[发明专利]一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法

权利要求书

1.一种基于鲁棒输入训练神经网络的多传感器故障诊断方法，其特征在于：包括如下步骤：

(1)通过离线稳态试验获得先验稳态样本集：

D＝{x₁,x₂,…,x_L}，下标L表示样本个数，样本x_i∈D，样本x_i＝{x_i1,x_i2,…,x_in}，下标i为样本编号，n表示样本的变量个数；将该样本集D作为初始的训练样本集进行RITNN(输入性神经网络)模型的构建和学习；

(2)通过网络交换机及数据输入接口机，实时获取DCS数据，将其作为过程数据新增样本x_k，对该新增样本进行标准化处理得到x_k′＝{x′_k1,x′_k2,…,x′_kn}，其中0≤x′_kj≤1，j为变量序号；

(3)确定标准化样本x_k′对应变量的可靠性系数：

ξ_k＝{ξ_k1,ξ_k2,…,ξ_kn}，其中ξ_kj>0，根据各参数对应传感器的故障历史，将各参数的可靠性系数设定为大于1；

(4)初始化样本变量的影响因子值测试次数h＝1,2,...,h_max，h_max为测试次数上限值，第h次测试时

(5)利用RITNN模型对x_k′进行测试，得到输出值计算测量值x_k′与RITNN输出值的偏差得到所有偏差集合

(6)选择下面三种线性函数之一作为影响因子函数

$f\left({\mathrm{\δ}}_{kj}^{\left(h\right)}\right)=\left\{\begin{array}{cc}1-c_1\left|{\mathrm{\δ}}_{kj}^{\left(h\right)}\right|& 0\≤\left|{\mathrm{\δ}}_{kj}^{\left(h\right)}\right|\≤\frac{1}{c_1}\\ 0& \frac{1}{c_1}\<\left|{\mathrm{\δ}}_{kj}^{\left(h\right)}\right|\≤2\end{array}\right.---\left(A\right)$

$f_2\left({\mathrm{\δ}}_{kj}^{\left(h\right)}\right)=\exp (-c_2{\left({\mathrm{\δ}}_{kj}^{\left(h\right)}\right)}^2),0\≤\left|{\mathrm{\δ}}_{kj}^{\left(h\right)}\right|\≤2---\left(B\right)$

$f_3\left({\mathrm{\δ}}_{kj}^{\left(h\right)}\right)=\frac{1}{1+c_3{\left({\mathrm{\δ}}_{kj}^{\left(h\right)}\right)}^2},0\≤\left|{\mathrm{\δ}}_{kj}^{\left(h\right)}\right|\≤2---\left(C\right)$

其中：c₁～c₃为调节系数；求得一种影响因子函数对应的值更新影响因子

(7)设为两次相邻测试偏差差值向量的某一范数，为设定检验值，若成立，返回步骤(5)进行下一次测试，反之，本组样本测试结束，数据重构完成。

2.根据权利要求1所述的基于鲁棒输入训练神经网络的多传感器故障诊断方法，其特征在于：所述c₁～c₃调节系数由测量数据某一置信限下的故障阈值确定。