基于神經網絡的控制系統故障診斷技術探究

王磊+++劉慧博

摘 要：現代社會的發展促進了神經網絡控制系統的應用，但是由于網絡系統本身存在較大復雜性，當出現運行問題或系統故障時，需要采取技術手段予以集中解決。針對神經網絡控制系統在應用中出現的故障問題，需要在原因分析的基礎上，檢查主要部件包括執行器和傳感器的使用情況，采集故障數據，建立數學模型，利用遺傳算法等集中診斷分析神經網絡控制系統的故障問題。文章在此基礎上，主要對神經網絡的控制系統故障診斷技術內容和要點進行研究與分析。

關鍵詞：神經網絡控制系統；故障診斷；技術分析

現代經濟的發展和科技的進步促進了計算機技術的應用和進步，信息技術和網絡控制系統為工業生產和科學研究帶來巨大便利。現階段，神經網絡控制系統應用趨向于規模化、集中化和專業化，網絡控制技術進步的同時，生產應用率提高，超負荷工作下，容易出現系統故障或癱瘓，造成企業經濟損失，因而需要積極制定有效策略、運用先進技術和手段對神經網絡控制系統故障問題予以集中解決。[1]

1 神經網絡控制系統故障診斷技術發展

1.1 智能化

神經網絡控制系統出現故障，一般需要專業工程師對系統的故障信號進行檢測、搜集和分析，在了解系統故障的發生位置后即可分析研究故障原因。現代網絡信息技術和智能技術的廣泛應用提高了神經網絡控制系統故障的診斷速率。神經網絡控制系統在工業生產等領域應用廣泛，關于系統故障的診斷技術也不斷提高，逐步向智能化和數字化發展。神經網絡控制系統在不同行業應用，但是產生的故障原因不同，采用的診斷方法也不同。一般系統在產生故障時會自動發出警報聲，可第一時間確定系統的故障位置，這種屬于系統故障智能定位。系統控制工作復雜，從應用企業的應用成本考慮，需要使用合理的神經網絡控制系統，同時增加對神經網絡控制系統故障研究成本的投入。

1.2 靈活性

神經網絡控制系統產生故障大多是人工應用不當導致的，因而在故障診斷中由于人的主觀意識，導致系統故障診斷過于單一，且人工判別技術有限，具有較大隨機性和盲目性，對系統故障位置及成因分析判斷的準確度不夠，影響神經網絡控制系統故障修理。然而采取智能技術對神經網絡控制系統故障進行排查和定位具有較強靈活性，可以在假設的基礎上建立數學模型，以數據分析的形式對系統故障部分予以診斷。神經網絡控制系統研發和應用的復雜度不斷提高，不同類型控制系統產生的故障原因也越來越復雜，采用數學建模的方法獲取、分析故障系統數據，能夠增強神經網絡控制系統故障診斷的靈活性和針對性。[2]

2 神經網絡控制系統故障診斷技術應用的內容和要點

2.1 數據建模，隔離故障源

神經網絡控制系統出現故障后無法正常運行，系統某些功能也無法實現，最終導致系統癱瘓、影響工作。針對這種情況需要充分利用人工智能手段診斷系統故障原因，可以利用軟硬件監控系統，在確定故障點后予以隔離，通過數據了解系統產生故障的人工原因和機能原因。技術人員一般需要根據系統工作參數輸出，利用數據建模，以數學表示形式將系統故障信息進行驗證和輸出，作為故障診斷評價的理論依據。對于神經網絡控制系統故障原因診斷后還要進行原因分類，檢測系統變量是否存在異常，若異常則啟動報警裝置，以此排除不合理故障原因。神經網絡控制系統故障發生需要在判斷出原因后根據信息源位置隔離故障部分，對于神經網絡控制系統不同的故障原因和故障程度均要進行量化評估，并采取有效措施解決故障問題。

2.2 BP神經網絡和遺傳算法

神經網絡控制系統主要部分是執行器和傳感器，執行器和傳感器在運行中主要容易出現恒偏差、卡死和恒增益等不同類型的故障。因而在故障診斷中需要利用仿真建模的辦法，將仿真人設定為故障類型，并以此獲得系統變化信息。在神經網絡控制系統故障中一般會應用BP算法，但這種算法單獨使用效率不高，可結合遺傳算法，利用遺傳算法優化BP神經網絡的權值閾值，最后在系統故障歸一化處理后用作訓練數據。遺傳算法的主要特點是全局搜索能力強且運行高效、便捷。傳統的BP算法在受到遺傳算法數據優化后，能夠提高神經網絡控制系統故障診斷的有效率，診斷數據誤差比對后可提高運算速率。[3]

2.3 殘差序列和模型解析

神經網絡控制系統動態模型建立能夠有效提高系統故障診斷與檢修準確率，一般是利用濾波器或觀測器重構控制系統的參數或狀態，并形成殘差序列，對于殘差序列中所包含的故障信息可以采取必要手段進行信息增強，對模型中的非故障信息需要抑制，正常情況下統計分析殘差序列可直接檢測出系統故障發生的位置和原因。系統故障正常值與估計值的偏差分析是研究系統故障程度的關鍵，在參數估計中相對簡單實用的是最小二乘法，魯棒性較強，因而是參數估計的首選方法。系統運行狀態可由被控過程狀態反映，被控過程狀態在重構中形成殘差數列，數列中也包含了不同的故障信息，利用模型統計檢驗出故障，最后用爾曼濾波器進行狀態估計。關于模型等價空間的診斷一般使用無閥值的方法，這種方法是在1984年由willsky和Chow提出，主要是對測量信息進行分類，得到一致的冗余數據子集后，估計系統狀態，并對不同的冗余數據進行識別，完成模型解析。

3 結束語

神經網絡控制系統的應用廣泛，屬于人工智能研究領域的重要部分，要提高系統運行的安全性和穩定性，就要在系統出現故障后采用科學的診斷方法，以建立數學模型的形式對系統故障數據進行檢測和分析。神經網絡控制系統的故障診斷技術研究需要不斷深入，根據系統不同的故障類型采取針對性的解決辦法分析故障原因、定位故障源，并進行隔離排障。[4]

參考文獻

[1]徐巖，秦波.LM-BP神經網絡的叉車液壓系統故障診斷技術研究[J].內蒙古科技與經濟，2016（22）：90-91+93.

[2]祁濤，張彥斌，姚人前.神經網絡技術在智能BIT故障診斷系統中的應用[J].火力與指揮控制，2016（06）：125-128.

[3]黃志強.基于BP神經網絡技術開發港口設備故障診斷專家系統[J].軟件導刊，2012（02）：77-79.

[4]樊立萍，石月，高士宏.基于模糊神經網絡的感應電機控制系統的故障診斷[J].信息系統工程，2010（01）：26-28.

作者簡介：王磊（1987-），男，漢族，內蒙古呼和浩特市人，內蒙古科技大學碩士研究生，從事運動控制方面的研究。

劉慧博（1972-），女，漢族，副教授，內蒙古包頭市人，從事運動控制方面的研究。