[发明专利]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

说明书

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，…，x_L}，下标L表示样本个数，样本x_i∈D，样本x_i＝{x_i1，x_i2，…，x_in}，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x_k，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：

ξ_k＝{ξ_k1，ξ_k2，…，ξ_kn}，其中ξ_kj＞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，…，h_max，h_max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