基于神经网络的实时故障检测研究

摘要

在故障检测和诊断中，由于在残差信号中可以提取到相关的故障信息，因此故障检测的首要任务就是要获得系统的残差信号，残差成为故障检测算法设计的主要目标。在控制系统中，系统的输入、输出与状态变量之间都存在一定的函数关系，所以可以利用系统中的这些可测量来构造一个残差产生器，当系统无故障发生时，系统残差信号小于(假设没有外部干扰)设定的阈值，当系统发生故障时，残差就会大于阈值，这就是故障检测的主要思想。
　　 本文根据故障检测的基本思想，以神经网络为工具设计相应的残差产生器，从而实现故障检测，并以东大智能的多功能过程控制平台[1]为实验平台，对提出的算法进行验证，本文主要从以下几个方面入手进行研究：
　　 1.本文根据BP网络具有自学习、推广和概括的能力等优点，以及RBF网络的函数逼近能力，提出混合神经网络RBF-BP网络模型，该网络模型同时具有BP网络与RBF网络的优点。BP网络可以弥补RBF网络的作用函数是局部的局限性，而对于BP网络会造成局部最优及收敛速度慢等不足，可以由RBF网络来弥补。
　　 对于RBF-BP网络模型的训练，以系统的输入为网络输入，以系统的期望输出为输入对网络模型进行训练，同时在对该网络模型进行训练的过程中，用遗传算法对其进行优化，即构造一个现实系统的模拟系统，当系统执行器发生故障时，模型系统的输出正常，而实际输出就会偏离期望的输出值，系统残差的某一分量就会大于阈值，即εf>δf。此时就认为系统执行器i发生故障。
　　 2.基于状态观测器的故障检测方法，传统的方法就是用数学中代数的方法，如线性矩阵不等式(LMI)的方法，但是代数的方法会造成重复计算等不足，而神经网络状态观测器可以逼近于任一非线性函数，因此本文在基于BP神经网络的状态观测器的故障检测方面进行了研究。
　　 传统的神经网络状态观测器方法都是以系统的输入与输出对系统状态变量进行估计，由于在系统的各个传感器的输出与状态变量之间也存在一定的函数关系，因此，本文以此为据，以系统输入与传感器j的期望输出对与传感器i相关的状态变量进行估计，代替了以系统输入与传感器i的训练样本。
　　 3.对于没有外部干扰的控制系统，利用神经网络的函数逼近能力实现对现实系统的模拟，从而产生系统残差，通过残差信号对故障进行检测和诊断是完全可以的，但是在现实工业的控制系统的运行过程中，外部干扰是不可避免的，此时如果仍只是一味的对系统状态误差及残差信号进行跟踪，以此为据进行故障检测是不能满足要求的，因为一旦有未知输入的存时，即使系统传感器没有发生故障，状态误差与残差信号都会偏离零，所以必须要先对未知输入进行估计，将估计值代入现实系统的模拟系统，待稳定后，状态变量误差会逐渐趋近于零，若无故障发生，残差信号也会趋近于零，而当传感器发生故障时，残差信号就会偏离零值。