做座基于RBF神经网络的热网监控系统传感器故

基于RBF神经络的热监控系统传感器故障诊断方法与应用

1.前言

热计算机监控系统中的传感器用于监测诸如压力、温度、流量等信号以使系统正常运行，传感器的故障可使系统运行性能下降或导致系统瘫痪。事实上，传感器是监控系统中较易损坏的器件，因此高性能的监控系统应具有传感器故障诊断功能，并能对信号进行恢复。目前采用较多的传感器故障诊油箱上面有个加油口；断方法是分析冗余法，该方法需要建2、拉力实验机的使用注意事项立系统的精确数学模型，只适于线性和低阶系统。而人工神经络不需要知道系统的数学模型，只通过样本的学习来掌握数据之间的关系，因而可以应用于传感器的故障诊断。

2.基于RBF神经络的传感器故障检测原理

神经络是根据对象的输入输出信息，不断地对络参数进行学习，以实现从输入参数到输出参数的非线性映射，还可以对来自机理模型和实际运行对象的新数据样本进行自适应学习，尤其是通过不断的实时学习，可以适应对象参数的缓慢变化。本文采用的RBF 络推广能力比较好，其激活函数由辐射状函数的神经元构成，通常采用高斯型函数。此函数对输入信号在局部产生响应，即当输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出，也就是说，RBF络具有局部逼近的能力。

2.1 BRF神经络的结构原理

RBF函数络从结构上看是一个 3 层前馈络（见图1），包括一个输入层、一个输出层和一个隐含层[2]。输入层节点的作用是将输入数据传递到隐含层节点。隐含层节点称为 RBF 节点，其激活函数为辐射状函数的神经元构成，通常采用高斯型函数：

图1 RBF络结构

其中， 是RBF络的输入数据向量； 是第 个隐含层神经元的输出，且 ， 是高斯函数的中心值， 是高斯函数的方差； 是隐含层神经元数目。 输出层节点的激活函数通常为简单的线性函数。

RBF络的学习可用聚类（或类似的其它方法）确定函数中心，隐含2. 废塑料的破碎层到输出层的连接权可直接计算，避免了学习中的反复迭代过程，所以学习速度较快。一般认为RBF络的推广能力要优于其它神经元络。

RBF络中要学习的参数有3个，即隐含层各神经元的中心和方差以及输出层的连接权。对前两个参数的选择有两种方式:

(1)根据经验选中心，所选中心应具有“代表性”。样本点密集的地方中心点要适当多些，如果数据本身是均匀分布的，则中心也均匀分布。

(2)用聚类方法把样本聚成M类，类中心就作为RBF的中心，最常用的是K—均值聚类。 RBF函数的中心和方差选定后，输出层的连接权可采用最小二乘法训练RBF络。

2.2 基于RBF络传感器故障诊断

传感器的故障诊断包括以下3个问题:①在某时刻 ,如何检测是否有传感器发生了故障；②当确定有传感器发生故障后，如何找到故障传感器；③找到故障传感器后，如何补偿故障信号，给出一个正确的估计信号。基于神经络的传感器故障检测原理如图2所示。

图中，采用RBF络离线建立传感器输出序列预测模型［4］，实际应用时,可以用传感器实际输出的前m步样本x(n-m+1),x(n-m+2),…,x(n)预测传感器第n+1步输出 (n+1),传感器第n+1步实际输出x(n+1)和预测输出 (n+1)之差如果超过一定的判断阈值,则可判断此传感器发生故障,反之,传感器是正常的,如图3示。阈值的选择应考虑传感器输出的噪声水平,即稍大于传感器的噪声方差,以减少由噪声引起的误报警。

3.仿真分析

针对热计算机监控系统的特点，可以先对热力站一次的供水温度传感器为研究对象，研究其故障诊断。神经络预测器结构为4:4:1型，检测阈值取σ为10，学习速率为0.5。用传感器正常运行时的历史数据为训练样本，按上述学习规则，对络预测能力进行了仿真分析，使其误差达到目标要求。结果如图3所示，当传感器出现故障时，神经络预测器与传感器输出的比较，从第81个采样点开始，残差明显超过故障检测阈值(10)，从而可以确定传感器从第81个采样点开始发打造跨界协同的创新生态系统生了故障。在传感器正常时，残差非常小，说明神经络预测器的预测输出可以近似实际输出。当传感器出现故障时，神经