CN104200266B - 一种基于可拓神经网络的烘房加热系统故障诊断方法 - Google Patents

Abstract

一种基于可拓神经网络的烘房加热系统故障诊断方法，利用可拓学定性和定量描述方式处理结构化知识的特性并结合神经网络并行结构的特点，使神经网络借助并行分布处理结构完成可拓推理过程。首先依据烘房加热系统设备监测参数和故障类型，建立基于可拓神经网络的物元输入、输出模型；然后将样本参数进行充分训练，并计算输出特征值的可拓距，通过比对可拓距和预设设备安全区间，实现设备故障诊断功能。

Description

一种基于可拓神经网络的烘房加热系统故障诊断方法

技术领域

本发明涉及机电设备故障诊断领域，尤其是一种烘房加热系统故障诊断方法。

技术背景

汽车涂装线由前处理系统、电泳系统、烘房系统等组成，是一个具有不确定性、繁杂多变的对象。对涂装线进行可靠、准确地监测和潜在故障的及时预警和诊断是保证各系统设备稳定运行的基本条件。现有技术中无法对烘房加热系统故障进行有效的诊断。

发明内容

为了克服现有汽车涂装线无法对烘房加热系统故障进行有效诊断的不足，本发明充分利用可拓学定性和定量描述方式处理结构化知识的特性并结合神经网络并行结构的特点，使神经网络借助并行分布处理结构完成可拓推理过程，实现涂装线烘房加热系统故障诊断功能。

本发明解决其技术问题所采用的技术方案如以下内容：

一种基于可拓神经网络的烘房加热系统故障诊断方法，所述故障诊断方法包括以下步骤：

1)、建立烘房加热系统可拓神经网络模型

网络输入层参数分别是：加热温度TW、助燃风机轴瓦温度T1、助燃风机转速n1、燃油流量RF、调节阀压力PS1、燃油压力PS2、助燃风机压力PS3、电机电流A、电机功率P，根据物元定义，建立可拓神经网络输入层9维物元模型M；

根据烘房加热系统故障经验，该系统的故障包括：调节阀阻塞Q1、输送管道堵塞Q2、燃气水分含量过多Q3、燃油压力不足Q4、原油含水Q5、电机转子故障Q6；构建输出层6维的网络输出物元

在原始神经网络中，神经元与神经元之间存在着连接权值w_ji，当9维特征以物元M的形式输入时，定义权值矩阵W：

$W=\left[\begin{array}{cccc}{w}_{11}& w_{12}& \·\·\·& w_{19}\\ w_{21}& w_{22}& \·\·\·& w_{29}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ w_{m1}& w_{m2}& \·\·\·& w_{m9}\end{array}\right]$

其中，w_ji表示物元M中第i个特征c_mi与神经网络隐层第j个神经元之间的连接权值。可知W的每一行w_ji(i＝1,2,...,9)表示输入层物元M的9维特征分别对隐层m维特征第j(j＝1,2,…,m)个神经元的连接权值；

同理定义隐层与输出层之间的权值矩阵

$\stackrel{\‾}{W}=\left[\begin{array}{cccc}{w}_{11}& w_{12}& \·\·\·& w_{1m}\\ w_{21}& w_{22}& \·\·\·& w_{2m}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ w_{61}& w_{62}& \·\·\·& w_{6m}\end{array}\right]$

其中，w_ji(i＝1,2,...,m)表示隐层m维特征分别对物元的6维特征第j(1,2,…,6)个神经元的连接权值；

2)、模型故障诊断

根据预设设备安全区间，计算网络输出各节点可拓距ρ，当ρ<0，设备处于正常状态；当ρ>0，设备出现故障；当ρ＝0，设备处于故障边缘状态。

进一步，所述步骤1)中，烘房加热系统可拓神经网络模型建立后，神经元激励函数全部取对数Sigmoid函数训练步骤如下：

1.1)令网络迭代次数t＝0，Δ⁽⁰⁾ _ji＝0.1，η⁺＝1.2，η^-＝0.5，并设定训练目标g和最多可迭代次数e；

1.2)计算指标函数对权值的一阶偏导数并根据(7)式计算Δ^(t) _ji；

${\mathrm{\&Delta;}}_{\mathrm{ji}}^{\left(t\right)}=\left\{\begin{array}{c}{\mathrm{\&eta;}}^{+}*{\mathrm{\&Delta;}}_{\mathrm{ji}}^{(t-1)},\mathrm{if}\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{{\&PartialD;E}^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}>0\\ {\mathrm{\&eta;}}^{-}*{\mathrm{\&Delta;}}_{\mathrm{ji}}^{(t-1)},\mathrm{if}\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{{\&PartialD;E}^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}<0\\ {\mathrm{\&Delta;}}_{\mathrm{ji}}^{(t-1)},\mathrm{else}\end{array}\right.---\left(7\right)$

式中，η⁺和η^-分别为增加因子、减小因子，且满足0<η^-<1<η⁺，通常取η^-＝0.5，η⁺＝1.2；为指标函数E^(t)对权值w_ji的梯度；

1.3)根据(8)式计算网络权值调整量

$\mathrm{\&Delta;}{w}_{\mathrm{ji}}^{\left(t\right)}=\left\{\begin{array}{c}-{\mathrm{\&Delta;}}_{\mathrm{ji}}^{\left(t\right)},\mathrm{if}\frac{{\&PartialD;E}^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}>0\mathrm{and}\frac{\&PartialD;E^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}\&GreaterEqual;0\\ +{\mathrm{\&Delta;}}_{\mathrm{ji}}^{\left(t\right)},\mathrm{if}\frac{\&PartialD;E^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}<0\mathrm{and}\frac{\&PartialD;E^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}\&GreaterEqual;0\\ -\mathrm{\&Delta;}{w}_{\mathrm{ji}}^{(t-1)},\mathrm{if}\frac{\&PartialD;E^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}<0\\ 0,\mathrm{else}\end{array}\right.---\left(8\right)$

同时根据(7)、(9)式对网络权值进行调整；

$w_{\mathrm{ji}}^{\left(t\right)}=w_{\mathrm{ji}}^{(t-1)}+\mathrm{\&Delta;}{w}_{\mathrm{ji}}^{(t-1)}---\left(9\right)$

1.4)计算所有样本的误差平方和e_rr，t＝t+1，如果e_rr<g或t>e，则训练结束，否则跳到步骤1.2)。

再进一步，所述步骤2)中，预设可拓标准距区间表，

并分别计算每个特征值v_mi对应标准区间的距ρ，得到关于ρ的数值。当然，也可以根据需要，设置其他的区间表。

本发明工作原理：本发明结合RPROP神经网络算法与可拓学知识提出一种基于可拓神经网络的烘房加热系统故障诊断方法。首先根据设备监测参数与故障类型建立可拓神经网络的物元输入、输出模型；然后将样本参数进行充分训练，并计算输出特征值的可拓距，通过比对可拓距和预设设备安全区间，实现设备故障诊断功能。

RPROP算法是对人工神经网络BP算法的改进，拥有更好的局部自适应学习能力。RPROP网络采用与BP网络相同的多层前馈神经网络结构，由输入层、隐含层和输出层构成，其模型结构如附图1所示。

令I表示神经元的输入，O表示神经元的输出，RPROP神经网络的输入层、隐层、输出层之间的关系如下：

输入层输入i＝1，2，3…n；

输出 $O_i^{\left(1\right)}=f^{\left(1\right)}\left(I_i^{\left(1\right)}\right)=I_i^{\left(1\right)};---\left(1\right)$

隐层输入 $I_j^{\left(2\right)}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ji}}{O}_i^{\left(1\right)}-{\mathrm{\&theta;}}_j;---\left(2\right)$

输出 $O_j^{\left(2\right)}=f^{\left(2\right)}\left(I_i^{\left(2\right)}\right),j=\mathrm{1,2,3}\&CenterDot;\&CenterDot;\&CenterDot;m;---\left(3\right)$

输出层输入 $I_k^{\left(3\right)}=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_{\mathrm{kj}}{O}_j^{\left(2\right)}-{\mathrm{\&theta;}}_k;---\left(4\right)$

输出 $O_k^{\left(3\right)}=f^{\left(3\right)}\left(I_k^{\left(3\right)}\right),k=\mathrm{1,2,3}\&CenterDot;\&CenterDot;\&CenterDot;s;---\left(5\right)$

式中，w_ji为输入层神经元i与隐层神经元j之间的连接权值，w_kj为隐层神经元j与输出层神经元k之间的连接权值；θ_j，θ_k分别为隐层与输出层各神经元的阀值，f(x)为激励函数，一般选取对数Sigmoid函数。

$E^{\left(t\right)}=\frac{1}{2}\underset{k=1}{\overset{s}{\mathrm{\&Sigma;}}}{(O_k^{\left(3\right)}-O_{\mathrm{dk}})}^2---\left(6\right)$

式中，E^(t)为指标函数或误差函数，t为迭代次数，O_dk为输出各节点的目标期望输出。

RPROP算法的具体步骤如下：

1)预设网络各连接权值、输入、输出，试运行神经网络，生成训练样本，计算网络输出误差函数E^(t)。

2)计算权更新值如式(7)

${\mathrm{\&Delta;}}_{\mathrm{ji}}^{\left(t\right)}=\left\{\begin{array}{c}{\mathrm{\&eta;}}^{+}*{\mathrm{\&Delta;}}_{\mathrm{ji}}^{(t-1)},\mathrm{if}\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{{\&PartialD;E}^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}>0\\ {\mathrm{\&eta;}}^{-}*{\mathrm{\&Delta;}}_{\mathrm{ji}}^{(t-1)},\mathrm{if}\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{{\&PartialD;E}^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}<0\\ {\mathrm{\&Delta;}}_{\mathrm{ji}}^{(t-1)},\mathrm{else}\end{array}\right.---\left(7\right)$

式中，η⁺和η^-分别为增加因子、减小因子，且满足0<η^-<1<η⁺，通常取η^-＝0.5，η⁺＝1.2；为指标函数E^(t)对权值w_ji的梯度。

3)计算网络权值调整量如式(8)

$\mathrm{\&Delta;}{w}_{\mathrm{ji}}^{\left(t\right)}=\left\{\begin{array}{c}-{\mathrm{\&Delta;}}_{\mathrm{ji}}^{\left(t\right)},\mathrm{if}\frac{{\&PartialD;E}^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}>0\mathrm{and}\frac{\&PartialD;E^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}\&GreaterEqual;0\\ +{\mathrm{\&Delta;}}_{\mathrm{ji}}^{\left(t\right)},\mathrm{if}\frac{\&PartialD;E^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}<0\mathrm{and}\frac{\&PartialD;E^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}\&GreaterEqual;0\\ -\mathrm{\&Delta;}{w}_{\mathrm{ji}}^{(t-1)},\mathrm{if}\frac{\&PartialD;E^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}<0\\ 0,\mathrm{else}\end{array}\right.---\left(8\right)$

4)计算网络权值的调整公式，如式(9)

$w_{\mathrm{ji}}^{\left(t\right)}=w_{\mathrm{ji}}^{(t-1)}+\mathrm{\&Delta;}{w}_{\mathrm{ji}}^{(t-1)}---\left(9\right)$

可拓学基本概念：定义1以物O_m为对象，c_m为特征，O_m关于c_m的量值v_m构成有序三元组

M＝(O_m，c_m，v_m) (10)

作为描述物的基本元，称为一维物元，O_m，c_m，v_m三者为物元M的三要素，其中c_m和v_m构成的二元组称为物元O_m的特征元。

定义2设U为论域，u为U中的任一元素，k是U到实域I的一个映射，T＝(T_U,T_k,T_u)是给定的变换，称

E(T)＝{(u,y,y′)|u∈T_UU,y＝k(u)∈I,y′＝T_kk(T_uu)∈I} (11)

为论域U上的一个可拓集，y＝k(u)为E(T)的关联函数，y′＝T_kk(T_uu)为E(T)的可拓函数。其中T_U、T_k、T_u分别为对论域U、关联函数k和元素u的变换。

定义3设X₀＝<a,b>，X＝<c,d>，且两者无公共端点，则对任意x,令

$k\left(x\right)=\frac{\mathrm{\&rho;}(x,X_0)}{D(x,X_0,X)}---\left(12\right)$

k(x)为点x关于X₀和X在X₀中点取最大值的初等关联函数。

定义中，X₀＝<a,b>，X＝<c,d>既可以表示闭区间，也可表示开区间或半开半闭区间。式中，ρ(x,X₀)表示点x与区间X₀＝<a,b>之距，称为可拓距，其计算式为

$\mathrm{\&rho;}(x,X_0)=|x-\frac{a+b}{2}|-\frac{b-a}{2}---\left(13\right)$

由式13可知：

当x∈X₀时，ρ≤0；当时，ρ＞0；

D(x,X₀,X)表示点与两个区间X₀、X的位置关系，称为位值，其计算式为

$D(x,X_0,X)=\left\{\begin{array}{cc}\mathrm{\&rho;}(x,X)-\mathrm{\&rho;}(x,X_0)& x\&NotElement;X_0\\ \mathrm{\&rho;}(x,X)-\mathrm{\&rho;}(x,X_0)+a-b& x\&Element;X_0\end{array}\right.---\left(14\right)$

本发明有益效果表现：1、建立可拓神经网络模型，简化了原始神经网络结构；2、通过比对可拓距与预设设备安全区间判断系统是否发生故障，为传统的故障诊断提供了一种全新的方法；3、该方法通过计算机实现，得到结果科学准确，具有很好的应用价值。

附图说明

图1是多层前馈神经网络结构。

图2是烘房加热系统监测参数结构图，其中，TW:加热温度，T1:助燃风机轴瓦温度，n1:助燃风机转速，RF:燃油流量，PS1:调节阀压力，PS2:燃油压力，PS3:助燃风机压力，A:电机电流，P:电机功率，1:燃烧器，2:助燃风机，3:调节阀，4:燃烧加热系统。

图3是基于可拓改进的网络模型。

图4是烘房加热系统可拓神经网络模型。

具体实施方式

下面结合附图对本发明做进一步描述。

参照附图1-图4，一种基于可拓神经网络的烘房加热系统故障诊断方法，该方法包括以下步骤：

1)、建立烘房加热系统可拓神经网络模型

结合可拓学知识，对RPROP原始模型进行改进，建立烘房加热系统可拓神经网络模型。

汽车涂装线烘房加热系统如附图2所示，根据监测参数结构图，网络输入层参数分别是：加热温度TW、助燃风机轴瓦温度T1、助燃风机转速n1、燃油流量RF、调节阀压力PS1、燃油压力PS2、助燃风机压力PS3、电机电流A、电机功率P。根据物元定义，建立可拓神经网络输入层9维物元模型M。

根据烘房加热系统故障经验，该系统的故障包括：调节阀阻塞Q1、输送管道堵塞Q2、燃气水分含量过多Q3、燃油压力不足Q4、原油含水Q5、电机转子故障Q6。构建输出层6维的网络输出物元

在原始神经网络中，神经元与神经元之间存在着连接权值w_ji，当9维特征以物元M的形式输入时，可定义权值矩阵W：

$W=\left[\begin{array}{cccc}{w}_{11}& w_{12}& \&CenterDot;\&CenterDot;\&CenterDot;& w_{19}\\ w_{21}& w_{22}& \&CenterDot;\&CenterDot;\&CenterDot;& w_{29}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ w_{m1}& w_{m2}& \&CenterDot;\&CenterDot;\&CenterDot;& w_{m9}\end{array}\right]$

其中，w_ji表示物元M中第i个特征c_mi与神经网络隐层第j个神经元之间的连接权值。可知W的每一行w_ji(i＝1,2,...,9)表示输入层物元M的9维特征分别对隐层m维特征第j(j＝1,2,…,m)个神经元的连接权值。

同理定义隐层与输出层之间的权值矩阵

$\stackrel{\&OverBar;}{W}=\left[\begin{array}{cccc}{w}_{11}& w_{12}& \&CenterDot;\&CenterDot;\&CenterDot;& w_{1m}\\ w_{21}& w_{22}& \&CenterDot;\&CenterDot;\&CenterDot;& w_{2m}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ w_{61}& w_{62}& \&CenterDot;\&CenterDot;\&CenterDot;& w_{6m}\end{array}\right]$

其中，w_ji(i＝1,2,...,m)表示隐层m维特征分别对物元的6维特征第j(1,2,…,6)个神经元的连接权值。

通过建立可拓物元及权值矩阵，可以简化神经网络结构，同时其数据处理能力未受到影响，改进后的理论模型如附图3。

2)、模型故障诊断

根据预设设备安全区间，计算网络输出各节点可拓距ρ，当ρ<0，设备处于正常状态；当ρ>0，设备出现故障；当ρ＝0，设备处于故障边缘状态。

进一步，所述步骤1)中，烘房加热系统可拓神经网络模型建立后，神经元激励函数全部取对数Sigmoid函数训练步骤如下：

1.1)令网络迭代次数t＝0，Δ⁽⁰⁾ _ji＝0.1，η⁺＝1.2，η^-＝0.5，并设定训练目标g和最多可迭代次数e；

1.2)计算指标函数对权值的一阶偏导数并根据(7)式计算Δ^(t) _ji；

${\mathrm{\&Delta;}}_{\mathrm{ji}}^{\left(t\right)}=\left\{\begin{array}{c}{\mathrm{\&eta;}}^{+}*{\mathrm{\&Delta;}}_{\mathrm{ji}}^{(t-1)},\mathrm{if}\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{{\&PartialD;E}^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}>0\\ {\mathrm{\&eta;}}^{-}*{\mathrm{\&Delta;}}_{\mathrm{ji}}^{(t-1)},\mathrm{if}\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{{\&PartialD;E}^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}<0\\ {\mathrm{\&Delta;}}_{\mathrm{ji}}^{(t-1)},\mathrm{else}\end{array}\right.---\left(7\right)$

式中，η⁺和η^-分别为增加因子、减小因子，且满足0<η^-<1<η⁺，通常取η^-＝0.5，η⁺＝1.2；为指标函数E^(t)对权值w_ji的梯度；

1.3)根据(8)式计算网络权值调整量

$\mathrm{\&Delta;}{w}_{\mathrm{ji}}^{\left(t\right)}=\left\{\begin{array}{c}-{\mathrm{\&Delta;}}_{\mathrm{ji}}^{\left(t\right)},\mathrm{if}\frac{{\&PartialD;E}^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}>0\mathrm{and}\frac{\&PartialD;E^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}\&GreaterEqual;0\\ +{\mathrm{\&Delta;}}_{\mathrm{ji}}^{\left(t\right)},\mathrm{if}\frac{\&PartialD;E^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}<0\mathrm{and}\frac{\&PartialD;E^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}\&GreaterEqual;0\\ -\mathrm{\&Delta;}{w}_{\mathrm{ji}}^{(t-1)},\mathrm{if}\frac{\&PartialD;E^{\left(t\right)}}{\&PartialD;w_{\mathrm{ji}}}*\frac{\&PartialD;E^{(t-1)}}{\&PartialD;w_{\mathrm{ji}}}<0\\ 0,\mathrm{else}\end{array}\right.---\left(8\right)$

同时根据(7)、(9)式对网络权值进行调整；

$w_{\mathrm{ji}}^{\left(t\right)}=w_{\mathrm{ji}}^{(t-1)}+\mathrm{\&Delta;}{w}_{\mathrm{ji}}^{(t-1)}---\left(9\right)$

1.4)计算所有样本的误差平方和e_rr，t＝t+1，如果e_rr<g或t>e，则训练结束，否则跳到步骤1.2)。

再进一步，所述步骤2)中，预设可拓标准距区间表，

并分别计算每个特征值v_mi对应标准区间的距ρ，得到关于ρ的数值。当然，也可以根据需要，设置其他的区间表。

实例：基于可拓神经网络的烘房加热系统故障诊断方法，包括以下过程：

1)、烘房加热系统可拓神经网络模型的建立

根据经验公式确定隐层节点数m，取值在1～10之间，在本次实验中，取m＝10，构建烘房加热系统的可拓神经网络模型如附图4。

2)、模型训练

网络模型建立后，对其进行大量充分的训练，神经元激励函数全部取对数Sigmoid函数。

具体的训练步骤如下：

1)令网络迭代次数t＝0，Δ⁽⁰⁾ _ji＝0.1，η⁺＝1.2，η^-＝0.5，并设定训练目标g和最多可迭代次数e；

2)计算指标函数对权值的一阶偏导数并根据(7)式计算Δ⁽¹⁾ _ji；

3)根据(8)式计算网络权值调整量同时根据(7)、(9)式对网络权值进行调整；

4)计算所有样本的误差平方和e_rr，t＝t+1，如果e_rr<g或t>e，则训练结束，否则跳到步骤2)。

网络参数设置如下：

目标误差：g＝10^-3；

最大循环次数：e＝2000；

最大权更新值Δ_max＝50.0.

设置好各参数后，用MATLAB对其进行建模、训练，在模型达到预设的要求后，运用到实验中。本次实验测得有效监测参数38组，选取其中5组样本进行分析，如表1。

表1

为了消除各数据量纲不同、变化范围不同带来的影响，需要对原始数据进行归一化处理。数据归一化采用公式(15)：

x'＝(x-x_min)/(x_max-x_min) (15)

上式中：x'为处理后的数据，x为源数据，x_min和x_max分别为源数据组中的最小值和最大值。

样本数据归一化处理后如表2所示。

表2

表2中，每行数据对应物元M中特征v_mi(i＝1,2…9)，将特征参数输入神经网络，网络模型的输出诊断结果如表3。

表3

表3中输出节点i(i＝1,2…6)即物元中的Qi(i＝1,2…6)，对应的特征值v_mi(i＝1,2…6)。

3)、模型诊断

根据网络输出数据并结合可拓距，对模型进行故障诊断。预设可拓标准距区间如表4，并分别计算每个特征值v_mi对应标准区间的距ρ，得到关于ρ的相关数值，如表5。

表4

表5

通过表5可对每个物元进行分析，例如对样本1对应物元样本4对应物元进行分析：

中所有的距ρ都小于0，表明该时刻系统处于正常状态；而在物元中，Q6对应的距ρ＝0.1>0，表明该时刻电子转机可能出现故障，需要维修人员前去查看。最终诊断结果如表6。

表6。

Claims (3)

1.一种基于可拓神经网络的烘房加热系统故障诊断方法，其特征在于：所述故障诊断方法包括以下步骤：

1)、建立烘房加热系统可拓神经网络模型

网络输入层参数分别是：加热温度TW、助燃风机轴瓦温度T1、助燃风机转速n1、燃油流量RF、调节阀压力PS1、燃油压力PS2、助燃风机压力PS3、电机电流A、电机功率P，根据物元定义，建立可拓神经网络输入层9维物元模型M；

根据烘房加热系统故障经验，该系统的故障包括：调节阀阻塞Q1、输送管道堵塞Q2、燃气水分含量过多Q3、燃油压力不足Q4、原油含水Q5、电机转子故障Q6；构建输出层6维的网络输出物元

在原始神经网络中，神经元与神经元之间存在着连接权值w_ji，当9维特征以物元M的形式输入时，定义权值矩阵W：

$W=\left[\begin{array}{cccc}{w}_{11}& w_{12}& \mathrm{...}& w_{19}\\ w_{21}& w_{22}& \mathrm{...}& w_{29}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ w_{m1}& w_{m2}& \mathrm{...}& w_{m9}\end{array}\right]$

其中，w_ji表示物元M中第i个特征c_mi与神经网络隐层第j个神经元之间的连接权值，可知W的每一行w_ji(i＝1,2,...,9)表示输入层物元M的9维特征分别对隐层m维特征第j(j＝1,2,…,m)个神经元的连接权值；

同理定义隐层与输出层之间的权值矩阵

其中，w_ji(i＝1,2,...,m)表示隐层m维特征分别对物元的6维特征第j(1,2,…,6)个神经元的连接权值；

2)、模型故障诊断

根据预设设备安全区间，计算网络输出各节点可拓距ρ，当ρ<0，设备处于正常状态；当ρ>0，设备出现故障；当ρ＝0，设备处于故障边缘状态。

2.如权利要求1所述的基于可拓神经网络的烘房加热系统故障诊断方法，其特征在于：所述步骤1)中，烘房加热系统可拓神经网络模型建立后，神经元激励函数全部取对数Sigmoid函数训练步骤如下：

1.1)令网络迭代次数t＝0，Δ⁽⁰⁾ _ji＝0.1，η⁺＝1.2，η^-＝0.5，并设定训练目标g和最多可迭代次数e；

1.2)计算指标函数对权值的一阶偏导数并根据(7)式计算Δ^(t) _ji；

${\mathrm{\&Delta;}}_{ji}^{\left(t\right)}=\left\{\begin{array}{cc}{\mathrm{\&eta;}}^{+}*{\mathrm{\&Delta;}}_{ji}^{(t-1)},& \begin{array}{cc}if& \frac{\&part;E^{(t-1)}}{\&part;w_{ji}}*\frac{\&part;E^{\left(t\right)}}{\&part;w_{ji}}>0\end{array}\\ {\mathrm{\&eta;}}^{-}*{\mathrm{\&Delta;}}_{ji}^{(t-1)},& \begin{array}{cc}if& \frac{\&part;E^{(t-1)}}{\&part;w_{ji}}*\frac{\&part;E^{\left(t\right)}}{\&part;w_{ji}}<0\end{array}\\ {\mathrm{\&Delta;}}_{ji}^{(t-1)},& else\end{array}\right.---\left(7\right)$

式中，η⁺和η^-分别为增加因子、减小因子，且满足0<η^-<1<η⁺，通常取η^-＝0.5，η⁺＝1.2；为指标函数E^(t)对权值w_ji的梯度；

1.3)根据(8)式计算网络权值调整量

${\mathrm{\&Delta;w}}_{ji}^{\left(t\right)}=\left\{\begin{array}{cc}-{\mathrm{\&Delta;}}_{ji}^{\left(t\right)},& \begin{array}{cc}if& \frac{\&part;E^{\left(t\right)}}{\&part;w_{ji}}>0and\frac{\&part;E^{\left(t\right)}}{\&part;w_{ji}}*\frac{\&part;E^{(t-1)}}{\&part;w_{ji}}\&GreaterEqual;0\end{array}\\ +{\mathrm{\&Delta;}}_{ji}^{\left(t\right)},& \begin{array}{cc}if& \frac{\&part;E^{\left(t\right)}}{\&part;w_{ji}}<0and\frac{\&part;E^{\left(t\right)}}{\&part;w_{ji}}*\frac{\&part;E^{(t-1)}}{\&part;w_{ji}}\&GreaterEqual;0\end{array}\\ -{\mathrm{\&Delta;w}}_{ji}^{(t-1)},& \begin{array}{cc}if& \frac{\&part;E^{\left(t\right)}}{\&part;w_{ji}}*\frac{\&part;E^{(t-1)}}{\&part;w_{ji}}<0\end{array}\\ 0,& else\end{array}\right.---\left(8\right)$

同时根据(7)、(9)式对网络权值进行调整；

$w_{ji}^{\left(t\right)}=w_{ji}^{(t-1)}+{\mathrm{\&Delta;w}}_{ji}^{(t-1)}---\left(9\right)$

1.4)计算所有样本的误差平方和e_rr，t＝t+1，如果e_rr<g或t>e，则训练结束，否则跳到步骤1.2)。

3.如权利要求1或2所述的基于可拓神经网络的烘房加热系统故障诊断方法，其特征在于：所述步骤2)中，预设可拓标准距区间表，

并分别计算每个特征值v_mi对应标准区间的距ρ，得到关于ρ的数值。