控制系统智能故障诊断

基于神经网络的控制系统智能故障诊断系统的研究1前言目前，自动控制技术已广泛用于航空航天、核电站和工业生产过程等领域，成为与人们生活密切相关的一部分。

构成自动控制系统的基本单元是电子元器件和机械零部件，所以元器件的可靠性直接决定着系统的好坏。

控制系统是一类由被控对象、控制器、传感器和执行器组成的复杂系统，而各个部件又是电子、机械、软件及其他因素的复合体，一个典型的控制系统结构由控制器、执行器、被控对象及传感器组成。

在许多工程应用中，高可靠性的控制系统是必需的。

例如，大型客机在浓雾气象条件能见度很差(儿乎为零)，机上载有数百名乘客，飞行员只能依靠自动着陆系统使飞机安全着陆，在这种条件下，控制系统中任何一个部件发生故障，都将带来灾难性事故。

对于连续、大批量的现代化生产过程，控制系统往往包括几十个甚至上百个控制回路，因此，传统的报警和保护系统已日益不能满足现代化生产过程的需要。

在计算机控制系统中，由于容错计算机技术的成熟，计算机硬件和软件的可靠性已达到了较高水平，而传感器和执行器的故障己成为导致控制系统失效的主要原因，据统计，80%的控制系统失效起因于传感器和执行器的故障。

因此，研究传感器和执行器的故障诊断问题无疑具有重大的理论和应用价值。

一般用控制理论来指导控制系统的分析和设计。

然而，当故障发生时，有些控制方法并不总能奏效。

生产和科研急需进行故障诊断，并将故障造成的损失降低到最小限度，这使得控制系统的故障诊断这一学科变得极为重要。

在现代工业自动化生产过程中，故障诊断正成为一种提高生产效率和保证质量的关键技术。

在国防和航天领域，故障诊断也具有相当重要的应用意义。

所以，研制出能及时、准确地诊断控制系统故障能力的故障诊断系统，是一个需要长期研究的问题。

当一个系统的状态偏离了正常状态时，称系统发生了故障，这时系统可能完全也可能部分地失去其功能。

传统的诊断方法，是通过检测信号，再由有经验的工程人员结合经验知识，进行分析判断，找出故障原因和发生部位，并采取相应的维修措施。

这种方法的缺点是完全依靠人的主观意识，存在很大的随机性和不确定性，容易发生“误诊”和“漏诊”现象。

另外一种方法就是建立数学模型，这种方法就是根据系统参数的估计值与其正常值之间的偏离数值，判断出系统的故障状况。

目前，控制系统变得越来越复杂，很多情况下要想获得系统的精确数学模型是非常困难的。

同时，由于系统故障是多种多样的，其故障和征兆之间不存在简单的一一对应关系，故障诊断往往是一种探索过程。

随着计算机技术的发展及智能技术的应用，诊断技术己开始进入一个新阶段，即智能化诊断阶段，这是一个基于专家知识和人工智能技术的诊断方法。

该方法对复杂系统的诊断尤其有效，可充分利用人类专家的经验知识，进行快速诊断。

基于神经网络的控制系统故障诊断是近年来出现的一种新方法，由于神经网络具有处理复杂多模式及进行联想、推测和记忆功能，它非常适用于故障诊断系统。

它具有自组织自学习能力，能克服传统专家系统当启发式规则未考虑到时就无法工作的缺陷。

因此，将神经元网络应用于过程检测系统已成为一个非常活跃的研究领域。

利用神经网络强大的分类能力，进行故障模式的分类与学习，诊断出故障。

可以说，神经网络是物理模型方法和数学模型方法的一个综合，它可发挥两者的长处，使故障诊断的范围更宽，诊断准确性更高。

将神经网络应用于控制系统的故障诊断之中，能够提高故障诊断的快速性，使故障诊断更为精确，具有巨大的经济价值和社会价值。

2研究内容故障类型与故障征兆之间的关联关系是复杂的非线性关系，有一些控制系统非常复杂，建立精确的数学模型是非常困难的，故障类型与故障征兆之间关联严重，并不是简单的一一对应关系，因此有必要对传统的故障诊断方案进行改进，或者采用更为智能化的故障诊断系统，以取得更好的故障诊断效果。

本文采用基于神经网络的故障诊断方法，它根据故障信息，设计出智能程序，以此来解决复杂系统的故障诊断问题。

由于神经网络具有很好的逼近非线性函数的能力，并且具有自组织、自学习的特点，当系统在遇到未见过的新故障信息或现象而不能正确处理时，神经网络可以利用它的相似性、联想能力进行诊断。

本文在故障诊断仿真过程中，分别采用了成批处理的带惯性量、学习率自适应等改进的BP算法。

由于对于不同的数据，建立的神经网络的模型是不同的，在确定神经网络的结构时，作了大量的仿真，并对BP算法中的参数值(学习率初始值、惯性因子初始值、隐含层节点数)的不同取值进行比较，最终确定参数的折中值，以使故障诊断快速、准确。

3控制系统故障的分类构成自动控制系统的基本单元是电子元器件和机械零部件，所以元器件可靠性是系统可靠性的基础。

控制系统是一类由被控对象、控制器、传感器和执行器组成的复杂系统，而各个部件又是电子、机械、软件及其他因素的复合体，一个典烈的控制系统结构如图1所示。

组成控制系统的各个基本环节都有可能发生故障。

A/D控制器D/A执行器被控对象A/D传感器图1典型的控制系统结构具体来讲，故障可划分为四种类型:1)被控对象的某一子设备不能完成原有的功能。

2)仪表故障、包括传感器、执行器和计算机接口的故障。

3)计算机软件故障包括计算机诊断程序和控制算法程序的故障。

4)计算机硬件的故障。

在计算机控制系统中，由于容错计算机技术的成熟，计算机硬件和软件的可靠性已达到了较高水平，而传感器和执行器的故障已成为导致控制系统失效的主要原因，据统计，80%的控制系统失效起因于传感器和执行器的故障【2】。

因此，研究传感器和执行器的故障诊断问题无疑具有重大的理论和应用价值。

4基于神经网络的故障诊断一个神经元网络用于故障诊断时，主要包括三层（如图2所示）:输入层，即从控制系统接受的各种故障信息及现象。

中间层，是把从输入层得到的故障信息，经内部的学习和处理，转化为针对性的解决办法。

中间层含有隐节点，它可以不是一层，根据不同的需要，可以采用多层，也可以不要中间层，只是连法不同而已。

输出层，是针对输入的故障形式，得到处理故障的方法。

当网络训练完毕，对于每一个新输入的状态信息，网络将迅速给出分类结果，图3表示基于神经网络的故障分类诊断的一般流程图。

Y1YnY2X1XnX2……图2三层BP网络结构状态信号诊断结果信号预处理神经网络特征提取图3神经网络故障分类诊断流程图BP神经网络的结构依据待诊断对象实际情况确定。

网络的输入节点数为传感器数目与故障模式数目的乘积；输出节点数为故障模式数；一般选择一个隐层。

先用标准样本对神经网络进行训练，其样本由实验测定；故障诊断时将各传感器的故障隶属度矢量作为训练完成后的网络输入，网络输出即为融合后的故障隶属度矢量。

故障决策一般遵守3条规则：一是隶属度函数值最大原则；二是隶属度函数值阈值原则；三是最大最小隶属度函数值之差阈值原则。

5基于神经网络的电梯控制故障诊断系统依据电梯的运行机理，电梯故障大体分为安全回路系统故障、指令召唤系统故障、选向系统故障、选层系统故障、运行系统故障、门系统故障和楼层系统故障7类。

电梯控制系统安全回路电气简图如图4所示。

在图4中，U为输入电压信号；K1为限速器开关；K2为门联锁开关；K3为主接触开关；K4为强制停车开关；a、b、c为电压信号探测点；U1、U2为输出电压信号探测点。

安全回路的主要功能如下：1)在正常情况下，安全回路在运行过程中是闭合的，即U1、U2输出有电压。

2)当强制停车时，K4断开，U2无电压。

3)当电梯速度过快时，K1断开；或当厅门或电梯门未关闭时，K2断开；或主接触未接触时，K3断开，此时U1无电压。

UK1K2K3U1U2K4a b c图4电梯控制系统安全回路电气简图以电梯控制系统安全回路的单故障诊断神经网络仿真为例，展示神经网络在电梯控制系统故障诊断中的优越性。

仿真试验主要基于Matlab软件中Simulink 仿真工具。

在Simulink中，建立的安全回路故障诊断神经网络结构如图5所示。

b{1}2求和logsig 135264TDLTDLTDL权重权重阀值权重阀值阀值++++++p{1}a{1}a{1}1第1层延时第2层延时第3层延时1W{1,1}01W{1,1}11W{1,1}2b{1}0b{1}1求和求和poslin logsig a{1}a{1}1y{1}图5安全回路故障诊断神经网络结构图5中，输人口1到输出口2为神经网络第1层，即输入层，该层根据以上分析，设有5个神经元(对应5个监测点输人)，且阈值向量b{1}为0，该层特性函数为线性函数。

输入口3(即输出口2)到输出口4为神经网络第2层，即隐含层，该层设有7个神经元，特性函数采用s函数。

输人口5(即输出口4)到输出口6为神经网络第3层，即输出层，该层设有5个神经元，对应5个故障原因发生概率的输出，其特性函数也为Js函数。

图5在赋给适当的权值和阈值后，即能实现安全回路故障的诊断。

6总结本文研究的目标是用神经网络来诊断控制系统的故障，提高故障诊断的快速性和准确性。

其中，神经网络也存在一些缺点，但是可以通过改进来克服部分缺点。

1)BP算法采用逐一学习的方法常会出现“学了新的，忘了旧的”的现象。

为了克服这个缺点，BP算法采用不断循环学习，以期求得正确的解，使得学习过程中收敛速度很慢。

除此之外，逐一学习方法的学习效果还易受学习样本排序的影响。

采用“批量”学习的方法，当样本很多时，“批量”学习方法比逐一学习方法的收敛速度快，且学习效果不受学习样本排序顺序的影响，2)针对BP算法收敛速度慢，锯齿现象严重的缺点，采取了共轭梯度法，在迭代过程中增加了惯性量。

共扼梯度算法搜索速度快，即收敛速度快，用于网络计算不仅迭代次数少，而且精度高。

3)在前向神经网络的BP算法中，学习率的取值是非常关键的，训练开始时较合适的参数值不见得对后来的训练过程合适。

因此在传统BP算法中，对每次权值的调整均采用固定不变的学习率，是导致收敛速度慢的一个主要原因。

为了解决这一问题，在训练过程中采用自动调节学习率。

4)在系统稳定时，初始权值对训练的影响较小。

在神经网络的训练初期，误差曲线有所不同，说明初始权值对计算过程有一定的影响;随着迭代次数的增加，可以看出，尽管初始权值不同，但表现出了误差变化曲线大致相同的规律，并且都能达到收敛的目标，说明初始权值对系统性能的影响较小5)神经网络的隐含层节点数、学习率初始值、惯性因子初始值对神经网络的训练也有很大的影响，只有经过反复试验才能得出合适的网络结构和折中的参数值。

对于不同的样本数据，即对于不同的控制系统，不同的实际情况，得出的神经网络的模型结构和初始化参数值也是不同的。

由于受到条件的限制，本文仅对控制系统的故障诊断进行了仿真研究。

另外，神经网络故障诊断模型的诊断能力完全依赖于知识库中的现有知识，由于收集到的故障实例和经验知识总是有限的，所以，当一个新的异常类征兆出现时，由于在知识库中找不到最佳匹配，很可能发生漏诊和误诊，虽然本文采取了一些措施，但因水平和时间的限制，还有待于进一步研究更有效的方法。