基于RBF神經網絡的控制系統傳感器故障診斷方法

由于表1中的4個參數的物理意義、量級各不相同，必須經過歸一化處理后才能用于神經網絡的訓練，用Mat-lab的Simulink仿真工具箱提供的函數對數據進行歸一化處理使數據位于[-1，1]之間。訓練結束后切斷學習過程使網絡處于回想狀態，將系統實際輸出與網絡模型的輸出相減就可以獲得殘差。以合型力傳感器為例，采樣時間為O．5 s，利用上面的學習樣本在時間T∈[1 s，1 000 s]內對RBF神經網絡進行訓練，結果經過約50步訓練誤差就達到10_并急劇減少，如圖3所示。

圖4為用后12組數據對RBF神經網絡進行測試時，Y跟蹤正常合型力傳感器測量值y的情況，其最大誤差不超過1．5 MPa，所以訓練好的RBF神經網絡具有一定的泛化能力，可以較好的觀測、跟蹤合型機構現狀。現針對傳感器經常發生的卡死故障、漂移故障和恒增益故障進行模擬仿真實驗。當合型力傳感器正常工作時，RBFNN觀測器輸出Y與合型力傳感器測量值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；當傳感器發生故障時，由于y不能準確反應合型力數據，導致δ突變，不再滿足白噪聲特性。根據上面所述的傳感器故障診斷原理，設定閥值θ=2．7 MPa，圖5表示合型力傳感器在T∈[400 s，600 s]內發生卡死故障時的輸出殘差曲線；圖6表示傳感器在T∈[600 s，1 000 s]內發生漂移故障；圖7表示傳感器在T∈[800 s，1 000s]內發生恒增益故障時的輸出殘差曲線。通過對各類典型故障的仿真實驗，能夠準確檢測到合型力傳感的各類故障。

4 結 語
在此依據徑向基(RBF)神經網絡原理，以壓鑄機控制系統各傳感器的輸出參數作為RBF神經網絡的輸入，采用模糊K均值聚類算法選取聚類中心，建立傳感器 RBF神經網絡觀測器模型對控制系統傳感器進行故障診斷，仿真實驗表明徑向基神經網絡具有較強的非線性處理和逼近能力，泛化能力強，網絡運算速度快，能夠準確發現和處理故障信號，性能穩定。因此，RBF神經網絡故障診斷是壓鑄機控制系統一個必不可少的新管理工具。