论文部分内容阅读
工业控制系统的故障主要有传感器故障、控制器故障、执行器故障和被控过程元部件故障;传统的工业控制系统故障诊断方法往往要求建立准确的被诊断对象的数学模型,而实际上,由于控制系统是电子、机械、软件及其它因素的复合体,控制系统故障具有复杂性和非线性等问题,难以准确建立数学模型;由于神经网络具有自学习和能拟合任意连续非线性函数的能力,应用神经网络理论和方法进行工业控制系统的故障诊断的研究,已成为热门研究课题。大量的研究成果表明神经网络故障诊断技术为工业控制系统的故障诊断问题提供了新的的途径。本文分析了传感器故障的数学模型及传感器故障的类型,给出传感器故障诊断冗余分类法;分析了执行器故障的数学模型、执行器故障的可检测性和执行器故障的功能冗余性的分析方法。根据RBF神经网络训练的时间少,能够以任意精度逼近任意连续函数的特点,提出采用RBF神经网络构造预测器和观测器的方法分别对传感器故障和执行器故障进行诊断,文中设计了径向基函数RBF神经网络的结构和实现算法,解决了传统的观测器方法难以建立准确的数学模型的问题。文章针对TE(Tennessee-Eastman)控制系统,分析了TE系统故障,给出了TE系统的故障样本,提出采用改进的BP神经网络和Hopfield神经网络进行TE系统故障诊断的方法。改进后的BP神经网络收敛速度明显优于典型的BP神经网络,且能获得更好的监控性能,更好的检测出故障的发生。改进的Hopfield神经网络采用两级状态矢量代替原来的二值状态矢量,解决了二值状态矢量下记忆矩阵不包含任何抑制的信息,从而不能正确工作的问题。通过采用Matlab神经网络工具箱实现故障诊断仿真,仿真结果表明基于神经网络的工业控制系统故障诊断方法比传统的故障诊断方法具有更有效和准确的诊断效果。