| 3 人工神经网络实现的故障诊断
在1943 年, Warren Mc Culloch和WalterPitts提出了第一个人工神经网络(ANN) 模型, 标志着人工神经网络研究的开始。人工神经网络由神经元相互连接构成, 神经元的组织方式模仿人脑中神经细胞网络,动作方式和生物神经细胞的功能相似。将人工神经网络引入故障诊断领域, 则产生了一种新的故障诊断方法。
该文选用BP 网络, 如图2 所示。为了获得最好的故障诊断效果, 隐含层选为一层。神经元的转换函数选用Sigmoid 函数。应用人工神经网络来解决实际问题, 关键是确定训练样本。如果用F( n - 1)表示在K( n - 1)工步发生了死工作状态故障,则F( n- 1) 与C( n - 1)、K( n - 1) 、T( n - 1) 之间的关系可用⑸式表示。在不同的工步中, PLC 输出控制信号的状态不同, 工步可用一组PLC 输出控制信号来表示工步。工步K( n - 1) 、K( n) 、K( n + 1) 、K( n + 2) 用PLC输出控制信号表示如⑹～⑼式。根据⑴～ ⑼式, 可以得到图1 控制程序故障诊断训练样本, 如表1 所示。
F( n - 1) = C( n - 1) ·K( n - 1) ·T( n- 1) ⑸
式中: F( n - 1) ——取“1”表示在K( n - 1) 工步发生了死工作状态故障;取“0”表示在
K( n - 1) 工步没有发生死工作状态故障
C( n - 1) ——取“1”表示转移条件满足;取“0”表示转移条件不满足;
K( n - 1) ——取“1”表示当前处于K( n - 1) 工步;取“0”表示当前没有处于
K( n- 1) 工步;
T( n - 1)——取“1”表示“看门狗”定时器检测到故障; 取“0”表示“看门狗”定时器没有检测到故障。
K ( n - 1) = A·B·C·D (6)
K ( n) = A·B·C·D (7)
K ( n - 1) = A·B·C·D(8)
K ( n - 2) = A·B·C·D (9)
表1 故障训练样本
| 转移条件 |
“看门狗”定时器 |
工步 |
理想输出 |
| a b c d e f |
T(n-1) T(n) T(n+1) T(n+2) |
A B C D |
a’b’c’d’e’f’ |
| 0 0 ´ ´ ´ ´ |
1 ´ ´ ´ |
1 1 0 0 |
1 0 0 0 0 0 |
| 1 1 ´ ´ ´ ´ |
1 ´ ´ ´ |
1 1 0 0 |
0 1 0 0 0 0 |
| 0 1 ´ ´ ´ ´ |
1 ´ ´ ´ |
1 1 0 0 |
1 1 0 0 0 0 |
| ´ ´ 1 1 ´ ´ |
´ 1 ´ ´ |
0 1 0 0 |
0 0 1 0 0 0 |
| ´ ´ 0 0 ´ ´ |
´ 1 ´ ´ |
0 1 0 0 |
0 0 0 1 0 0 |
| ´ ´ 1 0 ´ ´ |
´ 1 ´ ´ |
0 1 0 0 |
0 0 1 1 0 0 |
| ´ ´ ´ ´ 0 ´ |
´ ´ 1 ´ |
0 1 0 0 |
0 0 0 0 1 0 |
| ´ ´ ´ ´ ´ 0 |
´ ´ ´ ´ |
0 0 0 1 |
0 0 0 0 0 1 |
| ┆ ┆ ┆ ┆ ┆ ┆ |
┆ ┆ ┆ ┆ |
┆ ┆ ┆ ┆ |
┆ ┆ ┆ ┆ ┆ ┆ |
注: a′—“1”表示输入信号a 发生故障;“0”表示输入信a 正常, b′～ f′类似。
x—可以取0 , 也可以取1。
4 应用实例
将该方法应用于某电厂气动除灰装置控制系统故障诊断, 总体训练样本如表2 所示(由于在不同的工步中, PLC 输出控制信号的状态不同, 所以在表2中用PLC 输出控制信号来表示工步) 。该气动除灰装置共有30 个工作单元(气锁阀) , 每个工作单元有12个输入P输出信号, 输入信号分别是: 进料阀关到位( r) , 出料阀关到位( s) , 进料阀密封( t) , 出料阀密封( x) , 电场隔离阀开到位( y) ; 输出信号分别是: 进料阀开( A ) , 出料阀开( B ) , 平衡阀开( C) , 进料阀密封( D) , 出料阀密封( E) , 气锁阀气化( F) , 电场隔离阀开( G) 。在上位机监控程序中加入故障诊断模块, 当故障发生后, 上位机立刻读取PLC 内部状态, 启动故障诊断程序, 输出故障诊断结果。在现场调试过程中进行了多次实验, 故障诊断正确率达到96 %以上。
表2 气力除灰装置总体训练样本
注: x′—“1”表示输入信号r 发生故障;“0”表示输入信号r 正常, s′～ y′类似。
x—可以取0 , 也可以取1。
5 结论
可编程序控制器控制系统80％的故障都是由于PLC 的外围元件（执行元件、传感元件等）或用户使用不当引起的，随着PLC 控制器应用越来越广泛，针对PLC 控制系统故障诊断的研究越来越多，神经元网络是其中一种较好的方法。由于只有一个隐层的神经元BP 网络能够以期望的精度逼近任何非线性函数，因此由输入层、隐单元层、输出层三层组成的感知机BP 网络完全可以完成对PLC 控制系统故障诊断。根据建立的可编程序控制器BP 神经故障诊断系统，可以对PLC控制系统故障进行诊断，经过试验证明，故障诊断正确率在90％以上。
参考文献：
[1] 胡文彬, 周祖德. 基于PLC 信号的现代制造系统顺序控制故障诊断[J ]. 工业控制计算机, 1997 (6) : 27～34.
[2] 彭立军.可编程序控制器输入触点跳动干扰滤除方法.一重技术，2002（2～3）：45～46
[3] 郑晓峰.PLC 控制系统故障诊断分析.机械职业教育，2003，10;37～39
[4]William B. Day , Michael J . Rostosky. Diagnostic ExpertSystems for PLCControlled Manufacturing Equipment [ J ] .International Journal of ComputerIntegrated Manufacturing ,1994. 7 (2) : 116～122
2/2 首页 上一页 1 2 |
