基于RBF神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)傳感器故障診斷方法

由于表1中的4個(gè)參數(shù)的物理意義、量級(jí)各不相同，必須經(jīng)過歸一化處理后才能用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，用Mat-lab的Simulink仿真工具箱提供的函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理使數(shù)據(jù)位于[-1，1]之間。訓(xùn)練結(jié)束后切斷學(xué)習(xí)過程使網(wǎng)絡(luò)處于回想狀態(tài)，將系統(tǒng)實(shí)際輸出與網(wǎng)絡(luò)模型的輸出相減就可以獲得殘差。以合型力傳感器為例，采樣時(shí)間為O．5 s，利用上面的學(xué)習(xí)樣本在時(shí)間T∈[1 s，1 000 s]內(nèi)對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)果經(jīng)過約50步訓(xùn)練誤差就達(dá)到10_并急劇減少，如圖3所示。

圖4為用后12組數(shù)據(jù)對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試時(shí)，Y跟蹤正常合型力傳感器測(cè)量值y的情況，其最大誤差不超過1．5 MPa，所以訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)具有一定的泛化能力，可以較好的觀測(cè)、跟蹤合型機(jī)構(gòu)現(xiàn)狀?，F(xiàn)針對(duì)傳感器經(jīng)常發(fā)生的卡死故障、漂移故障和恒增益故障進(jìn)行模擬仿真實(shí)驗(yàn)。當(dāng)合型力傳感器正常工作時(shí)，RBFNN觀測(cè)器輸出Y與合型力傳感器測(cè)量值y之間的殘差δ=|y-y|近似為高斯白噪聲序列，其均值近似為零；當(dāng)傳感器發(fā)生故障時(shí)，由于y不能準(zhǔn)確反應(yīng)合型力數(shù)據(jù)，導(dǎo)致δ突變，不再滿足白噪聲特性。根據(jù)上面所述的傳感器故障診斷原理，設(shè)定閥值θ=2．7 MPa，圖5表示合型力傳感器在T∈[400 s，600 s]內(nèi)發(fā)生卡死故障時(shí)的輸出殘差曲線；圖6表示傳感器在T∈[600 s，1 000 s]內(nèi)發(fā)生漂移故障；圖7表示傳感器在T∈[800 s，1 000s]內(nèi)發(fā)生恒增益故障時(shí)的輸出殘差曲線。通過對(duì)各類典型故障的仿真實(shí)驗(yàn)，能夠準(zhǔn)確檢測(cè)到合型力傳感的各類故障。

4 結(jié) 語
在此依據(jù)徑向基(RBF)神經(jīng)網(wǎng)絡(luò)原理，以壓鑄機(jī)控制系統(tǒng)各傳感器的輸出參數(shù)作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，采用模糊K均值聚類算法選取聚類中心，建立傳感器 RBF神經(jīng)網(wǎng)絡(luò)觀測(cè)器模型對(duì)控制系統(tǒng)傳感器進(jìn)行故障診斷，仿真實(shí)驗(yàn)表明徑向基神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性處理和逼近能力，泛化能力強(qiáng)，網(wǎng)絡(luò)運(yùn)算速度快，能夠準(zhǔn)確發(fā)現(xiàn)和處理故障信號(hào)，性能穩(wěn)定。因此，RBF神經(jīng)網(wǎng)絡(luò)故障診斷是壓鑄機(jī)控制系統(tǒng)一個(gè)必不可少的新管理工具。