一種基於魯棒輸入訓練神經網絡的多傳感器故障診斷系統及方法
2023-09-23 18:30:30 3
一種基於魯棒輸入訓練神經網絡的多傳感器故障診斷系統及方法
【專利摘要】本發明公開了一種基於魯棒輸入訓練神經網絡的多傳感器故障診斷系統，包括DCS數據源、與網DCS數據源相連的網絡交換機、網絡交換機相連的數據輸入接口機、與數據輸入接口機相連的輸入數據預處理模塊、與輸入數據預處理模塊相連的數據校驗模塊、與數據校驗模塊相連的數據輸出接口、與數據輸出接口相連的數據採集接口、與數據採集接口相連的顯示存儲模塊，數據輸入接口機與數據採集接口通過熱備數據鏈路連接。本發明還提供了一種多傳感器故障診斷方法。本發明提供的系統和方法能夠準確檢測和定位誤差數據，更加準確地重構誤差數據和良好數據的真實值，大大有利於工業生產，特別是熱工過程中傳感器故障診斷的實施，通過選擇合理的可靠性係數和影響因子，能夠有效診斷多傳感器並發故障，並實現多測點數據重構，提高了電廠運行經濟性和安全性。
【專利說明】一種基於魯棒輸入訓練神經網絡的多傳感器故障診斷系統 及方法
【技術領域】
[0001] 本發明涉及一種傳感器故障診斷系統及其方法，尤其涉及一種基於魯棒輸入訓練 神經網絡的多傳感器故障系統及其診斷方法，屬於機器學習建模領域。
【背景技術】
[0002] 機器學習 （Machine Learning)是從已知樣本數據或信息中通過挖掘、歸納、演繹、 類比等方法獲取知識的手段和機制，他是繼專家系統之後人工智慧應用的又一重要研究領 域，並引起廣泛關注。人工神經網絡（Artificial Neural Networks)是一種旨在模仿人腦 結構及其功能的信息處理系統，已成為構造複雜非線性過程數學模型最具吸引力的工具。
[0003] 現代火電廠中過程監控、性能監測、自動控制、運行優化以及設備故障診斷等系統 的應用，使其熱力過程監控的能力大大增強，顯著提高了電廠運行經濟性和安全性。這些系 統的可靠運行依賴於各種傳感器所採集的過程狀態信息，因此大量的過程數據不但成為電 廠運行監測和控制的基礎，也是電廠熱力系統分析診斷的信息來源，其準確性對過程的連 續可靠運行起著至關重要的作用。然而實際測量中受到傳感器、變送器等儀表精度、測量原 理、測量方法和生產環境的影響，經常出現一些測點數據異常，直接影響運行人員對實時數 據的判斷；對於實時歷史資料庫而言，出現一些無意義的數據，影響歷史數據的有效獲取， 進而影響對歷史數據的分析，獲取有效信息，對機組歷史趨勢的把握。
[0004] 現有的基於神經網絡方法的數據檢驗，針對單個傳感器故障時可以完成故障檢測 與數據重構，但當系統同時發生多測點故障時，故障測點之間相互影響，產生了比較嚴重的 殘差汙染，不但會導致誤判，還會產生較大的重構數據誤差，因此提高多傳感器並發故障情 況下的殘差抑制能力已成為傳感器故障診斷研究的重要內容之一。
【發明內容】
[0005] 發明目的：為了克服現有技術中存在的不足，本發明提供一種基於魯棒輸入訓練 神經網絡的多傳感器故障診斷系統及其方法。
[0006] 技術方案：為解決上述技術問題，本發明提供的一種基於魯棒輸入訓練神經網絡 的多傳感器故障診斷系統，包括DCS數據源、與網DCS數據源相連的網絡交換機、網絡交換 機相連的數據輸入接口機、與數據輸入接口機相連的輸入數據預處理模塊、與輸入數據預 處理模塊相連的數據校驗模塊、與數據校驗模塊相連的數據輸出接口、與數據輸出接口相 連的數據採集接口、與數據採集接口相連的顯示存儲模塊，數據輸入接口機與數據採集接 口通過熱備數據鏈路連接。
[0007] 優選地，所述輸入數據預處理模塊包括獲取過程測量數據模塊以及與其相連的數 據歸一化處理模塊。
[0008] -種基於魯棒輸入訓練神經網絡的多傳感器故障診斷方法，包括如下步驟：
[0009] (1)通過離線穩態試驗獲得先驗穩態樣本集：
[0010] D = {Xi, x2，…，xj，下標 L 表示樣本個數，樣本 Xi e D，樣本 Xi = {xn, xi2，…，xin}， 下標i為樣本編號，n表示樣本的變量個數；將該樣本集D作為初始的訓練樣本集進行 ITNN(輸入性神經網絡）模型的構建和學習；
[0011] (2)通過網絡交換機及數據輸入接口機，實時獲取DCS數據，將其作為過程數據 新增樣本x k，對該新增樣本進行標準化處理得到f k={x' kl，x< k2，…，X, n}，其中 0彡x' kj彡l，j為變量序號；
[0012] (3)確定標準化樣本x' k對應變量的可靠性係數：
[0013] €k= Ukl，ξκ，…，€kn}，其中€kj>〇,對於系統重要性及可靠性較高的參數， 可取較大值，數值大於1 ;
[0014] (4)初始化樣本變量的影響因子值則試次數h= ^，...，^^為測試 次數上限值，第h次測試時= …，d
[0015] (5)利用ITNN模型對X' k進行測試，得到輸出值# =丨…,4丨，計算測量值 X' k與RITNN輸出值#的偏差# = -f > -4，得到所有偏差集合# =問f，把·…};
[0016] (6)選擇影響因子函數./Mf)，一般可選擇線性函數，Gaussian函數和 Lorentzian函數，分別表示為以下形式：
【權利要求】
1. 一種基於魯棒輸入訓練神經網絡的多傳感器故障診斷系統，其特徵在於：包括DCS 數據源、與網DCS數據源相連的網絡交換機、網絡交換機相連的數據輸入接口機、與數據輸 入接口機相連的輸入數據預處理模塊、與輸入數據預處理模塊相連的數據校驗模塊、與數 據校驗模塊相連的數據輸出接口、與數據輸出接口相連的數據採集接口、與數據採集接口 相連的顯示存儲模塊，數據輸入接口機與數據採集接口通過熱備數據鏈路連接。
2. 根據權利要求1所述的基於魯棒輸入訓練神經網絡的多傳感器故障診斷系統，其特 徵在於：所述輸入數據預處理模塊包括獲取過程測量數據模塊以及與其相連的數據歸一化 處理模塊。
3. -種基於魯棒輸入訓練神經網絡的多傳感器故障診斷方法，其特徵在於：包括如下 步驟： (1) 通過離線穩態試驗獲得先驗穩態樣本集： D = {xd x2,…，xj，下標L表示樣本個數，樣本Xi e D，樣本Xi = {xn, xi2,…，xin}，下標 i為樣本編號，n表示樣本的變量個數；將該樣本集D作為初始的訓練樣本集進行ITNN(輸 入性神經網絡）模型的構建和學習； (2) 通過網絡交換機及數據輸入接口機，實時獲取DCS數據，將其作為過程數據新 增樣本xk，對該新增樣本進行標準化處理得到^ k=IVk2，…，X，n}，其中 0彡x' kj彡l，j為變量序號； (3) 確定標準化樣本x' k對應變量的可靠性係數： Ukl，€k2，…，€kn}，其中對於系統重要性及可靠性較高的參數，可取 較大值，數值大於1 ; (4) 初始化樣本變量的影響因子值=1，測試次數h = 1，2,...，hmax，hmax為測試次數 上限值，第h次測試時… (5) 利用ITNN模型對X' k進行測試，得到輸出值4? = {4^4匕...^丨，計算測量值X' k 與ITNN輸出值4*1的偏差df =4" -4，得到所有偏差集合 = (6) 選擇影響因子函數/(《"），線性函數Gaussian函數和Lorentzian函數，分別表示 為以下形式：
(A) (B) (C) 其中：Cl?c3調節係數；求得一種影響因子函數對應的值/Pf)，更新影響因子 (7) 設為兩次相鄰測試偏差差值向量的某一範數，^為設定檢驗值，若 成立，返回步驟（5)進行下一次測試，反之，本組樣本測試結束，數據重構完成。
4.根據權利要求1所述的基於魯棒輸入訓練神經網絡的多傳感器故障診斷方法，其特 徵在於：所述Cl?c3調節係數由測量數據某一置信限下的故障閾值確定。
【文檔編號】G05B23/02GK104142680SQ201410197036
【公開日】2014年11月12日 申請日期:2014年5月9日 優先權日:2014年5月9日
【發明者】任少君, 黃志軍, 司風琪 申請人:東南大學, 大唐蘇州熱電有限責任公司