摘  要： 針對單一神經(jīng)網(wǎng)絡(luò)對復(fù)雜模型難以實(shí)時(shí)做出準(zhǔn)確預(yù)測和BP神經(jīng)網(wǎng)絡(luò)自身的缺陷，結(jié)合RBF神經(jīng)網(wǎng)絡(luò)可以逼近任意函數(shù)的特性，提出了基于遺傳優(yōu)化的混合神經(jīng)網(wǎng)絡(luò)模型(RBF-BP)。由RBF網(wǎng)絡(luò)和BP網(wǎng)絡(luò)并聯(lián)作為一個(gè)神經(jīng)網(wǎng)絡(luò)(簡稱為RBF-BP)的隱層，利用該網(wǎng)絡(luò)對被控對象進(jìn)行逼近訓(xùn)練、實(shí)時(shí)故障檢測，該算法同時(shí)具有RBF網(wǎng)絡(luò)和BP網(wǎng)絡(luò)的優(yōu)點(diǎn)，適用于復(fù)雜非線性系統(tǒng)的故障檢測。
關(guān)鍵詞： 實(shí)時(shí)；神經(jīng)網(wǎng)絡(luò)；RBF-BP；故障檢測

    隨著工業(yè)化程度的提高，工業(yè)過程對系統(tǒng)的安全性和可靠性的要求也越來越高。因此，對故障檢測技術(shù)的研究也越來越重要。目前已形成了多種故障檢測技術(shù)，如人工智能[1]、線性矩陣不等式[2]、小波分析[3]和專家系統(tǒng)等方法。由于神經(jīng)網(wǎng)絡(luò)具有在微觀結(jié)構(gòu)上模擬人的認(rèn)識能力的優(yōu)點(diǎn)，它通過模擬人的大腦結(jié)構(gòu)的形象思維來解決實(shí)際問題，決策時(shí)依據(jù)的是經(jīng)驗(yàn)，而不是一組規(guī)劃，對于任意非線性系統(tǒng)都可以看作是由輸入到輸出的一個(gè)映射，而神經(jīng)網(wǎng)絡(luò)具有很好的函數(shù)逼近能力，如RBF神經(jīng)網(wǎng)絡(luò)[4]，所以基于神經(jīng)網(wǎng)絡(luò)的故障檢測方法[5]是一種有效的手段。理論上分析，只要選擇合適的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和連接權(quán)值，多層前饋網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)均可以逼近任意的非線性函數(shù)。但由于BP網(wǎng)絡(luò)具有學(xué)習(xí)速度慢、易陷入局部最優(yōu)等不足，而RBF網(wǎng)絡(luò)具有學(xué)習(xí)快、能夠避免陷入局部最優(yōu)等優(yōu)點(diǎn)，因此本文將兩種單一網(wǎng)絡(luò)相互結(jié)合構(gòu)成一個(gè)網(wǎng)絡(luò)，即RBF-BP，且只考慮穩(wěn)定狀態(tài)下的故障檢測。

    現(xiàn)要求得到某一映射h，在某種條件下，映射h是映射g的最佳逼近，神經(jīng)網(wǎng)絡(luò)就是一個(gè)最好的選擇。利用BP等神經(jīng)網(wǎng)絡(luò)就能夠?qū)崿F(xiàn)對簡單非線性函數(shù)的逼近，但是由于BP網(wǎng)絡(luò)易陷入局部最優(yōu)等不足，而對于RBF神經(jīng)網(wǎng)絡(luò)的非線映射能力主要體現(xiàn)在隱層基函數(shù)上，而基函數(shù)的特性主要由基函數(shù)的中心確定，從數(shù)據(jù)點(diǎn)中任意選取中心構(gòu)造出來的RBF神經(jīng)網(wǎng)絡(luò)的性能同樣不能令人滿意，因此引入RBF-BP神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)如圖1所示。
  
    采用遺傳算法對網(wǎng)絡(luò)的訓(xùn)練實(shí)驗(yàn)結(jié)果如圖2和圖3所示。

3 實(shí)時(shí)故障檢測
    將訓(xùn)練好的RBF-BPNN按圖4所示結(jié)構(gòu)建立仿真模型。

其中δ為經(jīng)過遺傳算法優(yōu)化的RBF-BPNN輸出y與被控對象實(shí)際輸出y的殘差，當(dāng)殘差大于某一設(shè)定的閾值ξ時(shí)就認(rèn)為被控對象發(fā)生了故障，這時(shí)故障識別僅需一個(gè)BP網(wǎng)絡(luò)便可滿足要求，下面是以東大智能多功能過程控制平臺為實(shí)驗(yàn)平臺，以溫控、流速和液位控制作為被控對象進(jìn)行實(shí)驗(yàn)，結(jié)果如下(故障類型設(shè)為DefaultType)：
    (1)當(dāng)無故障發(fā)生時(shí)，系統(tǒng)殘差ε<δ，此時(shí)將視殘差信號作為噪聲處理，實(shí)驗(yàn)結(jié)果如圖5所示(系統(tǒng)正常時(shí)DefaultType輸出為1)。

    (2)當(dāng)系統(tǒng)發(fā)生故障時(shí)，即殘差ε>δ，不能簡單地用消噪的方式消除，此時(shí)根據(jù)領(lǐng)域?qū)＜以O(shè)定的閾值就可判斷被控對象發(fā)生了故障，實(shí)驗(yàn)結(jié)果如圖6、圖7所示。

參考文獻(xiàn)
[1] YUSOF R，ZAFIRA R，RAHMAN A，et al.Fault detection and diagnosis for process control rig using artificial intelligent[J].ICIC Express Letters，2010，4(5B)：1811-1816.
[2] CHUGHTAI S S，Wang Hong.A high-integrity multivariable robust control with application to a process control rig[J]. IEEE Transactions on Control Systems Technology，2007，15(4)：775-785.
[3] 吳艦，吳楠.基于小波分析的煤礦機(jī)電設(shè)備故障檢測關(guān)鍵技術(shù)應(yīng)用研究[J].自動化與儀器儀表，2011(5)：83-89.
[4] 柴杰，江青茵，曹志凱.RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力及其算法[J].模式識別與人工智能，2002，15(3)：310-316.
[5] Zhang Liang，LINDSAY B J，ASOKE K N.Fault detection using genetic programming[J].Systems and Signal Processing，2005(19)：271-289.