。在图1 中, 整个生产过程是按工步工作的, 因此故障只能存在于各个工步。C ( n + 1) = eC ( n + 2) = f 根据故障发生部位不同,故障类型可以分为: 控制信号故障、执行元件故障和传感器信号故障。对于控制信号故障, 正确设计PLC控制程序可以保证其逻辑正确性, 该类故障只能发生在PLC 输出模块及PLC 输出模块与执行元件之间的连线。而执行元件故障与PLC 没有联系,

7、 只存在于执行元件本身。这两种故障最终都会反响到传感器信号上, 因此可以将这两种故障都归结为传感器信号故障。这样处理可以简化故障诊断过程, 通过下面故障诊断方法可以确定发生故障的传感器信号。在相应的故障修理过程中, 一方面需要对传感器本身进行检查, 同时还要对与之相关的执行元件、执行元件与PLC 输出模块之间的连线、PLC 输出模块进行检查。根据有关资料, 对于PLC 控制系统故障, CPU模块约占5 % , 电源模块、IPO 接口模块约占15% ,线圈约占5 % , 执行元件约占30 % , 传感元件约占45 %。可以看出, PLC 控制系统故障主要存在于PLC的外围元件(执行元件、传感元件

8、等) , 同时PLC 本身的可靠性非常高, 因此文中没有涉及PLC 本身故障的诊断。根据上面故障诊断模型, 某一工步发生故障, 最常见的情况是: 在该工步正常持续时间内, 转移条件无法满足。故障现象表现为系统停止在某工步, 无法执行后面的动作，这时PLC 仍在扫描控制程序, 但是PLC 内部与故障相关的数据却是静态的，根据此数据和PLC 控制逻辑可以进行该类故障诊断。另外, 某一工步发生故障还存在工步持续时间变化频繁、变化幅度较大等其它情况, 这些情况比上面情况更加复杂，故障发生后, 整个生产过程继续进行,PLC 内部数据仍然处于动态变化之中，该类故障诊断难度比较大, 本文没有涉及此类故障的诊

9、断。3 人工神经网络实现的故障诊断在1943 年, Warren Mc Culloch和WalterPitts提出了第一个人工神经网络(ANN) 模型, 标志着人工神经网络研究的开始。人工神经网络由神经元相互连接构成, 神经元的组织方式模仿人脑中神经细胞网络,动作方式和生物神经细胞的功能相似。将人工神经网络引入故障诊断领域, 那么产生了一种新的故障诊断方法。该文选用BP 网络, 如图2 所示。为了获得最好的故障诊断效果, 隐含层选为一层。神经元的转换函数选用Sigmoid 函数。应用人工神经网络来解决实际问题, 关键是确定训练样本。如果用F( n - 1)表示在K( n - 1)工步发生了死工

10、作状态故障,那么F( n- 1) 与C( n - 1)、K( n - 1) 、T( n - 1) 之间的关系可用式表示。在不同的工步中, PLC 输出控制信号的状态不同, 工步可用一组PLC 输出控制信号来表示工步。工步K( n - 1) 、K( n) 、K( n + 1) 、K( n + 2) 用PLC输出控制信号表示如式。根据 式, 可以得到图1 控制程序故障诊断训练样本, 如表1 所示。F( n - 1) = C( n - 1) -K( n - 1) -T( n- 1) 式中: F( n - 1) 取1;表示在K( n - 1) 工步发生了死工作状态故障;取0;表示在K( n - 1)

11、工步没有发生死工作状态故障C( n - 1) 取1;表示转移条件满足;取0;表示转移条件不满足;K( n - 1) 取1;表示当前处于K( n - 1) 工步;取0;表示当前没有处于K( n- 1) 工步;T( n - 1)取1;表示看门狗;定时器检测到故障; 取0;表示看门狗;定时器没有检测到故障。K ( n - 1) = A-B-C-D (6)K ( n) = A-B-C-D (7)K ( n - 1) = A-B-C-D(8)K ( n - 2) = A-B-C-D (9)表1 故障训练样本 转移条件 看门狗;定时器 工步 理想输出 a b c d e f T(n-1) T(n) T(n

12、+1) T(n+2) A B C D abcdef 0 0 1 1 1 0 0 1 0 0 0 0 0 1 1 1 1 1 0 0 0 1 0 0 0 0 0 1 1 1 1 0 0 1 1 0 0 0 0 1 1 1 0 1 0 0 0 0 1 0 0 0 0 0 1 0 1 0 0 0 0 0 1 0 0 1 0 1 0 1 0 0 0 0 1 1 0 0 0 1 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 注: a1;表示输入信号a 发生故障;0;表示输入信a 正常, b f类似。x可以取0 , 也可以取1。4 应用实例将该方法应用于某电厂气动除灰

13、装置控制系统故障诊断, 总体训练样本如表2 所示(由于在不同的工步中, PLC 输出控制信号的状态不同, 所以在表2中用PLC 输出控制信号来表示工步) 。该气动除灰装置共有30 个工作单元(气锁阀) , 每个工作单元有12个输入P输出信号, 输入信号分别是: 进料阀关到位( r) , 出料阀关到位( s) , 进料阀密封( t) , 出料阀密封( x) , 电场隔离阀开到位( y) ; 输出信号分别是: 进料阀开( A ) , 出料阀开( B ) , 平衡阀开( C) , 进料阀密封( D) , 出料阀密封( E) , 气锁阀气化( F) , 电场隔离阀开( G) 。在上位机监控程序中参加故

14、障诊断模块, 当故障发生后, 上位机立刻读取PLC 内部状态, 启动故障诊断程序, 输出故障诊断结果。在现场调试过程中进行了屡次实验, 故障诊断正确率到达96 %以上。表2 气力除灰装置总体训练样本注: x1;表示输入信号r 发生故障;0;表示输入信号r 正常, s y类似。x可以取0 , 也可以取1。5 结论可编程序控制器控制系统80的故障都是由于PLC 的外围元件执行元件、传感元件等或用户使用不当引起的，随着PLC 控制器应用越来越广泛，针对PLC 控制系统故障诊断的研究越来越多，神经元网络是其中一种较好的方法。由于只有一个隐层的神经元BP 网络能够以期望的精度逼近任何非线性函数，因此由输入层、隐单元层、输出层三层组成的感知机BP 网络完全可以完成对PLC 控制系统故障诊断。根据建立的可编程序控制器BP 神经故障诊断系统，可以对PLC控制系统故障进行诊断，经过试验证明，故障诊断正确率在90以上。参考文献：【1】 胡文彬, 周祖德. 基于PLC 信号的现代制造系统顺序控制故障诊断. 工业控制计算机, 1997 (6) : 2734.【