控制系统智能故障诊断精选.docVIP

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