用單片機系統實現故障診斷

0．引言

現代工礦企業設備日益朝向大型化、復雜化、智能化發展，迫切要求對其運行狀態進行多參數監測和故障診斷。隨著芯片技術的發展及智能技術的應用，診斷技術已開始進入一個新階段，即智能化階段，這是一種基于人工智能技術的診斷方法。該方法對復雜大系統的診斷尤其有效，可充分利用現有的經驗知識，構造智能模型，進行快速診斷。智能診斷系統的性能取決于所采用的智能模型。

本文用人工神經網絡綜合實現凝汽器運行狀態的診斷判斷。其原理是：設備的各種運行狀態與其各種物理參數如溫度、壓力、振動頻率等有一定關聯。這種關聯難以用確定的數學表達式來表達，但可以用神經網絡來逼近該模型。

1．基于神經網絡的故障診斷

人工神經網絡（Artificial Neural Networks 簡稱ANN）[1]是由大量簡單處理單元廣泛連接而成的復雜的非線性系統，具有學習能力、自適應能力、非線性逼近能力等。實際應用研究中，大多使用的是 BP網絡（Back-Propagation network）即反向傳播網絡。BP網絡因具有較強的非線性逼近能力，能進行故障模式識別，還能進行故障嚴重程度評估和故障預測，因此，應用最廣。但是，由于BP算法在迭代時采用梯度下降法，存在著收斂緩慢、振蕩和局部極小等問題，一些改進的BP算法在這些方面有些改善。BP網絡屬于多層結構，前饋式，它是繼Hopfield 網絡之后，Rumelhart提出的又一重實用網絡模型，其學習算法采用的是反向傳播算法，基本思想是構造一個類似于感知機的非線性系統，并讓該系統的決策能力與最小誤差函數和梯度下降聯系起來，從而解決了普遍存在的多層神經網絡的學習不易收斂問題。

1989年Robert Hesht Nielson證明了對于任何在閉區間內的一個連續函數，都可以用一個隱含層的BP網絡來逼近，因而一個3層BP網絡可以完成任意的n維空間到m維的映射，故本文采用的網絡是3層網絡，中間只有一層隱含層，網絡結構如下圖所示。

2．系統總體方案介紹

表1為該系統使用的凝汽器11種典型故障的征兆集[2][3]。在征兆集中，“1”表示征兆存在，“0”表示征兆不存在。BP網絡的目標輸出對應各故障的隸屬函數，即為：
q, l-1, 2, …， 11

為了說明起見，仍采用文獻[2]中給出的故障征兆來對網絡進行訓練。

該系統實現的功能有上述17種信號的采集與放大濾波、壓力溫度信號的補償、鍵盤輸入、LCD顯示輸出、與上位機的通信。

注：故障征兆序號的含義為：1.真空急劇下降；2.真空緩慢下降；3.循環水泵電動機電流降至零；4.循環水泵出口壓力降至零；5.汽輪機低壓脹差為負值；6.凝結水泵出口壓力增加；7.凝結水泵出口壓力下降；8.凝結水泵電動機電流增加；9.凝結水泵電動機電流減小; 10 .凝結水導電度增加; 11 .低壓加熱器水位升高; 12 .循環水溫升增加; 13 .循環水溫升減小; 14.凝汽器端差增加；15.凝結水過冷度增加；16 .抽氣器抽出的空氣溫度與冷卻水入口溫度之差增加;17.凝汽器抽氣口至抽氣器入口之間的壓差減小。

3．硬件實現

為了硬件系統的小型化，這里選用帶有A/D轉換、4K ROM和256字節RAM的83C552 CPU。可編程放大器同時具有采樣保持的功能。