基于RBF神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)傳感器故障診斷方法

引 言
傳感器是現(xiàn)行研究的壓鑄機(jī)實(shí)時(shí)檢測(cè)與控制系統(tǒng)的關(guān)鍵部件，系統(tǒng)利用傳感器對(duì)壓鑄機(jī)的各重要電控參數(shù) (如：合型力、油壓、壓射速度、模具溫度等)進(jìn)行檢測(cè)，并進(jìn)行準(zhǔn)確控制。這一過程中，各傳感器輸出信號(hào)的質(zhì)量尤為重要，其優(yōu)劣程度直接影響壓鑄機(jī)控制系統(tǒng)分析、處理數(shù)據(jù)的準(zhǔn)確性，最終影響壓鑄件產(chǎn)品質(zhì)量的優(yōu)劣。由于大型壓鑄機(jī)生產(chǎn)環(huán)境較為惡劣，長(zhǎng)期的高溫、高壓、高粉塵及來自周邊器械的電磁干擾等因素的存在，不可避免地會(huì)造成傳感器軟硬故障的發(fā)生，有故障的傳感器所發(fā)出的錯(cuò)誤信號(hào)，會(huì)使整個(gè)壓鑄機(jī)控制系統(tǒng)分析、處理和控制功能紊亂，造成系統(tǒng)無法正常運(yùn)行，帶來無法估計(jì)的生產(chǎn)安全隱患及嚴(yán)重的后果。因此，對(duì)壓鑄機(jī)控制系統(tǒng)中傳感器故障診斷方法的研究具有重要的意義。
人工神經(jīng)網(wǎng)絡(luò)(神經(jīng)網(wǎng)絡(luò))是傳感器故障診斷的方法之一。神經(jīng)網(wǎng)絡(luò)是有大量人工神經(jīng)元相互連接而構(gòu)成的網(wǎng)絡(luò)。它以分布的方式存儲(chǔ)信息，利用網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和權(quán)值分布實(shí)現(xiàn)非線性的映射，并利用全局并行處理實(shí)現(xiàn)從輸入空間到輸出空間的非線性信息變換。對(duì)于特定問題適當(dāng)建立神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)，可以從其輸入數(shù)據(jù)(代表故障癥狀)直接推出輸出數(shù)據(jù)(代表故障原因)，從而實(shí)現(xiàn)非線性信息變換。層狀結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)輸入層、輸出層及介于二者之間的隱含層構(gòu)成。依據(jù)用于輸入層到輸出層之間計(jì)算的傳遞函數(shù)不同，提出一種基于徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷策略。

1 RBF神經(jīng)網(wǎng)絡(luò)的模型
徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)是一種新型神經(jīng)網(wǎng)絡(luò)，屬于多層前饋網(wǎng)絡(luò)，即前后相連的兩層之間神經(jīng)元相互連接，在各神經(jīng)元之間沒有反饋。RBFNN的三層結(jié)構(gòu)與傳統(tǒng)的BP網(wǎng)絡(luò)結(jié)構(gòu)相同，由輸入層、隱含層和輸出層構(gòu)成，其結(jié)構(gòu)見圖1。其中，用隱含層和輸出層的節(jié)點(diǎn)計(jì)算的功能節(jié)點(diǎn)稱計(jì)算單元。

RBF神經(jīng)網(wǎng)絡(luò)輸入層、隱含層、輸出層的節(jié)點(diǎn)數(shù)分別為n，m，p；設(shè)輸人層的輸入為x=(x1，x2，…，xj，…，xn)，實(shí)際輸出為Y=(y1， y2，…，yk，…，yp)。輸入層節(jié)點(diǎn)不對(duì)輸入向量做任何操作，直接傳遞到隱含層，實(shí)現(xiàn)從X→Fi(x)的非線性映射。隱含層節(jié)點(diǎn)由非負(fù)非線性高斯徑向基函數(shù)構(gòu)成，如式(1)所示。

式中：Fi(x)為第i個(gè)隱含層節(jié)點(diǎn)的輸出；x為n維輸入向量；ci為第i個(gè)基函數(shù)的中心，與x具有相同維數(shù)的向量；σi為第i個(gè)感知的變量，它決定了該基函數(shù)圍繞中心點(diǎn)的寬度；m為感知單元的個(gè)數(shù)(隱含層節(jié)點(diǎn)數(shù))。|| x-ci||為向量x-ci的范數(shù)，通常表示x與ci之間的距離；Fi(x)在ci處有一個(gè)惟一的最大值，隨著|| x-ci||的增大，F(xiàn)i(x)迅速衰減到零。對(duì)于給定的輸入，只有一小部分靠近x的中心被激活。隱含層到輸出層采用從Fi(x)→yk的線性映射，輸出層第k個(gè)神經(jīng)元網(wǎng)絡(luò)輸出見式(2)：

式中：yk為輸出層第k個(gè)神經(jīng)元的輸出；m為隱層節(jié)點(diǎn)數(shù)；p為輸出層節(jié)點(diǎn)數(shù)；ωik為隱層第i個(gè)神經(jīng)元與輸出層第k個(gè)神經(jīng)元的連接權(quán)值。
RBF網(wǎng)絡(luò)的權(quán)值算法是單層進(jìn)行的。它的工作原理采用聚類功能，由訓(xùn)練得到輸入數(shù)據(jù)的聚類中心，通過δ值調(diào)節(jié)基函數(shù)的靈敏度，也就是RBF曲線的寬度。雖然網(wǎng)絡(luò)結(jié)構(gòu)看上去是全連接的，實(shí)際工作時(shí)網(wǎng)絡(luò)是局部工作的，即對(duì)輸人的一組數(shù)據(jù)，網(wǎng)絡(luò)只有一個(gè)神經(jīng)元被激活，其他神經(jīng)元被激活的程度可忽略。所以RBF網(wǎng)絡(luò)是一個(gè)局部逼近網(wǎng)絡(luò)，這使得它的訓(xùn)練速度要比BP網(wǎng)絡(luò)快2～3個(gè)數(shù)量級(jí)。當(dāng)確定了RBF網(wǎng)絡(luò)的聚類中心ci、權(quán)值ωik以后，就可求出給定某一輸入時(shí)，網(wǎng)絡(luò)對(duì)應(yīng)的輸出值。

2 算法學(xué)習(xí)
在此采用模糊K均值聚類算法來確定各基函數(shù)的中心及相應(yīng)的方差，而網(wǎng)絡(luò)權(quán)值的確用局部梯度下降法來修正，算法如下：
2．1 利用模糊K均值聚類算法確定基函數(shù)中心ci
(1)隨即選擇h個(gè)樣本作為ci(i=1，2，…，h)的初值。其他樣本與中心ci歐氏距離遠(yuǎn)近歸人沒一類，從而形成h個(gè)子類ai(i=1，2，…，h)；
si
(2)重新計(jì)算各子類中心ci的值，其中，xk∈ai；si為子集ai的樣本數(shù)，同時(shí)計(jì)算每個(gè)樣本屬于每個(gè)中心的隸屬度為：

(3)確定ci是否在容許的誤差范圍內(nèi)，若是則結(jié)束，不是則根據(jù)樣本的隸屬度調(diào)整子類個(gè)數(shù)，轉(zhuǎn)到(2)繼續(xù)。