基于RBF神经网络的热网监控系统传感器故障诊断方法与应用

摘 要 针对热网计算机监控系统中传感器故障问题，提出用径向基函数神经网络来进行故障诊断，为每一个传感器建立神经网络预测模型。采用先学习，后工作的在线学习方法。该方法具有在线学习、故障误检率低、可以诊断多个传感器软硬故障的优点。 关键词 神经网络；传感器；故障诊断；热网监控系统 1.前言 热网计算机监控系统中的传感器用于监测诸如压力、温度、流量等信号以使系统正常运行，传感器的故障可使系统运行性能下降或导致系统瘫痪。事实上，传感器是监控系统中较易损坏的器件，因此高性能的监控系统应具有传感器故障诊断功能，并能对信号进行恢复。目前采用较多的传感器故障诊断方法是分析冗余法，该方法需要建立系统的精确数学模型，只适于线性和低阶系统。而人工神经网络不需要知道系统的数学模型，只通过样本的学习来掌握数据之间的关系，因而可以应用于传感器的故障诊断。 2.基于RBF神经网络的传感器故障检测原理 神经网络是根据对象的输入输出信息，不断地对网络参数进行学习，以实现从输入参数到输出参数的非线性映射，还可以对来自机理模型和实际运行对象的新数据样本进行自适应学习，尤其是通过不断的实时学习，可以适应对象参数的缓慢变化。本文采用的RBF 网络推广能力比较好，其激活函数由辐射状函数的神经元构成，通常采用高斯型函数。此函数对输入信号在局部产生响应，即当输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出，也就是说，RBF网络具有局部逼近的能力。 2.1 BRF神经网络的结构原理 RBF函数网络从结构上看是一个 3 层前馈网络（见图1），包括一个输入层、一个输出层和一个隐含层[2]。输入层节点的作用是将输入数据传递到隐含层节点。隐含层节点称为 RBF 节点，其激活函数为辐射状函数的神经元构成，通常采用高斯型函数： 图1 RBF网络结构 其中， 是RBF网络的输入数据向量； 是第 个隐含层神经元的输出，且 ， 是高斯函数的中心值， 是高斯函数的方差； 是隐含层神经元数目。 输出层节点的激活函数通常为简单的线性函数。 RBF网络的学习可用聚类（或类似的其它方法）确定函数中心，隐含层到输出层的连接权可直接计算，避免了学习中的反复迭代过程，所以学习速度较快。一般认为RBF网络的推广能力要优于其它神经元网络。 RBF网络中要学习的参数有3个，即隐含层各神经元的中心和方差以及输出层的连接权。对前两个参数的选择有两种方式: (1)根据经验选中心，所选中心应具有“代表性”。样本点密集的地方中心点要适当多些，如果数据本身是均匀分布的，则中心也均匀分布。 (2)用聚类方法把样本聚成M类，类中心就作为RBF的中心，最常用的是K—均值聚类。 RBF函数的中心和方差选定后，输出层的连接权可采用最小二乘法训练RBF网络。 2.2 基于RBF网络传感器故障诊断 传感器的故障诊断包括以下3个问题:①在某时刻 ,如何检测是否有传感器发生了故障；②当确定有传感器发生故障后，如何找到故障传感器；③找到故障传感器后，如何补偿故障信号，给出一个正确的估计信号。基于神经网络的传感器故障检测原理如图2所示。 图中，采用RBF网络离线建立传感器输出序列预测模型［4］，实际在线应用时,可以用传感器实际输出的前m步样本x(n-m+1),x(n-m+2),…,x(n)预测传感器第n+1步输出 (n+1),传感器第n+1步实际输出x(n+1)和预测输出 (n+1)之差如果超过一定的判断阈值,则可判断此传感器发生故障,反之,传感器是正常的,如图3示。阈值的选择应考虑传感器输出的噪声水平,即稍大于传感器的噪声方差,以减少由噪声引起的误报警。 3.仿真分析 针对热网计算机监控系统的特点，可以先对热力站一次网的供水温度传感器为研究对象，研究其故障诊断。神经网络预测器结构为4:4:1型，检测阈值取σ为10，学习速率为0.5。用传感器正常运行时的历史数据为训练样本，按上述学习规则，对网络预测能力进行了仿真分析，使其误差达到目标要求。结果如图3所示，当传感器出现故障时，神经网络预测器与传感器输出的比较，从第81个采样点开始，残差明显超过故障检测阈值(10)，从而可以确定传感器从第81个采样点开始发生了故障。在传感器正常时，残差非常小，说明神经网络预测器的预测输出可以近似实际输出。当传感器出现故障时，神经网络预测器能够对故障传感器的信号进行恢复，以便检测其它传感器的故障。 4.结论 本文主要讨论基于神经元网络预测器的传感器故障检测和诊断方法，神经元网络采用 RBF 网络，提出用RBF神经网络构建预测模型。该检测方法具有以下特点: 1可以对监控系统中易发生故障的传感器建立神经网络预测器,而对不易发生故障的传感器则不需建立神经网络预测器,因此减少了离线训练计算量。 2 本方法可以对各种类型的传感器故障，如漂移、冲击、偏置、硬故障等进行检测。 3 如果对控制系统中的多个传感器建立神经网络预测模型,则本方法可以诊断多个传感器同时发生的故障，并进行信号恢复。 4 神经网络预测器模型的训练是离线进行,且利用了传感器正常运行时的数据信息,所以用来训练神经网络预测器的样本应能反映传感器正常量测数据。 参考文献 [1] 王洪元,史国栋．传感器故障在线诊断和信号恢复的两级神经网络方法[J]． 北京理工大学学报, 1999,19(3): 365～369 [2] 余以道,秦国军,温熙森．基于演化计算的RBF网络故障诊断模型及应用[J]． 机械与电子, 2000(2): 27～28 [3] Rafiq M Y, et al．Neural network design for engineering applications[J] ． Computers and Structures, 2001, 79(17): 1541～1552 [4] 钮永胜．基于人工神经网络的传感器故障诊断和信号恢复方法研究:[学位论文].哈尔滨:哈尔滨工业大学自动化测试与控制系,1997 Fault Diagnosis of Heating Network Supervision-Control System Based on RBF Network and Its Application Ge Chao Abstract: As for the problem of fault diagnosis of Heating Network Supervision-Control system, radial basis function network is presented. The predictor model has been established for each sensor. Each NN were trained with on-line learning method, that is, working after on-line learning. The proposed method has the abilities of on-line learning, low false alarm rational identifying multiple sensors failure. Keywords: neural network; sensor; fault diagnosis; Heating Network Supervision- Control system