一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法

摘要

本发明公开了一种基于鲁棒输入训练神经网络的多传感器故障诊断系统，包括DCS数据源、与网DCS数据源相连的网络交换机、网络交换机相连的数据输入接口机、与数据输入接口机相连的输入数据预处理模块、与输入数据预处理模块相连的数据校验模块、与数据校验模块相连的数据输出接口、与数据输出接口相连的数据采集接口、与数据采集接口相连的显示存储模块，数据输入接口机与数据采集接口通过热备数据链路连接。本发明还提供了一种多传感器故障诊断方法。本发明提供的系统和方法能够准确检测和定位误差数据，更加准确地重构误差数据和良好数据的真实值，大大有利于工业生产，特别是热工过程中传感器故障诊断的实施，通过选择合理的可靠性系数和影响因子，能够有效诊断多传感器并发故障，并实现多测点数据重构，提高了电厂运行经济性和安全性。

说明书

技术领域

本发明涉及一种传感器故障诊断系统及其方法，尤其涉及一种基于鲁棒输入训练神经网络的多传感器故障系统及其诊断方法，属于机器学习建模领域。 

背景技术

机器学习(Machine Learning)是从已知样本数据或信息中通过挖掘、归纳、演绎、类比等方法获取知识的手段和机制，他是继专家系统之后人工智能应用的又一重要研究领域，并引起广泛关注。人工神经网络(Artificial Neural Networks)是一种旨在模仿人脑结构及其功能的信息处理系统，已成为构造复杂非线性过程数学模型最具吸引力的工具。 

现代火电厂中过程监控、性能监测、自动控制、运行优化以及设备故障诊断等系统的应用，使其热力过程监控的能力大大增强，显著提高了电厂运行经济性和安全性。这些系统的可靠运行依赖于各种传感器所采集的过程状态信息，因此大量的过程数据不但成为电厂运行监测和控制的基础，也是电厂热力系统分析诊断的信息来源，其准确性对过程的连续可靠运行起着至关重要的作用。然而实际测量中受到传感器、变送器等仪表精度、测量原理、测量方法和生产环境的影响，经常出现一些测点数据异常，直接影响运行人员对实时数据的判断；对于实时历史数据库而言，出现一些无意义的数据，影响历史数据的有效获取，进而影响对历史数据的分析，获取有效信息，对机组历史趋势的把握。 

现有的基于神经网络方法的数据检验，针对单个传感器故障时可以完成故障检测与数据重构，但当系统同时发生多测点故障时，故障测点之间相互影响，产生了比较严重的残差污染，不但会导致误判，还会产生较大的重构数据误差，因此提高多传感器并发故障情况下的残差抑制能力已成为传感器故障诊断研究的重要内容之一。 

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及其方法。 

技术方案：为解决上述技术问题，本发明提供的一种基于鲁棒输入训练神经网络的多传感器故障诊断系统，包括DCS数据源、与网DCS数据源相连的网络交换机、网络交换机相连的数据输入接口机、与数据输入接口机相连的输入数据预处理模块、与输入数据预处理模块相连的数据校验模块、与数据校验模块相连的数据输出接口、与数据输出接口相连的数据采集接口、与数据采集接口相连的显示存储模块，数据输入接口机与 数据采集接口通过热备数据链路连接。 

优选地，所述输入数据预处理模块包括获取过程测量数据模块以及与其相连的数据归一化处理模块。 

一种基于鲁棒输入训练神经网络的多传感器故障诊断方法，包括如下步骤： 

(1)通过离线稳态试验获得先验稳态样本集： 

D＝{x₁,x₂,…,x_L}，下标L表示样本个数，样本x_i∈D，样本x_i＝{x_i1,x_i2,…,x_in}，下标i为样本编号，n表示样本的变量个数；将该样本集D作为初始的训练样本集进行ITNN(输入性神经网络)模型的构建和学习； 

(2)通过网络交换机及数据输入接口机，实时获取DCS数据，将其作为过程数据新增样本x_k，对该新增样本进行标准化处理得到x′_k＝{x′_k1,x′_k2,…,x_k′_n}，其中0≤x′_kj≤1，j为变量序号； 

(3)确定标准化样本x′_k对应变量的可靠性系数： 

ξ_k＝{ξ_k1,ξ_k2,…,ξ_kn}，其中ξ_kj＞0，对于系统重要性及可靠性较高的参数，可取较大值，数值大于1； 

(4)初始化样本变量的影响因子值测试次数h＝1,2,...,h_max，h_max为测试次数上限值，第h次测试时$m_k^{\left(h\right)}=\{m_{k1}^{\left(h\right)},m_{k2}^{\left(h\right)},...,m_{\mathrm{kn}}^{\left(h\right)}\};$

(5)利用ITNN模型对x′_k进行测试，得到输出值计算测量值x′_k与RITNN输出值的偏差得到所有偏差集合

(6)选择影响因子函数一般可选择线性函数，Gaussian函数和Lorentzian函数，分别表示为以下形式： 

$f_1\left({\delta }_{\mathrm{kj}}\right)=\left(\begin{array}{cc}1-c_1\left|{\delta }_{\mathrm{kj}}\right|& 0\le \left|{\delta }_{\mathrm{kj}}\right|\le \frac{1}{c_1}\\ 0& \frac{1}{c_1}<\left|{\delta }_{\mathrm{kj}}\right|\le 2\end{array}\right)---\left(A\right)$

$f_2\left({\delta }_{\mathrm{kj}}\right)=\exp \left({-c}_2{\delta }_{\mathrm{kj}}^2\right)0\le \left|{\delta }_{\mathrm{kj}}\right|\le 2---\left(B\right)$

$f_3\left({\delta }_{\mathrm{kj}}\right)=\frac{1}{1+c_3{\delta }_{\mathrm{kj}}^2}0\le \left|{\delta }_{\mathrm{kj}}\right|\le 2---\left(C\right)$

其中：c₁～c₃调节系数，由测量数据某一置信限下的故障阈值确定；求得一种影响因子函数对应的值更新影响因子

(7)设为两次相邻测试偏差差值向量的某一范数，为设定检验值，若成立，返回步骤(5)进行下一次测试，反之，本组样本测试结束，数据重构完成。 

有益效果：本发明相对于现有技术而言具有以下优点： 

1、本发明提供的系统和方法能够准确检测和定位误差数据，更加准确地重构误差数据和良好数据的真实值，大大有利于工业生产，特别是热工过程中传感器故障诊断的实施。 

2、本发明提供的系统和方法通过选择合理的可靠性系数和影响因子，能够有效诊断多传感器并发故障，并实现多测点数据重构，提高了电厂运行经济性和安全性。 

3、本发明提供的系统和方法计算速度快，使得重构结果能非常方便地集成到系统控制系统中，真正起到实时故障诊断与数据重构，保证实时数据的有效性。 

附图说明

图1是本发明中实施例中的变量M₃测试结果图。 

图2是本发明中实施例中的变量M₄测试结果图。 

图3是本发明中实施例中的变量M₅测试结果图。 

图4是本发明中实施例中的RITNN测试残差平方值结果图。 

图5是本发明中实施例中的三种方法的平均平方误差测试结果图。 

图6是本发明中多传感器故障诊断示意图。 

具体实施方式

下面结合附图对本发明作更进一步的说明。 

一种基于鲁棒输入训练神经网络的多传感器故障诊断系统，包括DCS数据源、与网DCS数据源相连的网络交换机、网络交换机相连的数据输入接口机、与数据输入接口机相连的输入数据预处理模块、与输入数据预处理模块相连的数据校验模块、与数据校验模块相连的数据输出接口、与数据输出接口相连的数据采集接口、与数据采集接口相连的显示存储模块，数据输入接口机与数据采集接口通过热备数据链路连接；所述输入数据预处理模块包括获取过程测量数据模块以及与其相连的数据归一化处理模块。 

一种基于鲁棒输入训练神经网络的多传感器故障诊断方法，包括如下步骤： 

(1)通过离线稳态试验获得先验稳态样本集： 

D＝{x₁,x₂,…,x_L}，下标L表示样本个数，样本x_i∈D，样本x_i＝{x_i1,x_i2,…,x_in}，下标i为样本编号，n表示样本的变量个数；将该样本集D作为初始的训练样本集进行ITNN(输入性神经网络)模型的构建和学习； 

(2)通过网络交换机及数据输入接口机，实时获取DCS数据，将其作为过程数据新增样本x_k，对该新增样本进行标准化处理得到x′_k＝{x′_k1,x′_k2,…,x′_kn}，其中0≤x′_kj≤1，j为变量序号； 

(3)确定标准化样本x′_k对应变量的可靠性系数： 

ξ_k＝{ξ_k1,ξ_k2,…，ξ_kn}，其中ξ_kj＞0，对于系统重要性及可靠性较高的参数，可取较大值， 数值大于1； 

(4)初始化样本变量的影响因子值测试次数h＝1,2,...,h_max，h_max为测试次数上限值，第h次测试时$m_k^{\left(h\right)}=\{m_{k1}^{\left(h\right)},m_{k2}^{\left(h\right)},...,m_{\mathrm{kn}}^{\left(h\right)}\};$

(5)利用RITNN模型对x′_k进行测试，得到输出值计算测量值x′_k与RITNN输出值的偏差得到所有偏差集合

(6)选择影响因子函数一般可选择线性函数，Gaussian函数和Lorentzian函数，分别表示为以下形式： 

$f_1\left({\delta }_{\mathrm{kj}}\right)=\left(\begin{array}{cc}1-c_1\left|{\delta }_{\mathrm{kj}}\right|& 0\le \left|{\delta }_{\mathrm{kj}}\right|\le \frac{1}{c_1}\\ 0& \frac{1}{c_1}<\left|{\delta }_{\mathrm{kj}}\right|\le 2\end{array}\right)---\left(A\right)$

$f_2\left({\delta }_{\mathrm{kj}}\right)=\exp \left({-c}_2{\delta }_{\mathrm{kj}}^2\right)0\le \left|{\delta }_{\mathrm{kj}}\right|\le 2---\left(B\right)$

$f_3\left({\delta }_{\mathrm{kj}}\right)=\frac{1}{1+c_3{\delta }_{\mathrm{kj}}^2}0\le \left|{\delta }_{\mathrm{kj}}\right|\le 2---\left(C\right)$

其中：c₁～c₃调节系数，由测量数据某一置信限下的故障阈值确定；求得一种影响因子函数对应的值更新影响因子

(7)设为两次相邻测试偏差差值向量的某一范数，为设定检验值，若成立，返回步骤(5)进行下一次测试，反之，本组样本测试结束，数据重构完成。 

下面以某300MW电厂热力系统#1高加为例来介绍本发明提供的在线故障诊断方法的具体实施步骤。 

结合图1所示流程，步骤如下： 

1、传感器数据在线校验前，首先选取与系统相关的主要参数作为建模输入变量，并通过离线稳态试验获得先验稳态样本集，利用该样本集进行RITNN模型的构建和学习； 

2、现场数据通过“网络交换机”后，得到两路数据，一路进入“数据输入接口”，进行传感器数据校验；另一路直连接到“数据采集接口机”，作为传感器数据校验的冗余，防止数据流中断； 

3、数据进入输入数据校验模块后，根据热力系统过程参数生成机理与历史数据分析确定各变量可靠性系数； 

4、确定一种影响因子函数，并根据影响因子决策逻辑和测试次数控制模块确定各变量的影响因子值； 

5、根据测试偏差值调整影响因子，直至输出值满足误差条件；将输出值进行数据反归一化处理，最终实时获得重构数据，并更新故障日志； 

6、数据通过“数据输出接口”，连接“数据采集接口机”，由“数据采集接口机”判断采用哪一线路信号发送到显示屏，并将数据写入实时数据库。 

以某300MW电厂热力系统#1高加为对象进行算例分析，选取表1所示的7个测点建模，其采样间隔时间为10s，选用每分钟内六次采样结果的平均值作为一组样本数据，共采集800组进行研究，其中600组数据进行本发明方法(RITNN)的网络训练，其它数据用于模型测试，本实施例方法采用1-5-7结构. 

表1测点清单 

设训练样本数据测量值和模型估计值的残差矩阵服从零均值多元正态分布，根据残差矩阵求得各变量99％置信限下对应残差阈值作为故障判别阈值，如表2所示.考虑到机组功率测点的可靠性明显高于其它测点，各测点的可靠性系数ξ_k取值如式(1)所示.对变量M₄第100～200组数据分别叠加50％正向偏差，采用ITNN和本发明方法进行故障检测和数据重构测试，结果如表3和表4所示. 

表2测点残差阈值 

${\xi }_k=\left(\begin{array}{cc}1& k\ne 1\\ \frac{1}{m_k}& k=1\end{array}\right)---\left(1\right)$

表3M₄变量50％偏差测试结果 

可见，单测点故障时，运用Gaussian函数影响因子的本发明方法故障检测与重构误差小于其它方法，并明显优于ITNN测试结果，表明其对显著误差影响有 

表4M₄变量50％偏差故障检测结果 

更好的抑制作用，同时本发明方法能够更加准确检测出故障数据，减少误检数，并得到更加精确的故障数据重构值。 

在变量M₃，M₄和M₅第100～200组数据上分别共同叠加10％，30％和50％的偏差，运用本发明方法，采用Gaussian函数影响因子进行测试，并与线性PCA和ITNN方法检测结果进行比较，结果如表5所示. 

表53个测点故障检测结果 

可见，在多测点同时故障时，线性PCA和ITNN的检测准确性明显下降，其精度随着偏差的增大而迅速降低，而本发明方法仍能够有效克服多目标故障带来的检测困难，抑制显著误差的影响，减小残差污染，准确定位故障变量并加以精确估计. 

在N组测试数据中，在变量M₃，M₄和M₅的测量数据上叠加式(2)所示的线性漂移偏差，分别采用式(3)，(4)所示的残差平方值(squared residual error，SRE)和均值平方误差(mean squared error，MSE)来考察模型精度，模型测试结果如图1～图3所示.可见，相对于线性PCA及ITNN方法，本发明方法能给出更准确的重构值.图4给出了本发明方法SRE曲线，图5则比较了200组样本测试时三种方法的MSE值，可见本发明方法能够大大减小残差污染，显著提高了数据检验的准确性. 

$f_e=\left(\begin{array}{cc}0& N<100\\ 0.01\times (N-100)& 100\le N\le 200\end{array}\right)---\left(2\right)$

SRE＝(z_k-t_k)²k＝1,2,…,n                   (3) 

$\mathrm{MSE}=\frac{1}{N}\underset{p=1}{\overset{N}{\Sigma }}{(z_{\mathrm{pk}}-t_{\mathrm{pk}})}^{2}k=\mathrm{1,2},...,n---\left(4\right)$

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也 应视为本发明的保护范围。