未来智讯 > 神经网络论文 > 基于RBF神经网络的把握体系传感器阻碍诊断要领

基于RBF神经网络的把握体系传感器阻碍诊断要领

发布时间:2019-01-22 01:06:01 文章来源:未来智讯    
    基于RBF神经网络的把握体系传感器阻碍诊断要领作者:未知   摘 要:针对现行切磋中压铸机实时检测与把握体系中有关传感器的多见阻碍问题,议决对人造神经网络理论与要领的进修,设立了一种基于径向量基函数神经网络RBFNN的把握体系传感器阻碍诊断观测器模子。议决来自压铸机的实测参数进行模子训练,选取混沌K均值聚类算法采用聚类中心,行使该观测器确定传感器输出值与传感器现实输出值之间的残差,以此判别传感器是否产生阻碍。仿真了局证明,RBFNN观测用具有较强的非线性处置和随意率性函数迫近的才力,展望精度高,进修时间短,网络运算速率快,本能不变,可餍足传感器阻碍诊断的要求。
  关头词:压铸机;RBFNN;阻碍诊断;混沌K均值聚类算法
  中图分类号:TP212文献标识码:A
  文章编号:1004-373X(2009)12-179-04
  
  Method of Control System Sensor Fault Dignosis Based on RBF Neural Network
  PENG Jishen,DONG Jing
  (Faculty of Electrical and Engineering Control,Liaoning Technical University,Huludao,125105,China)
  Abstract:For the problems of related sensor common fault in the die casting machine real-time detection and control system,through the study of artificial neural network′s theory and methods,sensor fault diagnosis observer model of control system based on a radial basis function neural network control system RBFNN is established.The model is trained by the measured parameters of die-casting machine,adopting fuzzy K means clustering algorithm to select clustering centre,using the observer to forecast the residuals between the sensor output value and the sensor actual output value to diagnose sensor fault.The simulated results show that RBFNN observer has strong capacity of non-linear process and arbitrary function approximation,and has many advantages such as high-precision,learning time short,rapid network computing and stable performance to meet the requirements of sensor fault diagnosis.
  Keywords:die casting machine;RBFNN;fault dignosis;fuzzy K means clustering algorithm
  
  0 引 言
  传感器是现行切磋的压铸机实时检测与把握体系[1]的关头部件,体系行使传感器对压铸机的各严重电控参数(如:合型力、油压、压射速率、模具温度等)进行检测,并进行正确把握。这一过程中,各传感器输出旌旗灯号的质量尤为严重,其好坏水平直接影响压铸机把握体系剖析、处置数据的正确性,最后影响压铸件产物质量的好坏。因为大型压铸机出产情况较为卑劣,持久的高温、高压、高粉尘及来自周边器械的电磁作梗等因素的存在,不行幸免地会造成传感器软硬阻碍的产生,有阻碍的传感器所发出的错误旌旗灯号,会使整个压铸机把握体系剖析、处置和把握功能紊乱,造成体系无法正常运行,带来无法稚嫩预计的出产安好隐患及重要的后果。是以,对压铸机把握体系中传感器阻碍诊断要领的切磋具有严重的意义。
  人造神经网络[2](神经网络)是传感器阻碍诊断的要领之一。神经网络是有大量人造神经元相互联贯而组成的网络。它以分布的体式格局存储信息,行使网络拓扑布局和权值分布兑现非线性的映射,并行使全局并行处置兑现从输入空间到输出空间的非线性信息变换。对付特定问题适当设立神经网络诊断体系,能够从其输入数据(代表阻碍症状)直接推出输出数据(代表阻碍缘故),从而兑现非线性信息变换。层状布局的神经网络输入层、输出层及介于二者之间的隐含层组成。依据用于输入层到输出层之间谋略的传递函数各异,提议一种基于径向基函数RBF神经网络的传感器阻碍诊断策略[3-5]。
  1 RBF神经网络的模子
  径向基函数神经网络[6,7](RBFNN)是一种新式神经网络,属于多层前馈网络,即前后相连的两层之间神经元相互联贯,在各神经元之间异国反馈。RBFNN的三层布局与传统的BP网络布局不异,由输入层、隐含层和输出层组成,其布局见图1。个中,用隐含层和输出层的节点谋略的功能节点称谋略单位。
  图1 RBF神经网络布局图
  RBF神经网络输入层、隐含层、输出层的节点数离别为n,m,p;设输入层的输入为X=(x1,x2,…,xj,…,xn),现实输出为Y=(y1,y2,…,yk,…,yp)。输入层节点过错输入向量做任何操作,直接传递到隐含层,兑现从X→Fi(x)的非线性映射。隐含层节点由非负非线性高斯径向基函数组成,如式(1)所示。
  Fi(x)=exp(-‖x-ci‖/2σ2i), i=1,2,…,m(1)
  式中:Fi(x)为第i个隐含层节点的输出;x为n维输入向量;ci为第i个基函数的中心,与x具有不异维数的向量;σi为第i个感知的变量,它决意了该基函数围绕中心点的宽度;m为感知单位的个数(隐含层节点数)。‖x-ci‖为向量x-ci的范数,平日表现x与ci之间的距离;Fi(x)在ci处有一个惟一的最大值,跟着‖x-ci‖的增大,Fi(x)麻利衰减到零。对付给定的输入,惟有一小局部亲近x的中心被激活。隐含层到输出层选取从Fi(x)→yk的线性映射,输出层第k个神经元网络输出见式(2):
  k=∑mi=1ωikFi(x), k=1,2,…,p(2)
  式中:k为输出层第k个神经元的输出;m为隐层节点数;p为输出层节点数;ωik为隐层第i个神经元与输出层第k个神经元的联贯权值。
  RBF网络的权值算法是单层进行的。它的事情原理选取聚类功能,由训练获得输入数据的聚类中心,议决σ值调度基函数的灵敏度,也便是 RBF曲线的宽度。虽然网络布局看上去是全联贯的,现实事情时网络是部分事情的,即对输入的一组数据,网络惟有一个神经元被激活,其他神经元被激活的水平可忽视。以是 RBF网络是一个部分迫近网络,这使得它的训练速率要比 BP网络快 2~3 个数目级。当确定了RBF网络的聚类中心ci、权值ωik以后,就可求出给定某一输入时,网络对应的输出值。
  2 算法进修
  在此选取混沌K均值聚类算法[8]来确定各基函数的中心及响应的方差,而网络权值实在用部分梯度降落法来批改,算法如下:
  2.1 行使混沌K均值聚类算法确定基函数中心ci
  (1) 随即选择h个样本作为ci(i=1,2,…,h)的初值,其他样本与中心ci欧氏距离远近归入没一类,从而形成h个子类ai(i=1,2,…,h);
  (2) 从头谋略各子类中心ci的值,ci=1si∑sik=1xk。个中,xk∈ai;si为子集ai的样本数,同时谋略每个样本属于每其中心的从属度为:
  uij=min∑sij=1‖xj-ci‖‖xk-ci‖, xj,xk∈ai(3)
  U={uij∈[0,1]|i=1,2,…,h;j=1,2,…,s}
  (3) 确定ci是否在容许的偏差局限内,如果则告终,不是则凭据样本的从属度调解子类个数,转到(2)继续。
  2.2 确定基函数的宽度(偏差σ)
  σ2=(∑sj=1uij‖xj-ci‖)∑sj=1uij(4)
  式中:ai因此ci为中心的样簿本集。
  基函数中心和宽度参数确定后,隐含层执行的是一种固定稳定的非线性变换,第i个隐节点输出界说为:
  Fi(x)=exp(-‖x-ci‖2/2σ2i)∑mi=1exp(-‖x-ci‖2/2σ2i)(5)
  2.3 调度隐层单位到输出单位间的联贯权
  网络的指标函数为:
  E=12N∑NK=1[y(xk)-(xk)]2(6)
  也便是总的偏差函数。式中:y(xk)是相对付输入xk的现实输出;(xk)是相对付xk的盼望输出;N为训练样本集结的总样本数。对付RBFNN,参数实在定应能是网络在最小二乘意义下迫近所对应的映射关系,也便是使E到达最小。是以,这里行使梯度降落法批改网络隐含层到输出层的权值ω,使指标函数到达最小。
  Δωi=-η��E��(xk)•��(xk)�郸�i(7)
  式中:η为进修率,取值为0~1之间的少量。凭据上面式(6),式(7)最后能够确定权值ω的每步伐整量:
  Δωi=-ηN∑[y(xk)-(xk)]bi(xk)(8)
  权值ω的批改公式为:
  ωi←ωi+Δωi,i=1,2,…,m(9)
  行使上述进修要领获得ci=8.1,σ=0.01。
  3 把握体系传感器阻碍诊断与仿真切磋
  3.1 观测器模子与阻碍诊断
  压铸机检测与把握体系中传感器首要检测的参数有合型力、油压、模具温度、压射速率,各参数随时间改变输入与输出之间存在较着的非线性关系。RBF神经网络模子具有较强的非线性处置和随意率性函数迫近的才力。图2为基于RBF神经网络的传感器阻碍诊断原理。
  图2 基于RBFNN的传感器阻碍诊断原理图
  图2中虚线框所示局部即为RBFNN观测器原理。基本思惟:议决正常环境下非线性体系的现实输入和传感器的输出进修体系的特征,用已经训练好的观测器的输出于现实体系的输出做比力,将两者之差做残差,再对残差进行剖析、处置,获得阻碍信息,并行使残差旌旗灯号对传感器阻碍缘故进行诊断[9]。
  非线性体系:
  y(k)=f[u(k-d),y(k-1)](10)
  u(k-d)=[u(k-d),u(k-d-1),…,u(k-d-l)](11)
  y(k-d)=[y(k-1),u(k-2),…,y(k-n)](12)
  式中:y(k)是传感器现实输出;u(k)是体系现实输入;f(•)代表某个未知的动态体系(压铸机)的非线性关系;n,l,d离别代表体系布局的阶次和时间延迟,而且假如u(k),y(k)是可测的。
  行使RBF神经网络模子的径向基函数来迫近f(•)。将函数:
  X(k)=y(k)=[u(k-d),u(k-d-1),…,
  u(k-d-l),y(k-1),y(k-2),…,y(k-n)](13)
  作为RBF神经网络训练模子输入层的输入,议决上述隐含层高斯径向基函数进行非线性变换,再行使上述混沌K均值聚类算法来采用聚类中心和训练权值,最终获得整个网络的输出:
  (k)=∑mi=1ωiFi(k)+θ(14)
  式中:(k)为输出层的输出;ωi为批改后的权值;Fi(k)为第i个隐层节点的输出;θ为输出层节点的阀值,并将(k)与当前体系的现实输出y(k)进行比力,获得残差δ(k)。若δ(k)小于预定阀值θ,表现传感器正常事情,此时选取体系现实输出的数据;若δ(k)大于预定阀值θ,讲明传感器产生阻碍,此时选取RBFNN观测器的观测数据作为体系的真正输出,兑现旌旗灯号的收复功能。
  3.2 仿真正验
  在压铸机体系各传感器正常事情时赓续采集52组有关数据,将其分成2组,前40组用于对RBF神经网络进行离线训练,以构建RBF神经网络观测器;后12组用于对训练好的网络进行测试。表1为训练样本库中的局部数据。
  表1 用于RBF神经网络训练的局部数据
  序号合型力 /MPa油压 /MPa压射速率 /m/s模具温度 /℃
  111.258.962.50353.21
  211.408.902.52353.30
  311.409.002.46354.20
  411.259.002.42354.50
  511.009.102.42353.61
  611.709.102.56353.14
  712.009.122.60352.90
  812.109.212.60352.95
  912.109.232.52353.76
  1011.709.122.68353.21
  1111.258.902.68356.12
  1211.258.892.62355.32
  1311.328.982.48354.46
  1411.329.112.48353.62
  1511.459.102.50355.00
  1612.109.112.42356.18
  因为表1中的4个参数的物理意义、量级各不不异,务必颠末归一化处置后才气用于神经网络的训练,用Matlab[10]的Simulink仿真东西箱供给的函数对数据进行归一化处置使数据位于[-1,1]之间。训练告终后割断进修过程使网络处于回忆状况,将体系现实输出与网络模子的输出相减就能够得到残差。以合型力传感器为例,采样时间为0.5 s,行使上面的进修样本在时间T∈[1 s,1 000 s]内对RBF神经网络进行训练,了局颠末约50步训练偏差就到达10-7并快速削减,如图3所示。
  图4为用后12组数据对RBF神经网络进行测试时,跟踪正常合型力传感器勘测值y的环境,其最大偏差不跨越1.5 MPa,以是训练好的RBF神经网络具有必然的泛化才力,能够较好的观测、跟踪合型机构近况。
  现针对传感器常常产生的卡死阻碍、漂移阻碍和恒增益阻碍进行模仿仿真正验。当合型力传感器正常事情时,RBFNN观测器输出与合型力传感器勘测值y之间的残差δ=-y类似为高斯白噪声序列,其均值类似为零;当传感器产生阻碍时,因为y不克不及正确反响合型力数据,导致δ突变,不再餍足白噪声特征。凭据上面所述的传感器阻碍诊断原理,设定阀值θ=2.7 MPa,图5表现合型力传感器在T∈[400 s,600 s]内产生卡死阻碍时的输出残差曲线;图6表现传感器在T∈[600 s,1 000 s]内产生漂移阻碍;图7表现传感器在T∈[800 s,1 000 s]内产生恒增益阻碍时的输出残差曲线。
  图3 RBFNN训练过程偏差拘谨环境
  图4 合型力传感器正常事情时的残差曲线
  图5 合型力传感器产生卡死阻碍时的残差曲线
  图6 合型力传感器呈现漂移阻碍时的残差曲线
  议决对各类典型阻碍的仿真正验,可以正确检测到合型力传感的各类阻碍。
  图7 合型力传感器呈现恒增益阻碍时的残差曲线
  4 结 语
  在此依据径向基(RBF)神经网络原理,以压铸机把握体系各传感器的输出参数作为RBF神经网络的输入,选取混沌K均值聚类算法采用聚类中心,设立传感器RBF神经网络观测器模子对把握体系传感器进行阻碍诊断,仿真正验证明径向基神经网络具有较强的非线性处置和迫近才力,泛化才力强,网络运算速率快,可以正确发现和处置阻碍旌旗灯号,本能不变。是以,RBF神经网络阻碍诊断是压铸机把握体系一个必不行少的新经管东西。
  
  参考文献
  [1]彭继慎.压铸机把握技艺[M].北京:机器工业出书社,2006.
  [2]韩力群.人造神经网络教程[M].北京:北京邮电大学出书社,2006.
  [3]王军,吕震中,曹荃,等.基于神经网络的传感器的阻碍诊断要领与应用[J].主动化仪表,2003,24(10):21-24.
  [4]翁桂荣,叶萍.基于RBF的传感器在线阻碍诊断和旌旗灯号收复[J].传感器技艺,2003,22(10):50-53.
  [5]胡喷鼻玲,冯浩,华亮.基于RBF神经网络的变压器护卫[J].电气应用,2005,24(10):59-62.
  [6]赵望达,刘勇求,贺毅.基于RBF神经网络提高压力传感器精度的新要领[J].传感技艺学报,2004,23(4):640-642.
  [7]张秀玲,李海滨.一种基于RBF神经网络的数字模式辨认要领[J].仪器仪表学报,2002(6):265-267.
  [8]张小军,冯雄伟.基于径向基函数神经网络的车型辨认技艺[J].西北大学学报:天然科学版,2006(2):21-24.
  [9]曹原,侍洪波.一种集成传感器阻碍诊断方案[J].微电脑应用,2004,20(10):50-52.
  [10]张静.Matlab在把握体系中的应用[M].北京:电子工业出书社,2007.

转载请注明来源。原文地址:https://www.7428.cn/page/2019/0122/80353/
 与本篇相关的热门内容: