CN104142680B - 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 - Google Patents
一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 Download PDFInfo
- Publication number
- CN104142680B CN104142680B CN201410197036.3A CN201410197036A CN104142680B CN 104142680 B CN104142680 B CN 104142680B CN 201410197036 A CN201410197036 A CN 201410197036A CN 104142680 B CN104142680 B CN 104142680B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- delta
- sensor fault
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种基于鲁棒输入训练神经网络的多传感器故障诊断系统,包括DCS数据源、与网DCS数据源相连的网络交换机、网络交换机相连的数据输入接口机、与数据输入接口机相连的输入数据预处理模块、与输入数据预处理模块相连的数据校验模块、与数据校验模块相连的数据输出接口、与数据输出接口相连的数据采集接口、与数据采集接口相连的显示存储模块,数据输入接口机与数据采集接口通过热备数据链路连接。本发明还提供了一种多传感器故障诊断方法。本发明提供的系统和方法能够准确检测和定位误差数据,更加准确地重构误差数据和良好数据的真实值,大大有利于工业生产,特别是热工过程中传感器故障诊断的实施,通过选择合理的可靠性系数和影响因子,能够有效诊断多传感器并发故障,并实现多测点数据重构,提高了电厂运行经济性和安全性。
Description
技术领域
本发明涉及一种传感器故障诊断系统及其方法,尤其涉及一种基于鲁棒输入训练神经网络的多传感器故障系统及其诊断方法,属于机器学习建模领域。
背景技术
机器学习(Machine Learning)是从已知样本数据或信息中通过挖掘、归纳、演绎、类比等方法获取知识的手段和机制,他是继专家系统之后人工智能应用的又一重要研究领域,并引起广泛关注。人工神经网络(Artificial Neural Networks)是一种旨在模仿人脑结构及其功能的信息处理系统,已成为构造复杂非线性过程数学模型最具吸引力的工具。
现代火电厂中过程监控、性能监测、自动控制、运行优化以及设备故障诊断等系统的应用,使其热力过程监控的能力大大增强,显著提高了电厂运行经济性和安全性。这些系统的可靠运行依赖于各种传感器所采集的过程状态信息,因此大量的过程数据不但成为电厂运行监测和控制的基础,也是电厂热力系统分析诊断的信息来源,其准确性对过程的连续可靠运行起着至关重要的作用。然而实际测量中受到传感器、变送器等仪表精度、测量原理、测量方法和生产环境的影响,经常出现一些测点数据异常,直接影响运行人员对实时数据的判断;对于实时历史数据库而言,出现一些无意义的数据,影响历史数据的有效获取,进而影响对历史数据的分析,获取有效信息,对机组历史趋势的把握。
现有的基于神经网络方法的数据检验,针对单个传感器故障时可以完成故障检测与数据重构,但当系统同时发生多测点故障时,故障测点之间相互影响,产生了比较严重的残差污染,不但会导致误判,还会产生较大的重构数据误差,因此提高多传感器并发故障情况下的残差抑制能力已成为传感器故障诊断研究的重要内容之一。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及其方法。
技术方案:为解决上述技术问题,木发明提供的一种基于鲁棒输入训练神经网络的多传感器故障诊断系统,包括DCS数据源、与网DCS数据源相连的网络交换机、网络交换机相连的数据输入按口机、与数据输入按口机相连的输入数据预处理模块、与输入数据预处理模块相连的数据校验模块、与数据校验模块相连的数据输出接口、与数据输出接口相连的数据采集接口、与数据采集接口相连的显示存储模块,数据输入接口机与数据采集接口通过热备数据链路连接。
优选地,所述输入数据预处理模块包括获取过程测量数据模块以及与其相连的数据归一化处理模块。
一种基于鲁棒输入训练神经网络的多传感器故障诊断方法,包括如下步骤:
(1)通过离线稳态试验获得先验稳态样本集:
D={x1,x2,…,xL},下标L表示样本个数,样本xi∈D,样本xi={xi1,xi2,…,xin},下标i为样本编号,n表示样本的变量个数;将该样本集D作为初始的训练样本集进行RITNN(输入性神经网络)模型的构建和学习;
(2)通过网络交换机及数据输入接口机,实时获取DCS数据,将其作为过程数据新增样本xk,对该新增样本进行标准化处理得到x′k={x′k1,x′k2,…,x′kn},其中0≤x′kj≤1,j为变量序号;
(3)确定标准化样本x′k对应变量的可靠性系数:
ξk={ξk1,ξk2,…,ξkn},其中ξkj>0,根据各参数对应传感器的故障历史,将各参数的可靠性系数设定为大于1;
(4)初始化样本变量的影响因子值测试次数h=1,2,…,hmax,hmax为测试次数上限值,第h次测试时
(5)利用RITNN模型对x′k进行测试,得到输出值计算测量值x′k与RITNN输出值的偏差得到所有偏差集合
(6)选择下面三种线性函数之一作为影响因子函数
其中:c1~c3为调节系数,由测量数据某一置信限下的故障阈值确定;求得一种影响因子函数对应的值更新影响因子
(7)设为两次相邻测试偏差差值向量的某一范数,为设定检验值,若成立,返同步骤(5)进行下一次测试,反之,本组样本测试结束,数据重构完成。
有益效果:本发明相对于现有技术而言具有以下优点:
1、本发明提供的系统和方法能够准确检测和定位误差数据,更加准确地重构误差数据和良好数据的真实值,大大有利于工业生产,特别是热工过程中传感器故障诊断的实施。
2、本发明提供的系统和方法通过选择合理的可靠性系数和影响因子,能够有效诊断多传感器并发故障,并实现多测点数据重构,提高了电厂运行经济性和安全性。
3、本发明提供的系统和方法计算速度快,使得重构结果能非常方便地集成到系统控制系统中,真正起到实时故障诊断与数据重构,保证实时数据的有效性。
附图说明
图1是木发明中实施例中的变量M3测试结果图。
图2是本发明中实施例中的变量M4测试结果图。
图3是本发明中实施例中的变量M5测试结果图。
图4是木发明中实施例中的RRITNN测试残差平方值结果图。
图5是本发明中实施例中的三种方法的平均平方误差测试结果图。
图6是本发明中多传感器故障诊断示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一种基于鲁棒输入训练神经网络的多传感器故障诊断系统,包括DCS数据源、与网DCS数据源相连的网络交换机、网络交换机相连的数据输入按口机、与数据输入接口机相连的输入数据预处理模块、与输入数据预处理模块相连的数据校验模块、与数据校验模块相连的数据输出接口、与数据输出接口相连的数据采集接口、与数据采集接口相连的显示存储模块,数据输入接口机与数据采集接口通过热备数据链路连接;所述输入数据预处理模块包括获取过程测量数据模块以及与其相连的数据归一化处理模块。
一种基于鲁棒输入训练神经网络的多传感器故障诊断方法,包括如下步骤:
(1)通过离线稳态试验获得先验稳态样木集:
D={x1,x2,…,xL},下标L表示样本个数,样本xi∈D,样本xi={xi1,xi2,…,xin},下标i为样本编号,n表示样本的变量个数;将该样本集D作为初始的训练样本集进行RITNN(输入性神经网络)模型的构建和学习;
(2)通过网络交换机及数据输入接口机,实时获取DCS数据,将其作为过程数据新增样本xk,对该新增样本进行标准化处理得到x′k{x′k1,x′k2,…,x′kn},其中0≤x′kj≤1,j为变量序号;
(3)确定标准化样木x′k对应变量的可靠性系数:
ξk={ξk1,ξk2,…,ξkn},其中ξkj>0,根据各参数对应传感器的故障历史,将各参数的可靠性系数设定为大于1;
(4)初始化样本变量的影响因子值测试次数h=1,2,...,hmax,hmax为测试次数上限值,第h次测试时
(5)利用RITNN模型对x′k进行测试,得到输出值计算测量值x′k与RITNN输出值的偏差得到所有偏差集合
(6)选择下面三种线性函数之一作为影响因子函数
其中:c1~c3为调节系数,由测量数据某一置信限下的故障阈值确定;求得一种影响因子函数对应的值更新影响因子
(7)设为两次相邻测试偏差差值向量的某一范数,为设定检验值,若成立,返回步骤(5)进行下一次测试,反之,本组样本测试结束,数据重构完成。
下面以某300MW电厂热力系统#1高加为例来介绍本发明提供的在线故障诊断方法的具体实施步骤。
结合图1所示流程,步骤如下:
1、传感器数据在线校验前,首先选取与系统相关的主要参数作为建模输入变量,并通过离线稳态试验获得先验稳态样本集,利用该样木集进行RRITNN模型的构建和学习;
2、现场数据通过“网络交换机”后,得到两路数据,一路进入“数据输入接口”,进行传感器数据校验;另一路直连接到“数据采集接口机”,作为传感器数据校验的冗余,防止数据流中断;
3、数据进入输入数据校验模块后,根据热力系统过程参数生成机理与历史数据分析确定各变量可靠性系数;
4、确定一种影响因子函数,并根据影响因子决策逻辑和测试次数控制模块确定各变量的影响因子值;
5、根据测试偏差值调整影响因子,直至输出值满足误差条件;将输出值进行数据反归一化处理,最终实时获得重构数据,并更新故障日志;
6、数据通过“数据输出按口”,连按“数据采集按口机”,由“数据采集按口机”判断采用哪一线路信号发送到显示屏,并将数据写入实时数据库。
以某300MW电厂热力系统#1高加为对象进行算例分析,选取表1所示的7个测点建模,其采样间隔时间为10s,选用每分钟内六次采样结果的平均值作为一组样本数据,共采集800组进行研究,其中600组数据进行本发明方法(RRITNN)的网络训练,其它数据用于模型测试,本实施例方法采用1-5-7结构.
表1 测点清单
设训练样本数据测量值和模型估计值的残差矩阵服从零均值多元正态分布,根据残差矩阵求得各变量99%置信限下对应残差阈值作为故障判别阈值,如表2所示.考虑到机组功率测点的可靠性明显高于其它测点,各测点的可靠性系数ξk取值如式(1)所示.对变量M4第100~200组数据分别叠加50%正向偏差,采用RITNN和本发明方法进行故障检测和数据重构测试,结果如表3和表4所示.
表2 测点残差阈值
表3 M4变量50%偏差测试结果
可见,单测点故障时,运用Gaussian函数影响因子的木发明方法故障检测与重构误差小于其它方法,并明显优于RITNN测试结果,表明其对显著误差影响有
表4 M4变量50%偏差故障检测结果
更好的抑制作用,同时本发明方法能够更加准确检测出故障数据,减少误检数,并得到更加精确的故障数据垂构值。
在变量M3,M4和M5第100~200组数据上分别共同叠加10%,30%和50%的偏差,运用本发明方法,采用Gaussian函数影响因子进行测试,并与线性PCA和RITNN方法检测结果进行比较,结果如表5所示.
表5 3个测点故障检测结果
可见,在多测点同时故障时,线性PCA和RITNN的检测准确性明显下降,其精度随着偏差的增大而迅速降低,而本发明方法仍能够有效克服多目标故障带来的检测困难,抑制显著误差的影响,减小残差污染,准确定位故障变量并加以精确估计.
在N组测试数据中,在变量M3,M4和M5的测量数据上叠加式(2)所示的线性漂移偏差,分别采用式(3),(4)所示的残差平方值(squared residual error,SRE)和均值平方误差(mean squared error,MSE)来考察模型精度,模型测试结果如图1~图3所示.可见,相对于线性PCA及RITNN方法,木发明方法能给出更准确的垂构值.图4给出了本发明方法SRE曲线,图5则比较了200组样本测试时三种方法的MSE值,可见本发明方法能够大大减小残差污染,显著提高了数据检验的准确性.
SRE=(zk-tk)2k=1,2,…,n (3)
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于鲁棒输入训练神经网络的多传感器故障诊断方法,其特征在于:包括如下步骤:
(1)通过离线稳态试验获得先验稳态样本集:
D={x1,x2,…,xL},下标L表示样本个数,样本xi∈D,样本xi={xi1,xi2,…,xin},下标i为样本编号,n表示样本的变量个数;将该样本集D作为初始的训练样本集进行RITNN(输入性神经网络)模型的构建和学习;
(2)通过网络交换机及数据输入接口机,实时获取DCS数据,将其作为过程数据新增样本xk,对该新增样本进行标准化处理得到xk′={x′k1,x′k2,…,x′kn},其中0≤x′kj≤1,j为变量序号;
(3)确定标准化样本xk′对应变量的可靠性系数:
ξk={ξk1,ξk2,…,ξkn},其中ξkj>0,根据各参数对应传感器的故障历史,将各参数的可靠性系数设定为大于1;
(4)初始化样本变量的影响因子值测试次数h=1,2,...,hmax,hmax为测试次数上限值,第h次测试时
(5)利用RITNN模型对xk′进行测试,得到输出值计算测量值xk′与RITNN输出值的偏差得到所有偏差集合
(6)选择下面三种线性函数之一作为影响因子函数
其中:c1~c3为调节系数;求得一种影响因子函数对应的值更新影响因子
(7)设为两次相邻测试偏差差值向量的某一范数,为设定检验值,若成立,返回步骤(5)进行下一次测试,反之,本组样本测试结束,数据重构完成。
2.根据权利要求1所述的基于鲁棒输入训练神经网络的多传感器故障诊断方法,其特征在于:所述c1~c3调节系数由测量数据某一置信限下的故障阈值确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410197036.3A CN104142680B (zh) | 2014-05-09 | 2014-05-09 | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410197036.3A CN104142680B (zh) | 2014-05-09 | 2014-05-09 | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104142680A CN104142680A (zh) | 2014-11-12 |
CN104142680B true CN104142680B (zh) | 2017-05-24 |
Family
ID=51851883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410197036.3A Active CN104142680B (zh) | 2014-05-09 | 2014-05-09 | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104142680B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930629B (zh) * | 2016-07-13 | 2017-09-05 | 大唐南京环保科技有限责任公司 | 一种基于海量运行数据的在线故障诊断方法 |
CN108416309B (zh) * | 2018-03-14 | 2022-02-18 | 揭阳职业技术学院 | 一种智能传感器多故障传感信号重构方法 |
CN109239265B (zh) * | 2018-09-11 | 2021-01-22 | 清华大学合肥公共安全研究院 | 监测设备故障检测方法及装置 |
CN109635881A (zh) * | 2019-01-08 | 2019-04-16 | 浙江大学 | 基于集成学习的强鲁棒采煤机故障诊断系统 |
CN112820120B (zh) * | 2020-12-30 | 2022-03-01 | 杭州趣链科技有限公司 | 一种基于联盟链的多方交通流时空交叉验证方法 |
CN112858917B (zh) * | 2021-01-15 | 2022-04-08 | 哈尔滨工业大学(威海) | 基于遗传算法优化神经网络的电池系统多故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477375A (zh) * | 2009-01-05 | 2009-07-08 | 东南大学 | 基于矩阵奇异值关联规则挖掘的传感器数据校验方法 |
CN201331701Y (zh) * | 2009-01-09 | 2009-10-21 | 东南大学 | 基于关联规则的火电厂传感器互冗余数据校验装置 |
CN102324034A (zh) * | 2011-05-25 | 2012-01-18 | 北京理工大学 | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 |
CN103557884A (zh) * | 2013-09-27 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种输电线路杆塔监控的多传感器数据融合预警方法 |
-
2014
- 2014-05-09 CN CN201410197036.3A patent/CN104142680B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477375A (zh) * | 2009-01-05 | 2009-07-08 | 东南大学 | 基于矩阵奇异值关联规则挖掘的传感器数据校验方法 |
CN201331701Y (zh) * | 2009-01-09 | 2009-10-21 | 东南大学 | 基于关联规则的火电厂传感器互冗余数据校验装置 |
CN102324034A (zh) * | 2011-05-25 | 2012-01-18 | 北京理工大学 | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 |
CN103557884A (zh) * | 2013-09-27 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种输电线路杆塔监控的多传感器数据融合预警方法 |
Non-Patent Citations (2)
Title |
---|
基于混合型鲁棒输入训练神经网络的非线性数据校正方法及其应用;任少君 等;《东南大学学报(自然科学)版》;20130320;第43卷(第2期);第322-327页 * |
基于鲁棒输入训练神经网络的非线性多传感器故障诊断方法及其应用;司风琪 等;《东南大学学报(自然科学版)》;20110520;第41卷(第3期);第574-578页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104142680A (zh) | 2014-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104142680B (zh) | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 | |
CN103776480B (zh) | 基于多次移动平均的微小故障检测方法和装置 | |
CN108488638B (zh) | 基于声波负压波混合监测的管道泄漏监测系统及方法 | |
CN107357275B (zh) | 非高斯工业过程故障检测方法及系统 | |
CN109165504B (zh) | 一种基于对抗生成网络的电力系统虚假数据攻击识别方法 | |
CN103499921B (zh) | 变结构模糊系统传感器故障诊断方法 | |
CN106197999B (zh) | 一种行星齿轮故障诊断方法 | |
CN103064008B (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN105629958B (zh) | 一种基于子时段mpca‑svm的间歇过程故障诊断方法 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN103631145B (zh) | 基于监控指标切换的多工况过程监控方法和系统 | |
CN104035431B (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
CN106338385A (zh) | 一种基于奇异谱分解的旋转机械故障诊断方法 | |
CN102606557A (zh) | 一种基于故障观测器与som的液压系统健康评估方法 | |
CN112101431A (zh) | 电子设备故障诊断系统 | |
CN103217172B (zh) | 一种卡尔曼滤波传感器信息融合的故障检测方法 | |
CN101017373A (zh) | 工业过程多分辨率软测量仪表及方法 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN110457979A (zh) | 基于张量Tucker分解模糊控制的柴油机故障诊断方法 | |
CN112906288A (zh) | 基于正常样本数据的开关柜状态评估方法 | |
CN110187696A (zh) | 基于动态趋势的一阶随动系统传感器故障诊断方法及系统 | |
CN109976311A (zh) | 一阶定值控制系统传感器故障诊断方法及诊断系统 | |
CN103389360B (zh) | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 | |
CN111272675A (zh) | 染液检测装置 | |
CN111695465A (zh) | 基于压力波模式识别的管网故障诊断与定位方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |