[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

摘要

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。

主权项

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f(δkj(h))=1-c1|δkj(h)|0≤|δkj(h)|≤1c101c1<|δkj(h)|≤2---(A)]]>f2(δkj(h))=exp(-c2(δkj(h))2),0≤|δkj(h)|≤2---(B)]]>f3(δkj(h))=11+c3(δkj(h))2,0≤|δkj(h)|≤2---(C)]]>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。