基于神经网络的传感器故障诊断

4
传感器故障诊断的仿真研究
1） 条件设置
以传感器q为对象，进行仿真分析。 样本学习数据：600s 数字仿真数据：100s 人工注入传感器卡死故障：50s 主神经网络结构：输入层单元数，隐层单元数，输出层单元数分 别为 9、16、3，学习速率为0.1。 局部神经网络结构：输入层单元数、隐单元数、输出层单元数分 别为6、10、1，学习率速为0.02。
问题： 神经网络法需要系统在各故障状态下的样本进行训练， 但实际生产过程中控制器故障的样本十分缺乏
谢
谢
3
传感器故障检测和诊断
1）传感器故障检测
3
传感器故障检测和诊断
2）传感器故障的识别：
3
图所示
传感器故障检测和诊断
2）传感器故障的识别：
传感器在线故障诊断方法如
对于主神经网络和3个局部 网络，系统正常运行时可以利 用若干组正常传感器输出值进 行学习，以掌握它们之间的关 系。 对局部神经网络而言，在未 发现传感器发生故障之前，一 直处于学习状态。
4
传感器故障诊断的仿真研究
2） 仿真结果
图4 MQEE随时间变化曲线图
图5 q 传感器的各种输出
4
3） 总结
传感器故障诊断的仿真研究
wk.baidu.com
采用主、从神经网络结构，提出了一种传感器故障在线检测 和识别的算法，并对传感器卡死故障进行了仿真研究，结果表明 本算法可有效地检测、识别出故障，并能给出故障传感器估计值 用于容错控制。该算法也可实现漂移等其它故障类型的传感器故 障诊断。
2
神经网络诊断法的网络结构
1）基于 BP 算法的主 、从网络结构
为了提高实时性 , 本算法的神经网络结构包括一个主神经 网络 ( MNN ) 和n个从网络 ( DNN) , n是系统中非冗余的传感 器数目 。主神经网络负责检测有无传感器故障发生 , 各从网络 负责故障定位及故障传感器信号恢复。
2
图1 主神经网络结构
2
神经网络诊断法的网络结构
3） BP 算法的从网络结构
从网络有 n 个 , 分别对应 n 个传
感 器 , 它们 都是 3 层 前馈网络 。 输
入节点数有 ( n -1 ) ×p 个 , 输出 节点 数 1 个 。 其中第 i 个从网络的输出节 点为第 i 个传感 器在时刻 t 的输出 估 计值 , 而从网络的输入 共有 ( n -1) ×p 个 , 分别 是其 余 n -1个传感器从 ( t p ) ～ ( t - 1) 时刻的输出 , 即 :第 i 个 DNN的输入是除了第 i 个 传感 器以 外 的 n -1 个传 感器 的 测量 值 。 图2 从神经网络结构
基于神经网络的传感器故障诊断
神经网络诊断方法概述 神经网络诊断法的网络结构 传感器故障检测和诊断 传感器故障诊断的仿真研究
目 录
1
神经网络诊断方法概述
为了能够在线 、实时监测各传感器的运行状态 , 采用BP神经网络设计了由主 、从神经网络构成的故 障诊断算法 , 对传感器故障的检测 、识别及恢复 。
图3传感器故障检测和识别框图
3
传感器故障检测和诊断
3）传感器故障容错研究：
传感器局部网络q通过前一阶段的学习，掌握了该传感器与p、r 传感器输出之间的冗余关系，在故障传感器信号恢复阶段，它利用 其余2个传感器的输出来推理q传感器在t+1时刻 以后的输出值。此外， 控制逻辑将局部网络q接入控制系统，以代替传感器q ，并将局部网 络q的输出接入主网络的输入。同时将它作为主网的输出，主网继续 进行学习和工作，以发现新的传感器故障。 如果发生故障的传感器 恢复正常，局部网的DQEE值变小，控制逻辑可以重新将传感器q接 入控制系统和主网的输入和输出端。
神经网络诊断法的网络结构
2） BP 算法的主网络结构
主神经网络结构如图 1 所示 , 它包括 1 个输入层 、1个隐层和 1 个输出层 。其 输入层共有 n×p 个 节点 , 分别为 n 个传感器从 ( tp) ～ ( t -1 ) 时刻的输出 , p为步 长 。 其输出分别对应 n 个传感器 在 t 时刻的相应输出估计值 。网络 学习采取有导师学习算法 。