控制系统传感器故障的两次预测诊断方法

《控制系统传感器故障的两次预测诊断方法》由会员分享，可在线阅读，更多相关《控制系统传感器故障的两次预测诊断方法（11页珍藏版）》请在金锄头文库上搜索。

1、控制系统传感器故障的两次预测诊断方法控制系统传感器故障的两次预测诊断方法 房方房方 牛玉广牛玉广 孙万云孙万云 魏乐魏乐 ( (华北电力大学动力系，河北华北电力大学动力系，河北 保定保定 ) )摘要：摘要：为了克服建模误差对诊断结果的影响，增强故障检测方法的鲁棒性， 同时充分利用生产过程中存在的大量冗余信息，文中提出了一种基于径向基函 数网络(RBFnet)的传感器故障诊断的新方法。针对多传感器系统的特点，利用 神经网络的非线性拟合能力，将相关传感器的输出数据综合，对待诊断传感器 的输出进行两次预测：第一次预测用于故障的识别；第二次预测可以实现故障 传感器的定位，并利用第一次预测的输出数据对故

2、障信号进行恢复 。仿真实验 表明该诊断方法对于传感器的几种不同故障形式均能够进行识别和恢复，对于 系统工况的变化具有一定的适应性。由于径向基函数网络具有很好的收敛性， 同时在使用过程中采用离线训练、在线使用的方式，因此该方法具有较好的实 时性。关键词：关键词：传感器；故障诊断；径向基函数网络；信息冗余1 1 引言引言现代化的工业过程往往是一个巨大的多传感器系统，几百甚至上千个点的 测控数据，要由各种传感器采集传送到监控系统。如果这些传感器在使用过程 中发生了故障，包括硬故障(传感器完全损坏)和软故障(传感器性能变差)，都 可能导致整个监控系统瘫痪，危及设备的安全稳定运行。因此，当某一个传感 器

3、发生故障后，希望能够及时进行检测和隔离。通常多传感器系统中各传感器并不是孤立存在的，它们之间或从机理上或 从硬件的布置上存在着冗余关系，由具有冗余关系的传感器组成的相关传感器 组为传感器故障的检测与诊断提供了全面而可靠的信息。文献1在相关传感 器组中建立起传递函数矩阵，实现了对 DEH 系统传感器故障的检测。文献2 利用系统内部的深层知识，建立起多传感器之间的空间冗余关系和各个传感器 自身的时间序列冗余关系，将两种关系联合，作为判断故障的依据 。人工神经网络对于模型不确定的鲁棒适应性以及对非线性模型的拟合能力， 使其成为近年来传感器故障诊断领域的研究热点。应用神经网络的传感器故障 诊断有两个主

4、要的方向:一个是应用观测器原理，构造神经网络观测器，将观测器输出与实际输出比较，产生残差,在一定的诊断策略下识别故障，这既保留了 基于模型诊断故障的优点，同时发挥了神经网络适应性强的特点1，310；另 一个方向是通过人工神经网络直接对传感器输出信号进行故障判断，同时产生 恢复信号4。本文提出的方法是应用径向基函数网络11，根据相关传感器的冗余信息 产生二次预测输出，形成残差，由决策函数对残差进行评价，若出现故障， 则用径向基函数网络的一次预测输出对故障信号进行恢复。下面将从预测结构、 诊断策略和仿真检验三个方面对这一方法进行详细的论述，文章的最后一部分 是对文中所涉及的相关问题的讨论。2 2

5、基于径向基函数网络的相关传感器输出预测基于径向基函数网络的相关传感器输出预测利用相关传感器之间信息的冗余特性，在相关传感器形成的传感器组(以 n 个传感器为例)内部建立起多对一的预测结构，以其它 n1 个传感器的输出对 某一个传感器的输出进行预测 ，从预测输出中提取故障诊断的相关信息。考虑 到待诊断对象的不确定性、未知输入的影响以及其可能存在的非线性，在这里 采用径向基函数网络(RBFnet)对传感器的输出进行预测。 作为一种前馈网络，径向基函数网络在完成函数逼近任务时在逼近能力、 分类能力和学习速度方面均优于 BP 网络，具有收敛速度快、不易陷入局部最优 解的特点。径向基函数神经元的变换函数

6、为高斯函数，高斯函数的输入为输入 矢量与权值矢量的距离乘以阈值 b。RBFnet 的网络结构图如图 1 所示，其中 R 为输入变量数，s1为第一层神经元数，s2为第二层神经2.12.1 相关传感器输出预测的网络结构相关传感器输出预测的网络结构以相关传感器输出为对象，基于 RBFnet 的网络预测结构如图 2 所示。对于 n 个相关传感器 ，建立 n 个 RBFnet，第 j 个 RBFnet 的输入是相关传感器组中 除了第 j 个(j1,n)传感器外的 n1 个传感器的输出，输出即是第 j 个 传感器输出的预测值。该预测网络结构的主要特点是 ,每一个传感器的实际输 出值均不参与本身的预测。2.

7、22.2 相关传感器预测输出数据研究相关传感器预测输出数据研究预测网络产生的预测数据 x1,x2,xn与相关传感器组的实际输出数 据 x1,x2,xn之间的关系有两种情况：(1) 相关传感器组中各传感器均工作正常。预测网络输出逼近各传感器的 实际输出，即满足关系式xjxj/xj j1，2，3,n (1)式中 为预测网络中 n 个 RBFnet 预测误差的最大值；(2) 相关传感器组中任一传感器发生故障(以传感器 i 发生故障为例)。图 2 预测网络中除 RBni外的所有 RBFnet 的输入均含有传感器 i 的故障输出 xi，背 离了 RBFnet 训练时的输入，预测值会出现如下情况通过以上分

8、析可知，在图 2 预测网络的输出中包含相关传感器组中是否有 某一传感器发生故障的信息，但仅从预测输出无法对故障传感器进行定位和恢 复。结论 1 若相关传感器组的输出经预测网络后的预测输出满足式(4)，则传感 器组中必有一传感器发生故障。3 3 两次预测的故障诊断策略两次预测的故障诊断策略为了对故障传感器进行定位并对故障值进行恢复，在相关传感器组一次预 测输出的基础上设计出两次预测的故障诊断策略。这一诊断策略建立在“任一 时刻最多只有一个传感器发生故障”的假设前提之下。3.13.1 两次预测网络结构两次预测网络结构以 xi(i1,n)代替 xi与其它各测量值 x1，x2，xi1，xi1，xn再次

9、代入由 RBFnet 组成的预测网络，产生出 二次预测输出 x1i，x2i，x(i1)i，x(i1)i,，xni，其原理图如 图 3 所示。若第 i 个传感器发生故障，由上面对式(3)的分析可知，预测输出 xi 逼近传感器 i 的正常输出，因此有 xi 参与的二次预测输出 x1i，x2i，,x(i1)i，x(i1)i,，xni应当满足下式式中 为给定阈值。而未发生故障传感器的一次预测输出 xj(ji)将偏离传感器 j 的正常输 出，因此有 xj参与得到的二次预测输出 x1j，x2j，x(j1)j，x(j1)j，xnj应当满足下式当第 i 个传感器出现故障时，其决策函数值将会明显小于其它 n1

10、个传感器的 决策函数值，这样就可以通过决策函数值的大小确定传感器的故障位置，实现 传感器的故障定位。结论 2 若相关传感器组的一次预测输出满足式(4)，且由第 i 个传感器的一 次预测输出 xi参与的二次预测输出由式(7)形成的决策函数值明显小于其它 各决策函数值，则说明相关传感器组中的第 i 个传感器出现了故障。3.23.2 故障诊断步骤故障诊断步骤根据以上两次预测的结论，给出对相关传感器组中任一传感器发生故障时 的诊断步骤： (1)选择相关传感器组,相关传感器是指其测量数据在系统正 常运行中具有因果关系或满足一定函数关系的传感器；(2)针对相关传感器组中的 n 个传感器训练出 n 个 RB

11、Fnet。输入可选择系 统全工况运行时的一组传感器输出数据，输出是传感器正常工作应有的输出值， 由这 n 个 RBFnet 组成两次预测网络；(3)先由预测网络产生 n 个一次预测输出，判断一次预测输出是否符合式(4)， 若不符合,说明相关传感器组中无故障发生，进行下一个采样时刻的故障诊断； 若符合，进行第 4 步诊断 ；(4)将一次预测输出的 n 个预测值代入二次预测网络，并根据二次预测输出 形成决策函数式(7)，若决策函数 ei明显小于其它各决策函数，证明传感器 i 出现了故障。以 xi代替 xi作为第 i 个传感器的诊断恢复信号，结束本采样时 刻的诊断。4 4 仿真研究仿真研究针对以上传

12、感器故障诊断结构，我们采用一个 160MW 燃油机组的动态模型 9进行仿真检验，模型描述如下：式中 x1为汽包压力，kg/cm2；x2为功率输出,MW；x3为汽包内液体密度， kg/cm3;u1为燃油调节阀开度(01 对应 014 kg/s);u2为汽轮机调节阀开度 (01);u3为给水调节阀开度(01 对应 0140 kg/s);y1为汽包水位，m；cs 为质量系数；qe为蒸汽消耗率，kg/s。取 x1、x2、u2三个相关性较强的信号作为检测信号，根据机组由低负荷到高负 荷再到低负荷模拟运行的一组数据，训练出 3 个 RBFnet12，利用训练好的网 络进行了如下几方面的测试。 4.14.1

13、 对诊断策略正确性的验证对诊断策略正确性的验证两次预测的故障诊断策略是以“结论 2”为基础的，所以首先对其进行验 证。图 4(a)中，系统工作在平衡点 x1108 kg/cm2(输出由传感器 1 测取)、 x266.65 MW(输出由传感器 2 测取)、u20.69(输出由传感器 3 测取)，仿真 输出加入了均值为零的白噪声。传感器 3 在 1 500 s 处发生故障，各二次预测 输出的相对误差如图 4(b)所示，图中 ei由式(7)求得。从图中可以看出传感器 3 出现故障以后 e3明显小于 e1、e2 ，仿真检验证明“结论 2”是正确的 。4.24.2 对工况变化的适应性测试对工况变化的适应

14、性测试为了测试诊断策略对在不同工况下传感器出现故障的检测能力，做了以下 仿真实验：图 5(a)显示，系统负荷 x2由 66.65 MW 跃升到 85.06 MW，压力 x1由 108 kg/cm2增加到 118.8 kg/cm2，蒸汽调节阀开度 u2由 0.69 增加到 0.759。传感器 1(压力传感器)在 1 800 s 出现输出衰减，从图 5(a)、(b)可以看出，诊断策略 通过二次预测误差，检测到了故障的存在，并用一次预测信号 x1对故障信号 进行了恢复。在故障发生的初期，由于故障的幅值较小，诊断策略对故障的检测存在一 定的不灵敏区 ，如图 5(a)虚线圈中所示，(这种不灵敏区在阶跃型

15、故障中一般 不存在)，随着故障幅值的增大 ，超越不灵敏区后，故障即可被检测出来。图 5(b)虚线圈中误差曲线有一个小的扰动，这是由于机组运行工况改变所 引起的，通过适当设定检测阈值，可以消除这一扰动可能对诊断结果造成的影 响。4.34.3 对不同时发生的多个传感器故障测试对不同时发生的多个传感器故障测试本文的两次预测诊断方法是在假设同一时刻只有一个传感器发生故障的前 提下提出的，对于实际中可能存在的多个传感器在不同时刻发生故障的情况， 做了如下测试。图 6(a)中，系统运行有一次降负荷和两次升负荷，在 1 800 s，工况 x197.2 kg/cm2、x250.52 MW、u20.621 时，

16、传感器 2(功率传感器)瞬间失 效；在 6 000 s，工况 x1118.8 kg/cm2、x285.06 MW、u20.759 时，传感 器 3(阀位传感器)出现恒增益故障。从仿真检验得到的二次预测输出的误差曲线(图 6(b)中所示)可以看出，诊 断策略能够识别不同工况下，任意单一传感器发生的不同形式的故障，误差恢 复曲线满足要求。在无故障时刻，二次预测误差在 103数量级，由于图 6(b)的纵坐标取值 范围较大，所以无故障时的误差曲线近似为零值的一条直线。5 5 讨论讨论对于本文提出的两次预测诊断方法，在仿真实验的基础上做如下几方面的 讨论。(1) 两次预测诊断方法的适用性前面第 3 节指出：两次预测诊断方法是建立在“任一时刻最多只有一个传 感器发生故障