CN1737423A - 基于Internet网的锅炉传感器故障诊断和容错一体化方法及装置 - Google Patents

Abstract

一种基于Internet网的锅炉传感器故障诊断和容错一体化方法及装置，该控制方法应用三层的神经元网络。通过采集传感器测量的数据对应的电压值，并对数据分组，确定输入输出模式对，将分组的数据用于训练模糊小脑模型关节控制器神经网络，进行故障诊断和容错处理。为实现该方法本发明还对应提供一种控制装置。本发明通过对Internet网络环境下的传感器故障诊断及智能容错控制一体化这一关键技术的研究，实现对复杂过程进行实时监测。既考虑了传感器可能应用的场合，又考虑了一些实际过程中众多传感器信息的冗余性，因而本发明还可以应用到基于Internet网的水下机器人、化工等工业领域。

Description

基于Internet网的锅炉传感器故障诊断和容错一体化方法及装置

技术领域

本发明属于网络环境故障诊断和容错技术领域。特别提供一种基于Internet网的锅炉传感器故障诊断和容错一体化的控制方法和装置，即提供一种提高锅炉运行可靠性的控制方法。

背景技术

随着工业过程越来越趋向于网络化和复杂化，以及大规模高水平的锅炉综合自动化系统的出现，对锅炉系统控制质量的要求日趋突出。在对锅炉系统的控制过程中一旦发生事故就可能造成人员和财产的巨大损失，因此，对生产过程中运行状态、产品质量的在线监测、诊断及容错已成为衡量生产水平和控制水平高低的重要方面，同时也是进一步提高产品质量和生产效率的关键技术。切实保障现代复杂过程的可靠性与安全性，具有十分重要的意义，已得到国内外广泛的高度重视。

目前，锅炉系统(如图1所示)传感器故障诊断和容错的控制实际能够应用的主要有以下几种常见的方法：

(1)基于专家系统的方法

知识库中存放的一般知识是系统的工作环境，系统知识反映了系统的工作原理以及系统的结构知识。规则集是一组规则，反映系统的因果关系。人机接口可以为数据库增添系统故障前和故障发生时观测到的一些特征量。专家系统的诊断程序在知识库和数据库的支持下，综合运用各种规则，进行一系列的推理，必要时还可以随时调用各种应用程序。它在运行中向用户索取必要的信息后，就可快速地直接找到最终故障或是最有可能的故障，再由用户来证实系统判断故障的准确性。

(2)基于故障树的诊断方法

这是一个在实际系统中常用的故障诊断方法，所需要的前提是有关故障与原因的先验知识和故障率的知识。诊断过程是从系统的最终故障开始并逐级构造成一棵倒立的故障树。通过对此故障树的启发式搜索会查到故障的最终原因。在提问过程中合理地使用系统的实时动态数据将有助于诊断过程的进行。目前这种方法的新发展是由计算机自动或辅助生成故障树，并自动生成故障树的搜索工程。

(3)基于模式识别的诊断方法

这种方法的实现步骤是：

①故障密室向量的形成，也即选择出能表达系统故障状态的向量集。

②特征向量的提取。由于故障模式向量中的各参数的重要性不同，他们也不一定相互独立，因此从中选择出对故障状态最敏感的特征参数，构成特征向量集，也即构成了故障的基准模式集。

③判别函数的形成。它是由特征向量以一定的方式构成的，用于识别目前状态属于哪一个基准模式，也即系统属于哪种故障状态。

对Internet网络环境下的时间延迟和数据包丢失这些新颖故障，以上方法并不适用，目前还没有很好的实用方法，因此必须寻求新的方法，本发明提供一种新的方法。

发明内容

本发明提供一种基于Internet网的锅炉传感器故障诊断和容错一体化的方法及装置，通过故障诊断和容错一体化方法，判断是否有故障发生，并在故障发生的同时进行容错。

本发明装置包括远程故障诊断容错系统、Internet网、上位机、下位机、现场传感变送部分和控制部分，其中现场传感变送部分包括温度、液位、流量、压力等检测仪表，控制部分包括变频器、晶闸管、调节阀等。在锅炉现场安装检测仪表，检测仪表将采集的信号送到下位机，下位机定时将采集信号传送到上位机，上位机把接受的数据通过Internet网传到远程故障诊断容错控制系统，进行故障诊断及容错分析，然后把控制信号通过Internet网发送回上位机，上位机再把信号发送给下位机，由下位机给控制部分发送控制信号完成控制。

本发明装置的各部分功能：

(1)现场传感变送部分：包括温度、液位、流量、压力等检测仪表由传感器组成，负责将参数采集并传送；

(2)下位机：负责把采集的信号A/D转换，并把信号传送给上位机；把控制信号D/A转换，控制锅炉系统；

(3)上位机：收集本地下位机数据，并通过Internet网传送给远程故障诊断和容错控制系统，通过Internet网接收远程故障诊断和容错控制系统发出的控制信号，传送给下位机；

(4)Internet网：远程故障诊断和容错控制系统通过Internet网接收和发送信号；

(5)控制部分：接收由下位机传送的容错控制信号，对现场实现控制；

本发明采用神经网络作为处理冗余传感器输出数据的状态估计器。

在很多情况下，当输入-输出数据是与一个不可知的系统相联系时，或者系统的模型过于复杂时，系统的模型不能建立起来，对于Internet网络环境下的各种大型动力装置，这些问题就很突出，这种情况下基于模型的各种分析冗余法也就无法应用。这时，神经网络结构的映射性能就显得特别有用。

本发明中采用的神经网络结构为如图2所示的BP(Back-Propagation)网，是一种具有三层的神经元网络，它的左、右各层之间各个神经元实现全连接，即左层的每一个神经元与右层的每个神经元都有连接，而上下层各神经元之间无连接。BP网络按有教师学习方式进行训练，当一对学习模式提供给网络后，其神经元的激活值将从输入层经各中间层向输出层传播，输出层的各神经元输出对应于输入模式的网络响应。然后，根据减少希望输出与实际输出误差的原则，从输出层经各中间层最后回到输入层逐层修正各连接权。由于这种修正过程是从输出到输入逐层进行的，所以称它为“误差逆传播算法”。随着这种误差逆传播训练的不断进行，网络对输入模式响应的正确率也不断提高。

由于BP网络有处于中间位置的隐含层，具有相应的学习规则可循，可训练这种网络，使其具有对非线性模式的识别能力。特别是它的数学意义明确、步骤分明的学习算法，更使其具有广泛的应用前景。

BP网的学习过程主要由四部分组成：

(1)输入模式顺传播-输入模式由输入层经中间层向输出层传播计算，

(2)输出误差逆传播-输出的误差由输出层经中间层传向输入层，

(3)循环记忆训练-模式顺传播与误差逆传播的计算过程反复交替循环进行，

(4)学习结果判别-判定全局误差是否趋向极小值。

下面分别介绍和分析这四个过程：

(1)输入模式顺传播

这一过程主要是利用输入模式求出它所对应的实际输出。

设输入模式向量为 $A_k=[a_1^k,a_2^k,...,a_n^k]$

(k＝1，2，…，m；m-学习模式对数；n-输入层单元个数)

与输入模式相对应的希望输出为 $Y_k=[y_1^k,y_2^k,...,y_q^k]$

(q-输出层单元数)

根据BP神经元模型原理，计算中间层神经元j的激活值：

$s_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}\·a_i-{\mathrm{\θ}}_j(j=\mathrm{1,2},...,p)---\left(1\right)$

式中  W_ij—输入层第i单元至中间层第j单元的连接权；

      θ_j—中间层神经元j的阈值；

      p—中间层单元数。

激活函数采用S型函数，即

$f\left(x\right)=\frac{1}{1+\exp (-x)}---\left(2\right)$

这里之所以选S型函数作为BP网神经元的激活函数是因为它是连续可微分的，而且更接近于生物神经元的信号输出形式。

将上面的激活值带入激活函数中可得中间层j单元的输出值为

$b_j=f\left(s_j\right)=\frac{1}{1+\exp (-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}\·a_i+{\mathrm{\θ}}_j)}(j=\mathrm{1,2},...,p)---\left(3\right)$

阈值θ_j在学习过程中和权值一样也不断地被修正。阈值的作用反映在S函数的输出曲线上。

同理，可求得输出端的激活值和输出值：

设输出层第t单元的激活值为l_t，则

$l_t=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{V}_{\mathrm{jt}}\·b_j-{\mathrm{\γ}}_t---\left(4\right)$

设输出层第t单元的实际输出值为c_t，则

$c_t=f\left(l_t\right)=\frac{1}{1+\exp (-\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{V}_{\mathrm{jt}}\·b_j+{\mathrm{\γ}}_t)}(t=\mathrm{1,2},...,q)---\left(5\right)$

式中  V_jt—中间层第j单元至输出层第t单元连接权；

      γ_t—输出层第t单元阈值；

      f—S型激活函数。

利用以上各式就可计算出一个输入模式的顺传播过程。

(2)输出误差逆传播

在第一步的模式顺传播计算中得到了网络的实际输出值，当这些实际的输出值与期望的输出值不一样时或者说其误差大于所限定的数值时，就要对网络进行校正。

这里的校正是从后向前进行的，所以叫做误差逆传播，计算时是从输出层到中间层，再从中间层到输入层。

输出层的校正误差为：

$d_t^k=(y_t^k-c_t^k)\·f^{\′}\left(l_t^k\right)=(y_t^k-c_t^k)\·c_t^k(1-c_t^k)t=\mathrm{1,2},...,\mathrm{qk}=\mathrm{1,2},...\left(6\right)$

式中  y_t ^k—期望输出；

      c_t ^k—实际输出；

      f′—对输出层函数的导数。

这里采用的是一种delta学习规则。

中间层第j单元的校正误差为：

$e_j^k=(\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{V}_{\mathrm{jt}}\·d_t^k)\·f^{\′}\left(s_j^k\right)=(\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{V}_{\mathrm{jt}}\·d_t^k)\·b_j\·(1-b_j)(j=\mathrm{1,2},...\mathrm{pk}=\mathrm{1,2},...,m)---\left(7\right)$

在这里，每一个中间层单元的校正误差都是由q个输出层单元校正误差传递而产生的。当校正误差求得后，则可利用d_t ^k和e_j ^k沿逆方向逐层调整输出层至中间层、中间层至输入层的连接权。

对于输出层至中间层连接权的校正量和输出层阈值的校正量分别为：

$V_{\mathrm{jt}}(N+1)=V_{\mathrm{jt}}\left(N\right)+\mathrm{\α}\·d_t^k\·b_j\⇒\mathrm{\Δ}{V}_{\mathrm{jt}}=\mathrm{\α}\·d_t^k\·b_j^k---\left(8\right)$

${\mathrm{\γ}}_t(N+1)={\mathrm{\γ}}_t\left(N\right)+\mathrm{\α}\·d_t^k\⇒\mathrm{\Δ}{\mathrm{\γ}}_t=\mathrm{\α}\·d_t^k---\left(9\right)$

式中  b_j ^k—中间层第j单元的输出；

      d_t ^k—输出层的校正误差。

      j＝1，2，…，p  t＝1，2，…，q  k＝1，2，…，m  0＜α＜1(学习系数)

中间层至输入层的校正量为：

$W_{\mathrm{ij}}(N+1)=W_{\mathrm{ij}}\left(N\right)+\mathrm{\Δ}{W}_{\mathrm{ij}}=W_{\mathrm{ij}}\left(N\right)+\mathrm{\β}\·e_j^k\·a_i^k\⇒\mathrm{\Δ}{W}_{\mathrm{ij}}=\mathrm{\β}\·e_j^k\·a_i^k---\left(10\right)$

${\mathrm{\θ}}_j(N+1)={\mathrm{\θ}}_j\left(N\right)+\mathrm{\Δ}{\mathrm{\θ}}_j={\mathrm{\θ}}_j\left(N\right)+\mathrm{\β}\·e_j^k\⇒\mathrm{\Δ}{\mathrm{\θ}}_j=\mathrm{\β}\·e_j^k---\left(11\right)$

式中  e_j ^k—中间层第j单元的校正误差。

i＝1，2，…，n  0＜β＜1(学习系数)。

这里可以看出：

a)校正量与误差成正比，即误差越大，调整的幅度就越大，这一物理意义是显而易见的。

b)校正量与输入值的大小成正比，这里由于输入值越大，在这次学习过程中就显得越活跃，所以与其相连的权值的调整幅度就应该越大。

c)校正量与学习系数成正比。通常学习系数在0.1-0.8之间，为使整个学习过程加快，又不引起震荡，可采用变学习率的方法，即在学习初期取较大的学习系数，随着学习过程的进行逐渐减小其值。

(3)循环记忆训练

为使网络的输出误差趋于极小值。对于BP网输入的每一组训练模式，一般要经过数百次甚至上万次的循环记忆训练，才能使网络记住这一模式。

这种循环记忆训练实际上就是反复重复上面介绍的输入模式顺传播和输出误差逆传播过程。

(4)学习结果的判别

当每次循环记忆训练结束后，都要进行学习结果的判别。判别的目的主要是检查输出误差是否已经小到允许的程度。如果小到了允许的程度，就可以结束整个学习过程，否则还要进行循环训练。学习或者说训练的过程是网络全局误差趋向极小值的过程。

根据上面的分析，可以得到BP网络的整个学习过程的具体步骤：

(1)初始化给各连接权W_ij、V_jt及阈值θ_j、γ_t，并赋予[-1，+1]之间的随机值。

(2)随机选取一模式对 $A_k=[a_1^k,a_2^k,...,a_n^k],Y_k=[y_1^k,y_2^k,...,y_q^k],$ 提供给网络。用输入模式 $A_k=[a_1^k,a_2^k,...,a_n^k],$ 连接权W_ij和阈值θ_j计算中间层各神经元的输入s_j(激活值)，然后用s_j通过激活函数获得中间层的输出b_j，即公式(3)；

(3)用中间层的输出b_j、连接权V_jt和阈值γ_t计算输出层各单元的输入l_t(激活值)，然后用l_t通过激活函数计算输出层各单元的输出c_t，即公式(5)；

(4)用希望输出模式 $Y_k=[y_1^k,y_2^k,...,y_q^k],$ 网络实际输出c_t计算输出层各单元的校正误差d_t ^k，即公式(6)；

(5)用V_jt，d_t，b_j计算中间层的校正误差e_j ^k，即公式(7)；用d_t ^k，b_j，V_jt和γ_t计算下一次的中间层和输出层之间的新连接权，即公式(8)和(9)；

(6)由e_j ^k，a_i ^k，W_ij和θ_j计算下一次的输入层和中间层之间的新连接权，即公式(10)和(11)；

(7)选取下一个学习模式对提供给网络，返回到第三步，直至全部m个模式对训练完。

(8)重新从m个学习模式对中随机选取一个模式对，返回到第三步，直至网络全局误差函数E小于预先设定的限制值(网络收敛)。

在以上的步骤中，(3)-(6)为输入模式的“顺传播过程”，(7)为网络误差的“逆传播过程”，(8)则完成训练和收敛过程。

基于Internet网的锅炉传感器故障诊断和容错一体化的控制方法具体控制过程依如下步骤进行：

步骤一、采集数据：采集传感器测量的数据对应的电压值x(1)，x(2)，…，x(n)；

步骤二、数据分组，确定输入输出模式对：

(1)确定m值，m为每一个输入输出模式对中输入数据的数量，即观测值的数量，m值根据多次试验获得的实验数据及测量结果比较确定；

(2)对于单传感器，将所采集的n个数据分成k组，k＝n-(m-1)，每组有m+1个值，其中前m个值作为神经网络输入节点的输入值，第m+1个值作为训练后的神经网络输出形成样本，即从第1个数据开始，用传感器输出的前m个数据x(1)，x(2)，…，x(m)作为神经网络的输入，用传感器输出的第m+1个数据x(m+1)作为神经网络的输出形成第1组样本；从第2个数据开始，以m个数据x(2)，x(3)，…，x(m+1)作为神经网络的输入，以x(m+2)作为神经网络的输出形成第2组样本；依此类推，可将传感器输出序列分成k组，每组m+1个数据，形成k个输入输出模式对；将分组的数据用于离线训练单个神经网络，如图3所示，此时p＝m，q＝1，训练得到各个权值；

对于多传感器，设定传感器的数量为N，那么神经网络的个数也为N，即N个神经网络并联，每个传感器采集n个数据，同样将所采集的n个数据分成k组，k＝n-(m-1)，每组有m+1个值，其中前m个值作为各个神经网络输入节点的输入值，第m+1个值作为每个神经网络的输出，这样，输入数据总共为N×m个，输出数据总共为N个；

步骤三、将分组的数据用于离线训练神经网络，通过神经网络训练方法得到各个权值；

步骤四、故障诊断(假定任一时刻最多只有一个传感器发生故障)：对于单传感器情况，即任意K时刻，神经网络输入值为前K-m时刻采集传感器测量的数据，为x(K-m)，x(K-m+1)，…，x(K-1)，神经网络输出值即预测值为(K)，当预测值(K)与传感器的实测值之差大于设定阈值时，或由于网络的时间延迟、数据包丢失而未能得到传感器的实测值时，则判断故障发生；对于多传感器情况，传感器的个数为N，神经网络输入数据为：

[x₁(K-m)，x₁(K-m+1)，…，x₁(K-1)]为第一个分组数据、

[x₂(K-m)，x₂(K-m+1)，…，x₂(K-1)]为第二个分组数据、

……、

[x_N(K-m)，x_N(K-m+1)，…，x_N(K-1)]为第N个分组数据，神经网络输出值即第K时刻的预测值为_i(K)，i＝1，2，…，N。第i个神经网络输出与第i个传感器的实测值之差大于设定阈值时，或由于网络的时间延迟、数据包丢失而未能得到第i个传感器的实测值时，则判断故障发生；

步骤五、容错：对于单传感器情况，用(K)代替传感器的输出；对于多传感器情况，第i个神经网络输出_i(K)代替第i个传感器的输出。

在上述故障诊断和容错一体化控制中，对于多传感器，假定任一时刻最多只有一个传感器发生故障，由于采样间隔很短，所以该假定能够符合实际情况。

本发明的控制过程具有以下优势：

1、本发明通过对Internet网络环境下的传感器故障诊断及智能容错控制一体化这一关键技术的研究，实现对复杂过程进行监测。

2、本发明的控制方法既考虑了传感器可能应用的场合，又考虑了一些实际过程中众多传感器信息的冗余性，因而本发明的研究成果还可以应用到基于Internet网的水下机器人、化工等工业领域。

附图说明

图1为本发明装置的结构示意图；

图2为神经网络结构示意图；

图3为传感器故障诊断和容错一体化控制原理图；

图4为本发明装置结构示意图；

图5为本发明方法的控制流程图；

图6为锅炉液位传感器发生故障时的预测图；

图7为锅炉水温传感器发生故障时的预测图；

图8为锅炉液位传感器发生故障时的预测图(多传感器)；

其中，VD1、VD2-电磁调节阀，T1-VT-移向调控，LT-3-锅炉液位传感器，LT-4-高位水箱液位传感器，TIT-1-锅炉水温传感器，TIT-2-锅炉夹套水温传感器。

具体实施方式

下面结合附图对本发明装置的具体实施方式进行详细描述。

如图4所示，本发明装置包括远程故障诊断容错系统、Internet网、上位机、下位机、现场传感变送部分和控制部分，锅炉过程控制系统主要由二部分构成：

(1)变频水泵，高位恒压水塔和蓄水池构成的供排水系统。在这一系统中，包括德国格兰富公司原装不锈钢体水泵一台，德国西门子公司原装多控制方式矢量型交流变频器一台。

(2)分布在三个不同层面上的五个单元组成的被控过程，这五个单元分别是：

a)有冷却水夹套的热水锅炉单元。热水锅炉单元是整个被控过程的核心，在热水锅炉上面带有一个液位检测及变送仪表，一个夹套冷却水温和一个锅炉水温温度检测传感器以及锅炉水加热执行器。

b)2组流量检测与调节执行组合单元。每一组都有一台电磁式流量计和一台德国宝得公司活塞式气动调节阀和一个二位式电磁阀构成，它也是整个被控过程又一重要的过程检测与调节执行机构。

c)一个回路的压力检测单元。

d)一个并联双容单元。在这一单元上又分别装有2个反压式液位检测与变送装置。

这两部分以及被控过程中的五个单元，彼此之间均相对独立，用户可根据具体情况自由选取，具有较大的灵活性。

锅炉过程控制系统中的锅炉水温信号、锅炉夹套水温信号是通过铂电阻温度计来检测的。铂电阻温度计是利用电气参数随温度变化的特性来检测温度的。在本系统中测锅炉水温的铂电阻温度计，其τ_0.5＝15秒，测夹套水温的铂电阻温度计，其τ_0.5＝5秒。(根据制造厂商定义，τ_0.5是指被测温度阶跃扰动后，铂电阻温度计测到该阶跃温度50％这点所需时间。)

液位的测量采用的是合肥天神电器有限公司生产的输出为标准信号4-20mA，量程为6Kpa的HM型号压力式传感器测量的。

流量传感器采用的是由上海光华仪表厂生产的LDZ型号的电磁流量计。电磁流量传感器输出的信号为标准的电压、电流信号，人们无法直观的读出流量的大小，为此该系统还采用了电磁流量转换器。该转换器可与各种规格的电磁流量传感器配套使用，能将来自传感器的低电平毫伏信号转换成与流量成比例0-10mA DC或4-20mA DC标准信号输出，供显示、记录、调节控制和流量计算等之用。本系统采用的是上海光华仪表厂生产的LDZ-4B型号的电磁流量转换器。

该锅炉过程控制系统的控制过程：

(1)该锅炉过程控制系统可以对进水流量和出水流量进行控制，是通过进水调节阀和出水调节阀来实现的。进水调节阀和出水调节阀是QSVP系列智能电动单座调节阀，它由QSL奇胜智能型电动执行器与优质的国产阀门相结合而成，是一种高性能的调节阀，适用于各种不同压力和温度的流体和对泄漏要求高的场合。电动执行机构接受0-10mA/4-20mA/0-5V/1-5V等控制信号，改变阀门的开度，同时将阀门开度的隔离信号反馈给锅炉控制系统，实现对压力、温度、流量、液位等参数的调节。该锅炉过程控制系统液位的调节就是通过进水调节阀和出水调节阀来实现的。

(2)对温度进行控制，是通过改变电加热用晶闸管VT的导通角来改变电加热器的电压来实现的。

(3)变频器控制。在本系统中有两种方法来驱动水泵马达运行，一种是市电50Hz三项电源，当选择此方法时，水泵在其额定转速下运行；另一种方法是交流变频驱动，选择此方法时，变频器接收4-20mA的标准给定信号，输出0-50Hz的三项变频电源去控制水泵电机的转速。但不管选取哪一种方法来运行水泵，其马达都不会立即运转，必须等到“使能”开关变成“ON”以后，水泵电机方可运行。

(4)还有一种控制流量的装置，二位式电磁阀。电磁阀的开与关可以改变进水和出水流量。

上位机和故障诊断与容错系统选用PENTIUM 4 DELL计算机，采用WINDOW XP操作系统。

故障诊断与容错系统运行在PENTIUM 4 DELL计算机上，采用VB7.0编程软件。

上位机与故障诊断与容错系统的信号传送软件是采用VC++7.0编程软件。

在锅炉现场安装检测仪表，检测仪表将采集的信号送到下位机，下位机定时将采集信号传送到上位机，上位机把接受的数据通过Internet网传到远程故障诊断容错控制系统，进行故障诊断及容错分析，然后把控制信号通过Internet网发送回上位机，上位机再把信号发送给下位机，完成控制。

经各传感器检测的信号都是模拟量，各执行机构需要的驱动信号也是模拟量，因此，需要模拟/数字转换和数字/模拟转换。这里下位机采用的是台湾研华公司生产的A/D、D/A板卡。模拟量到数字量的转换由PCL-812PG型号的板卡来完成，该板卡具有16个A/D转换通道，2个D/A转换通道，16位数字量输入，16位数字量输出。本发明装置用到8个A/D转换通道，采用是电压输入，范围是±5V。数字量到模拟量的转换由PCL-726型号的板卡来完成，该板卡有6个D/A转换通道，16位数字输入，16位数字输出，本发明装置用到4个D/A转换通道，采用的是电流输出，范围是4-20mA。

图5为本发明方法的控制流程图，下面结合附图具体描述本发明方法对锅炉传感器故障的诊断和容错一体化的控制过程。

例1、首先把锅炉从Internet网络中断开，以测量锅炉液位的传感器为研究对象，将水从储水池抽到高位水箱后，由高位水箱向锅炉供水。中间经由电磁阀和电动阀，通过控制电动阀的开度来控制水的流量。锅炉液位从起始值零开始，设定锅炉液位为300毫米。采用简单控制，即当液位达到290毫米时，关闭电动阀。在控制过程中进行采样，采样时间间隔为3秒。采样信号是与锅炉液位对应的电压值，在采样过程中并没有将采样值转换成液位，而是直接将电压值作为神经网络的输入信号。在诊断和容错过程中，各信号都是以电压信号的形式采集到计算机内的，为1-5V。在采集信号的过程中，信号存在波动，这里首先采用均值滤波方法进行滤波，即在每个采样点连续采样10次后，把10个采样值相加，再取其平均值作为本次采样值，通过均值滤波方法，基本上避免了信号的波动。

采集的数据存放到数据库中。采集数据如下式所示，式中数据为与锅炉液位对应的电压值，单位是伏特。

V＝[1.0388  1.0401  1.0416  1.0498  1.0602  1.0602  1.0788  1.0788  1.1172

    1.1215  1.1401  1.1542  1.1676  1.1902  1.1975  1.2192  1.2347  1.2482

    1.2592  1.2802  1.3062  1.3156  1.3284  1.3528  1.3730  1.3831  1.3895

    1.4017  1.4291  1.4447  1.4664  1.4819  1.5024  1.5070  1.5256  1.5326

    1.5540  1.5793  1.5897  1.6077  1.6324  1.6516  1.6568  1.6760  1.6919

1.7020  1.7270  1.7380  1.7441  1.7728  1.7908  1.8066  1.8170  1.8329

1.8506  1.8591  1.8741  1.8890  1.9122  1.9226  1.9226  1.9522  1.9632

1.9882  1.9897  2.0081  2.0300  2.0517  2.0642  2.0691  2.0923  2.0932

2.1173  2.1353  2.1411  2.1631  2.1793  2.1899  2.2134  2.2229  2.2461

2.2546  2.2696  2.2803  2.2986  2.3203  2.3285  2.3444  2.3587  2.3743

2.3843  2.4005  2.4152  2.4283  2.4481  2.4677  2.4768  2.4924  2.5070

2.5189  2.5345  2.5470  2.5650  2.5851  2.5943  2.6062  2.6279  2.6450

2.6456  2.6666  2.6773  2.6953  2.7145  2.7261  2.7417  2.7560  2.7728

2.7789  2.8036  2.8162  2.8296  2.8384  2.8598  2.8830  2.8906  2.8989

2.9187  2.9248  2.9443  2.9562  2.9745  2.9843  2.9877  2.9944  2.9950

2.9950  2.9973  2.9976  2.9975  2.9976  2.9977  2.9974  2.9976  2.9986

2.9988  2.9990  2.9990  2.9988  2.9990  2.9989  2.9990  3.0017  3.0035]

已经得到的液位传感器输出序列x(1)，x(2)，…，x(153)如上所示的153个数据，在离线训练时，m确定为5后，从第1个数据开始，用传感器输出的前5个数据x(1)，x(2)，…，x(5)作为神经网络的输入，用传感器输出的第6个数据x(6)作为神经网络的输出形成第1组样本；从第2个数据开始，以5个数据x(2)，x(3)，…，x(6)作为神经网络的输入，以x(7)作为神经网络的输出形成第2组样本；依此类推，可将传感器输出序列分成149组，每组6个数据，形成149个输入输出模式对，然后用这149个输入输出模式对对网络进行离线训练。工作时，用传感器输出第149组的5个数据x(149)，x(150)，…，x(153)作为神经网络的输入，网络输出即为传感器输出的预测数据(154)。把锅炉接入Internet网，将传感器输出的预测数据(154)与传感器的实际输出之差与阈值相比较，判断此传感器是否发生故障，当传感器输出的预测数据(154)与传感器的实际输出之差大于无故障实测值的5％时，则液位传感器发生故障。如发生故障，则用预测值(154)代替传感器输出值。

当传感器发生故障时，用神经网络预测值代替实际检测值的效果图，如图6所示。在锅炉液位达到150毫米时，测量锅炉液位的传感器发生故障，且输出值一直为150毫米。

如果检测液位的传感器在锅炉液位达到150毫米时发生故障，如图6所示，此时，只是传感器发生了故障，如果系统中对锅炉液位的控制仍按照发生故障传感器的反馈值来进行的话，则会出现不良后果，所以必须找到传感器数据的代替值。在这里，用神经网络预测值来代替检测锅炉液位传感器的输出，从而继续对系统进行控制。具体实现如下：程序运行时，即对锅炉液位传感器进行监测，所以当锅炉液位达到150毫米，通过预测值与实测值的比较，检测到锅炉液位传感器发生故障，对应的电压值为2.9880伏特，这样可由神经网络预测值代替锅炉液位传感器的输出，使之作为反馈值，系统能够正常运行，同样，神经网络输入中包含的此时刻锅炉液位传感器的值也由该预测值来代替，从而，可以尽可能准确的预测以后时刻锅炉液位传感器的输出，从图中可以看出，预测值和理想值之差不超过3毫米。

例2、首先把锅炉从Internet网络中断开，以测量锅炉水温的传感器为研究对象，在对锅炉内的水进行加热之前要检查锅炉液位是否在140毫米以上，而且为了人身安全，加热水温最好不要超过80度。控制过程是通过控制加在晶闸管两端的电压来控制温度的。锅炉水温从30度开始加热，设定锅炉水温升高到60度截止。

在控制过程中进行采样，采样时间间隔为5秒。采样信号是与锅炉水温对应的电压值，采样过程中并没有将采样值转换成水温，而是直接将电压值作为神经网络的输入信号。

温度信号也存在波动，用均值方法进行滤波，取得了较好的效果。

得到的锅炉水温传感器输出序列如下所示，式中数据为与锅炉温度对应的电压值，单位是伏特。

V＝[2.2058    2.2079    2.2113    2.2198    2.2205    2.2348

    2.2305    2.2446    2.2412    2.2482    2.2540    2.2650

    2.2626    2.2559    2.2501    2.2610    2.2458    2.2552

    2.2504    2.2012    2.2089    2.2025    2.2128    2.2189

    2.2223    2.2458    2.2601    2.2891    2.3001    2.3212

    2.3486    2.3721    2.3898    2.3999    2.4130    2.4124

    2.4396    2.4600    2.4710    2.4884    2.5098    2.5162

    2.5522    2.5595    2.5745    2.5830    2.5980    2.6068

    2.6257    2.6346    2.6581    2.6666    2.6971    2.7200

    2.7234    2.7402    2.7377    2.7707    2.7811    2.7951

    2.8125    2.8204    2.8195    2.8473    2.8650    2.8598

    2.8946    2.9010    2.9245    2.9126    2.9269    2.9492

    2.9630    2.9819    2.9822    2.9880    3.0115    3.0304

    3.0325    3.0386    3.0484    3.0692    3.0722    3.0902

    3.0890    3.1082    3.1259    3.1223    3.1393    3.1573

    3.1412    3.1726    3.1909    3.2043    3.2077    3.2010

    3.2239    3.2275    3.2480    3.2391    3.2718    3.2806

    3.2809    3.2907    3.3182    3.3112    3.3194    3.3313

    3.3527    3.3618    3.3633    3.3759    3.3847    3.3878

    3.3847    3.3923    3.3997    3.4048    3.4174    3.4280

    3.4286    3.4283    3.4262    3.4421    3.4329    3.4344

    3.4302    3.4341    3.4360    3.4369    3.4387    3.4280

    3.4338    3.4366    3.4174    3.4369    3.4341    3.4293

    3.4305    3.4238    3.4259    3.4302    3.4204    3.4271

    3.4164    3.4015    3.4061    3.4152    3.3960    3.4079

    3.4103    3.4055]

得到温度传感器输出序列如上所示的152组数据，取m＝5，所以可将其分成148组，同例1，每组6个数据中的前5个作为神经网络的输入数据，第6个数据作为神经网络的输出数据，用这148组输入输出模式对对神经网络进行训练。工作时，用传感器输出的前5个数据作为神经网络的输入，网络输出即为传感器下一时刻的预测数据。

在传感器不发生故障时，训练过的神经网络用于实际系统进行预测时效果很理想，在每一个采样点，神经网络预测值与理想值的基本重合，达到要求的效果。

把锅炉接入Internet网，当锅炉水温传感器发生故障时，可以用神经网络预测值代替发生故障传感器的输出。如图7所示，在锅炉水温达到50度时，测量锅炉水温的传感器发生故障，且输出值一直为50度，对应的电压值为2.9880伏特。

锅炉水温传感器发生故障后，如果仍按照当前检测值进行控制，则会出现不可想象的后果。在程序中，将传感器实测值与神经网络预测值进行比较，如果大于设定值，则认为传感器出现故障。此后传感器的实测值由神经网络预测值来代替，程序根据这个预测值对系统进行控制。现在测量锅炉水温的传感器在50度时发生了故障，由于神经网络预测值本身存在着误差，所以在以后的时刻误差逐渐增大，当达到稳态时，与理想值误差大约在1度左右。

例3、首先把锅炉从Internet网络中断开，以3个传感器为研究对象，包括测量1号容器液位的传感器，测量2号容器液位的传感器，测量锅炉液位的传感器。在实际测量过程中，注意选取的传感器的个数为不存在冗余的个数，即所选取的传感器不重复测量同一参数。所选取的传感器采集的数据对应的电压值如下，其单位为伏特：

(1)锅炉液位

V＝[1.0309    1.0318    1.0318    1.0413    1.0431    1.0431

    1.0596    1.0837    1.1020    1.1020    1.1264    1.1371

    1.1566    1.1679    1.1865    1.1917    1.1987    1.2231

    1.2396    1.2457    1.2653    1.2909    1.3010    1.3080

    1.3297    1.3403    1.3562    1.3702    1.3861    1.3977

    1.4035    1.4276    1.4340    1.4572    1.4685    1.4874

    1.4978    1.5131    1.5280    1.5439    1.5524    1.5729

    1.5900    1.6006    1.6119    1.6254    1.6473    1.6586

    1.6702    1.6837    1.6959    1.7105    1.7261    1.7297

    1.7462    1.7603    1.7816    1.7917    1.8063    1.8149

    1.8167    1.8503    1.8579    1.8661    1.8765    1.8945

    1.9077    1.9229    1.9351    1.9510    1.9611    1.9711

    1.9794    1.9949    2.0062    2.0169    2.0258    2.0435

    2.0584    2.0700    2.0764    2.0972    2.1030    2.1222

    2.1225    2.1451    2.1606    2.1643    2.1793    2.1902

    2.1924    2.2141    2.2260    2.2406    2.2507    2.2696

    2.2699    2.2876    2.3019    2.3065    2.3196    2.3380

    2.3529    2.3621    2.3721    2.3883    2.3929    2.4106

    2.4106    2.4280    2.4454    2.4606    2.4640    2.4673

    2.4841    2.5003    2.5064    2.5165    2.5342    2.5470

    2.5574    2.5699    2.5787    2.5861    2.6025    2.6138

    2.6199    2.6370    2.6462    2.6602    2.6669    2.6791

    2.6971    2.6971    2.7106    2.7200    2.7313    2.7435

    2.7533    2.7762    2.7762    2.7856    2.7991    2.8085

    2.8168    2.8366    2.8366    2.8510    2.8632    2.8787

    2.8897    2.8976    2.9007    2.9126    2.9236    2.9309

    2.9492    2.9550    2.9657    2.9712    2.9837    2.9929

    2.9929    2.9929    2.9929]

(2)1#容器液位

V＝[3.9911    3.9911    3.9911    3.9908    3.9847    3.9795

    3.9764    3.9688    3.9072    3.9072    3.9072    3.9072

    3.9072    3.9072    3.9072    3.8922    3.8815    3.8721

    3.8580    3.8553    3.8443    3.8266    3.8211    3.8004

    3.8004    3.7909    3.7741    3.7680    3.7570    3.7436

    3.7317    3.7277    3.7146    3.7061    3.6911    3.6823

    3.6761    3.6557    3.6502    3.6386    3.6331    3.6215

    3.6102    3.5968    3.5864    3.5745    3.5532    3.5522

    3.5437    3.5352    3.5269    3.5193    3.5019    3.4927

    3.4851    3.4738    3.4634    3.4518    3.4439    3.4366

    3.4250    3.4097    3.4048    3.3942    3.3722    3.3722

    3.3606    3.3508    3.3377    3.3365    3.3170    3.3035

    3.2959    3.2913    3.2816    3.2733    3.2559    3.2492

    3.2367    3.2327    3.2254    3.2172    3.2040    3.1995

    3.1830    3.1778    3.1674    3.1534    3.1412    3.1381

    3.1204    3.1204    3.1085    3.0978    3.0954    3.0731

    3.0661    3.0600    3.0560    3.0426    3.0286    3.0286

    3.0161    3.0032    2.9938    2.9858    2.9764    2.9742

    2.9648    2.9498    2.9407    2.9288    2.9193    2.9160

    2.9053    2.9010    2.8873    2.8732    2.8604    2.8571

    2.8528    2.8403    2.8290    2.8265    2.8156    2.8088

    2.8046    2.7872    2.7838    2.7652    2.7652    2.7512

    2.7493    2.7414    2.7332    2.7103    2.7100    2.7008

    2.6810    2.6810    2.6764    2.6688    2.6614    2.6511

    2.6450    2.6361    2.6157    2.6141    2.6050    2.6047

    2.5970    2.5876    2.5751    2.5735    2.5586    2.5571

    2.5424    2.5391    2.5369    2.5204    2.5092    2.4985

    2.4869    2.4869    2.4869]

(3)2#容器液位

V＝[3.9410    3.9410    3.9407    3.9240    3.9096    3.8953

    3.8751    3.8699    3.8315    3.8315    3.8287    3.8235

    3.8077    3.7894    3.7799    3.7708    3.7631    3.7537

3.7393    3.7299    3.7219    3.7094    3.6960    3.6859

3.6731    3.6649    3.6533    3.6407    3.6340    3.6255

3.6124    3.5995    3.5995    3.5831    3.5779    3.5648

3.5538    3.5425    3.5352    3.5208    3.5172    3.5019

3.4857    3.4830    3.4778    3.4592    3.4384    3.4384

3.4299    3.4222    3.4085    3.4061    3.3978    3.3911

3.3817    3.3670    3.3548    3.3505    3.3344    3.3295

3.3139    3.3047    3.2947    3.2861    3.2800    3.2639

3.2639    3.2574    3.2443    3.2352    3.2166    3.2126

3.2050    3.1995    3.1879    3.1689    3.1662    3.1604

3.1516    3.1369    3.1369    3.1274    3.1146    3.1064

3.0920    3.0783    3.0728    3.0637    3.0576    3.0502

3.0389    3.0298    3.0267    3.0087    3.0029    2.9932

2.9758    2.9758    2.9721    2.9556    2.9529    2.9459

2.9385    2.9224    2.9208    2.9007    2.8976    2.8882

2.8772    2.8711    2.8671    2.8528    2.8424    2.8424

2.8271    2.8143    2.8143    2.8085    2.7994    2.7902

2.7780    2.7713    2.7612    2.7570    2.7457    2.7365

2.7231    2.7225    2.7121    2.7026    2.6959    2.6855

2.6804    2.6764    2.6630    2.6566    2.6462    2.6373

2.6273    2.6242    2.6132    2.6031    2.6031    2.5955

2.5879    2.5803    2.5653    2.5613    2.5528    2.5449

2.5275    2.5275    2.5186    2.5177    2.5012    2.4988

2.4750    2.4731    2.4731    2.4707    2.4689    2.4689

2.4689    2.4689    2.4689]

首先需要确定神经网络的输入输出模式对，用来训练神经网络。以判断1号容器液位传感器是否出现故障为例，则它对应1号神经网络，1号神经网络第K时刻的输入是从2号容器液位传感器和锅炉液位传感器采集到的前m时刻的值，1号神经网络第K时刻的输出是1号容器液位传感器的预测值。通过实验，根据m取不同值时的实验结果，本文取m＝2。先用2号容器液位传感器输出的前2个时刻数据x_2号(1)，x_2号(2)，锅炉液位传感器前两2时刻的数据x_锅炉(1)，x_锅炉(2)作为神经网络的输入，用1号容器液位传感器下一时刻的值x_1号(3)作为神经网络的输出形成第一组样本；以数据x_2号(2)，x_2号(3)，x_锅炉(2)，x_锅炉(3)作为神经网络的输入，以x_1号(4)作为神经网络的输出形成第二组样本，依此类推。因为共有165组数据，所以共可形成163个输入输出模式对。这里要注意的是，1号神经网络的输入参数不能包括1号容器液位传感器的输入。同理，可以建立2号容器液位传感器和锅炉液位传感器对应的2号和3号神经网络。所以本发明采用神经网络，将训练过的神经网络应用到该锅炉过程系统中，对锅炉液位传感器、1号容器液位传感器、2号容器液位传感器进行监测。

锅炉液位从0毫米到300毫米变化，在锅炉液位传感器不发生故障时，训练过的神经网络用于实际系统进行预测时效果很理想，从显示的数据可以看到，在每一个采样点，神经网络预测值与理想值的误差在1毫米之内，达到要求的效果。

当传感器发生故障时，用神经网络预测值代替实测值的效果图，如图8所示。图中表示在锅炉液位达到150毫米时，测量锅炉液位的传感器发生故障。

在任一时刻最多只有一个传感器发生故障，由于采样间隔很短，整个故障检测过程可描述如下：以1号传感器为例，当该传感器发生故障时，本发明方法会根据1号传感器的实测值与预测值之差的绝对值是否超过给定的值来判断，这个过程就是故障诊断的检测与分离。如果确定是1号传感器发生了故障，则1号传感器送往后续网络的数据就由1号传感器的预测值来代替，这是因为1号神经网络的输入是除1号传感器之外的其它传感器数据，它们是没有故障的，所以1号网络的输出是正常的，用它替代发生故障的传感器的输出是可以的。图8是当锅炉液位传感器在150mm时发生故障后的效果图。用训练过的神经网络预测值进行控制时的实际锅炉液位与检测值之差小于1毫米。

Claims (4)

1、一种基于Internet网的锅炉传感器故障诊断和容错一体化方法，其特征在于该方法的具体控制过程如下：

步骤一、采集数据：采集传感器测量的数据对应的电压值x(1)，x(2)，…，x(n)；

步骤二、数据分组，确定输入输出模式对：

I.确定每一个输入输出模式对中输入数据的数量m，即观测值的数量，m值根据多次试验获得的实验数据及测量结果比较确定；

II.对于单传感器，将所采集的n个数据分成k组，k＝n-(m-1)，每组有m+1个值，其中前m个值作为神经网络输入节点的输入值，第m+1个值作为训练后的神经网络输出形成样本，即从第1个数据开始，用传感器输出的前m个数据x(1)，x(2)，…，x(m)作为神经网络的输入，用传感器输出的第m+1个数据x(m+1)作为神经网络的输出形成第1组样本；从第2个数据开始，以m个数据x(2)，x(3)，…，x(m+1)作为神经网络的输入，以x(m+2)作为神经网络的输出形成第2组样本；依此类推，可将传感器输出序列分成k组，每组m+1个数据，形成k个输入输出模式对；将分组的数据用于离线训练单个神经网络，此时p＝m，q＝1，训练得到各个权值；

对于多传感器，设定传感器的数量为N，那么神经网络的个数也为N，即N个神经网络并联，每个传感器采集n个数据，同样将所采集的n个数据分成k组，k＝n-(m-1)，每组有m+1个值，其中前m个值作为各个神经网络输入节点的输入值，第m+1个值作为每个神经网络的输出，这样，输入数据总共为N×m个，输出数据总共为N个；

步骤三、将分组的数据用于离线训练神经网络，通过神经网络训练方法得到各个权值；

步骤四、故障诊断：对于单传感器情况，即任意K时刻，神经网络输入值为前K-m时刻采集传感器测量的数据，为x(K-m)，x(K-m+1)，…，x(K-1)，神经网络输出值即预测值为(K)，当预测值(K)与传感器的实测值之差大于设定阈值时，或由于网络的时间延迟、数据包丢失而未能得到传感器的实测值时，则判断故障发生；对于多传感器情况，传感器的个数为N，神经网络输入数据为：

[x₁(K-m)，x₁(K-m+1)，…，x₁(K-1)]为第一个分组数据、

[x₂(K-m)，x₂(K-m+1)，…，x₂(K-1)]为第二个分组数据、

……、

[x_N(K-m)，x_N(K-m+1)，…，x_N(K-1)]为第N个分组数据，神经网络输出值即第K时刻的预测值为₁(K)，i＝1，2，…，N，第i个神经网络输出与第i个传感器的实测值之差大于设定阈值时，或由于网络的时间延迟、数据包丢失而未能得到第i个传感器的实测值时，则判断故障发生；

步骤五、容错：对于单传感器情况，用(K)代替传感器的输出；对于多传感器情况，第i个神经网络输出_i(K)代替第i个传感器的输出。

2、如权利要求1所述的基于Internet网的锅炉传感器故障诊断和容错一体化方法，其特征在于所述步骤三的学习过程的具体步骤如下：

(1)初始化给各连接权W_ij、V_jt及阈值θ_j、γ_t，并赋予[-1，+1]之间的随机值；

(2)随机选取一模式对 $A_k=[a_1^k,a_2^k,\·\·\·,a_n^k],Y_k=[y_1^k,y_2^k,\·\·\·,y_q^k],$ 提供给网络；

用输入模式 $A_k=[a_1^k,a_2^k,\·\·\·,a_n^k],$ 连接权W_ij和阈值θ_j计算中间层各神经元的输入s_j(激活值)，然后用s_j通过激活函数获得中间层的输出b_j，即公式(3)：

$b_j=f\left(s_j\right)=\frac{1}{1+\exp (-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}\·a_i+{\mathrm{\θ}}_j)},(j=\mathrm{1,2},\·\·\·,p)---\left(3\right)$

(3)用中间层的输出b_j、连接权V_jt和阈值γ_t计算输出层各单元的输入l_t(激活值)，然后用l_t通过激活函数计算输出层各单元的输出c_t，即公式(5)：

$c_t=f\left(l_t\right)=\frac{1}{1+\exp (-\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{V}_{\mathrm{jt}}\·b_t+{\mathrm{\γ}}_t)},(t=\mathrm{1,2},\·\·\·,1)---\left(5\right)$

式中V_jt-中间层第j单元至输出层第t单元连接权；

γ_t-输出层第t单元阈值；

f-S型激活函数；

(4)用希望输出模式 $Y_k=[y_1^k,y_2^k,\·\·\·,y_q^k],$ 网络实际输出c_t计算输出层各单元的校正误差d_t ^k，即公式(6)：

$d_t^k=(y_t^k-c_t^k)\·f^{\′}\left(l_t^k\right)=(y_t^k-c_t^k)\·c_t^k(1-c_t^k),t=\mathrm{1,2},\·\·\·,1,k=\mathrm{1,2},\·\·\·,---\left(6\right)$

式中y_t ^k-期望输出；

    c_t ^k-实际输出；

    f′-对输出层函数的导数；

(5)用V_jt，d_t，b_j计算中间层的校正误差e_j ^k，即公式(7)；

$e_j^k=(\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{V}_{\mathrm{jt}}\·d_t^k)\·f^{\′}\left(s_j^k\right)=(\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{V}_{\mathrm{jt}}\·d_t^k)\·b_j\·(1-b_j),(j=\mathrm{1,2},\·\·\·p,k=\mathrm{1,2},\·\·\·,m)---\left(7\right)$

用d_t ^k，b_j，V_jt和γ_t计算下一次的中间层和输出层之间的新连接权，即公式(8)和(9)：

$V_{\mathrm{jt}}(N+1)=V_{\mathrm{jt}}\left(N\right)+\mathrm{\α}\·d_t^k\·b_j\⇒{\mathrm{\ΔV}}_{\mathrm{jt}}=\mathrm{\α}\·d_t^k\·b_j^k---\left(8\right)$

${\mathrm{\γ}}_t(N+1)={\mathrm{\γ}}_t\left(N\right)+\mathrm{\α}\·d_t^k\⇒{\mathrm{\Δ\γ}}_t=\mathrm{\α}\·d_t^k---\left(9\right)$

式中b_j ^k-中间层第j单元的输出；

d_t ^k-输出层的校正误差；

j＝1，2，…，p    t＝1，2，…，q    k＝1，2，…，m    0＜α＜1(学习系数)；

(6)由e_j ^k，a_i ^k，w_ij和θ_j计算下一次的输入层和中间层之间的新连接权，即公式(10)和(11)：

$W_{\mathrm{ij}}(N+1)=W_{\mathrm{ij}}\left(N\right)+{\mathrm{\ΔW}}_{\mathrm{ij}}=W_{\mathrm{ij}}\left(N\right)+\mathrm{\β}\·e_j^k\·a_i^k\⇒{\mathrm{\ΔW}}_{\mathrm{ij}}=\mathrm{\β}\·e_j^k\·a_i^k---\left(10\right)$

${\mathrm{\θ}}_j(N+1)={\mathrm{\θ}}_j\left(N\right)+{\mathrm{\Δ\θ}}_j={\mathrm{\θ}}_j\left(N\right)+\mathrm{\β}\·e_j^k\⇒{\mathrm{\Δ\θ}}_j=\mathrm{\β}\·e_j^k---\left(11\right)$

式中e_j ^k-中间层第j单元的校正误差；

i＝1，2，…，n    0＜β＜1(学习系数)；

(7)选取下一个学习模式对提供给网络，返回到第三步，直至全部m个模式对训练完；

(8)重新从m个学习模式对中随机选取一个模式对，返回到第三步，直至网络全局误差函数E小于预先设定的限制值。

3、如权利要求1所述的基于Internet网的锅炉传感器故障诊断和容错一体化方法，其特征在于该方法中对于多传感器，假定任一时刻最多只有一个传感器发生故障。

4、实现如权利要求1所述的基于Internet网的锅炉传感器故障诊断和容错一体化方法的装置，其特征在于该装置包括远程故障诊断容错系统、Internet网、上位机、下位机、现场传感变送部分和控制部分，其中：

现场传感变送部分：包括温度、液位、流量、压力检测仪表，负责将参数采集并传送；

下位机：负责把采集的信号A/D转换，并把信号传送给上位机；把控制信号D/A转换，控制锅炉系统；

上位机：收集本地下位机数据，并通过Internet网传送给远程故障诊断和容错控制系统，通过Internet网接收远程故障诊断和容错控制系统发出的控制信号，传送给下位机；

Internet网：远程故障诊断和容错控制系统通过Internet网接收和发送信号；

控制部分：接收由下位机传送的容错控制信号，对现场实现控制；

其工作过程为：在锅炉现场安装检测仪表，检测仪表将采集的信号送到下位机，下位机定时将采集信号传送到上位机，上位机把接受的数据通过Internet网传到远程故障诊断容错控制系统，进行故障诊断及容错分析，然后把控制信号通过Internet网发回上位机，上位机再把信号发送给下位机，由下位机给控制部分发送控制信号完成控制。

Images