故障诊断装置及其诊断方法.pdf

故障诊断装置及其诊断方法
    本发明涉及用于钢铁、电力以及一般工业中具有多个传感器的控制系统的诊断装置和诊断方法，尤其涉及旨在确定由于老化而使测量精度变差的传感器，从而指出每个传感器的正常指示的诊断装置和诊断方法。

    一种常规的传感器诊断方法是借助于使用在传感器中指示自然存在的幅值关系来检测变差的传感器的诊断方法，象在“Diagnosis by Using An Immune Network Information Mode(日文)，Ishida,Proc.of A Aymposium on the Third Au-tonomous Distributed System,January,1992中描述的那样。此外，象在日本专利申请待审公开No.35329/1993中描述的那样，另一种常规的传感器诊断方法是借助于把一个传感器的输出信号和各个传感器输出信号中的预定的函数关系进行比较来检测变差传感器的一种诊断方法。

    上述的常规的方法具有下列问题。即虽然如果一个目标控制系统如此简单，以致在传感器的输出信号中能清楚地确定幅值关系或函数关系时可以容易地用所述方法检测出变差的传感器，但是当所述指示幅值关系或函数关系复杂并且不能推断时，这种方法就不适用。

    考虑到上述问题，本发明的目的在于，提供一种诊断装置和诊断方法，它容易地在控制系统的若干个传感器中检测出变差的传感器，即使传感器输出信号中存在的关系是复杂的。

    本发明旨在提供一种故障诊断方法，包括下列步骤：储存控制对象中的若干传感器的输出信号；

    对量化矢量进行分组，所述量化矢量是通过利用存储在贮存装置中的信号获得的，它作为代表每一预定组的信号输出当中的关系的特征矢量；存储相应于每组传感器的每一组量化矢量；借助于把每组传感器的当前信号和相应于每组传感器的量化矢量组进行比较获得每组传感器的异常度；根据获得的异常度诊断若干传感器中变劣的传感器。

    用来建立量化矢量组的装置包括一个量化网络，它包括若干量化神经元和对应每组传感器而相互连接量化神经元的触角。以及一个加权更新装置，利用从每组传感器按时间顺序输入的信号更新触角的加权。

    由每一量化网络所确定的触角的一组加权定义为量化矢量，构成的量化矢量被存储在关系存储装置中。

    异常度计算装置搜索与一状态矢量最接近的量化矢量，所述状态矢量是由每组传感器的当前信号形成的，根据搜索到的量化矢量和当前信号的状态矢量之间的距离获得传感器组的异常度。

    用来诊断变劣的传感器的装置根据异常度计算装置获得的异常度确定每一传感器的可靠性。

    图1是本发明故障诊断装置的构成；

    图2是故障诊断装置中处理操作数据存储装置的结构；

    图3是故障诊断装置中量化装置的结构；

    图4是量化装置中的量化处理装置的处理流程；

    图5是故障诊断装置中的关系存储装置的结构；

    图6是异常度估计处理装置的处理流程图；

    图7是故障诊断装置中的诊断装置的结构；

    图8是诊断处理装置的处理流程；

    图9是对分散系统的故障诊断装置的实施例；

    图10是具有用来改变处理模式的开关装置的故障诊断装置的实施例。

    下面参照附图说明本发明的细节。在实施例中，虽然一组传感器包括一对传感器，但这一实施例的操作和具有每组传感器包括两个以上的传感器的诊断装置和方法的操作相同。

    图1表明一种故障诊断装置100的结构。一个处理操作数据存储装置102通过一个相应于控制对象120的操作定时的输入部分存储控制对象120中的n个传感器(传感器1，传感器2，传感器3,…传感器n)的输出信号。图2是存储在处理操作数据存储装置102中的数据结构的一个例子，从传感器1到传感器n的数据内容被按时序存储m步。

    图3表示的量化装置通过使用处理操作数据存储装置102中存储的数据库求出这些传感器输出信号中存在的关系。对每一对传感器求出的关系被存储在关系存储装置105的传感器关系存储装置106-107中。异常度估算装置108获得状态矢量和相应的量化矢量之间的距离，所述状态矢量由每对传感器当前的输出信号形成，所述量化矢量代表通过比较在关系存储装置105中存储的数据和从输入部分101所取的每对传感器的当前输出信号而在每对传感器1-n的正常状态下获得的关系。一个诊断装置109根据上述对每对传感器和相应的当前输出信号获得的距离判断每个传感器的当前输出信号是否异常。

    然后，如果检测到任何的异常情况，诊断装置109就指明指示异常值的传感器并在显示装置110上显示该传感器编号等内容。必要时调用一个抵消异常规划装置110，并且来自抵消异常规划装置110的输出信号被送入控制对象120。

    图3表示量化装置104的结构的一个例子，它包括一个量化网络301和量化处理装置302。虽然在量化网络301中对每对传感器提供一个关系网络，并且在图3示出了对传感器对1和2的量化网络的例子，但也可以使几个传感器对有一公共的关系网络。所述关系网络包括一个输入层303，它包括：输入神经元305，传感器1的检测信号I1和传感器2的检测信号I2输入给它的各个神经元；一个输入一恒定值(在图3中设定为1)的门限神经元306；一个量化神经元层304，其由几个量化神经元307构成；以及触角308，它在输入层303和量化神经层304之间传输信号。

    由式1获得的结果O_j(j=1-N)从量化神经层304输出到量化处理装置302，并且把触角308的成对的加权值连接到各个量化神经元307。 O j = Σ i = 1 3 w ji I j , ( j = 1 - N ) · · · · ( 1 ) ]]>

    图4示出了由量化处理装置执行的处理流程图，在S4-1步，从处理操作数据存储装置102中选择相应于每对传感器的数据。在获得传感器1和2的处理操作数据之间的关系的情况下，图2所示的时序数据的第一步的数据对(0.1584,0.2681)、时序数据的第二步的数据对(0.0369,0.3281)等等被选择并依次输入到关系网络。在S4-2步，利用式1对每一量化神经元307获得O₁-O_N的输出值。在S4-3步，搜索具有输出值O₁-O_N的最大值的量化神经元。在输出值O_j是最大值的情况下，相应于神经元j的加权对(W_1j,W_3j)被更新。借助于利用式2来更新相应于输入神经元305的触角的加权对(W_1j,W_2j)以及利用式3更新相应于门限神经元306的触角的加权W_3j来执行关系网络的学习。

    W_ij=W_ij+α(I_i-W_ij),(i=1,2)…(2) W ′ 3 j = - ( Σ i = 1 2 W ij 2 ) / 2 · · · ( 3 ) ]]>

    此处α为一常数，更新触角的加权的途径仅执行加强矢量(W_1j,W_2j)和矢量(I₁,I₂)之间相关性(Correlation)的程序，并且这种更新途径不受基于式2和式3方式的限制。

    在完成上述处理的S4-5步处，在从步S4-1到步S4-4的预定重复次数完成后，或在触角的所有的加权更新量对于取自处理操作数据存储装置102的一对数据处于预定值下之后，该处理过程就完成了。如果处理没有完成，过程则返回S4-1步，取下一对数据重复上述步骤。在完成处理之后，来自传感器的m对数据由量化神经元的N对触角加权表示。

    虽然存储在处理操作数据存储装置102中的数据在本实施例中的量化装置104中被使用，也可以通过提取接续的实时信号来使用传感器的信号输出。

    在图5中，示出了关系存储装置105的结构。关系存储装置105存储由量化处理装置302处理的结果。在图5的传感器关系存储装置106中，传感器1和传感器2之间的输出信号的关系作为量化矢量(一组成对的触角加权(W_1j,W_2j),j=1,…N)被存储。并且传感器关系存储装置107存储作为由一组成对的触角加权(V_1j,V_2j)代表的量化矢量的传感器n和(n-1)的输出信号之间的关系。虽然传感器关系存储装置106、107是为实施例中的所有传感器对准备的，但是传感器关系存储装置也可以为输出信号间彼此无明显关系的传感器对而被执行。

    在映象相应于每对传感器准备的传感器关系存储装置的矢量空间上的当前输出信号对的状态矢量时，如果由来自传感器的每对当前输出信号代表的状态矢量被发现在一个量化矢量附近，就可以判定每个传感器输出正常信号。

    在图6中用流程图表明了对每对传感器计算异常度的过程。在成对的传感器1、2的情况下，根据关于由传感器1检查传感器2工作的正常度和由传感器2检查传感器1工作的正常度的相互诊断的结果获得异常度。获得异常度的过程解释如下。

    在步S6-1，通过输入部分101取得传感器1-n的当前输出信号。在步骤S6-2，每对传感器的输出信号在相应于每对传感器的传感器关系存储装置的矢量空间上作为状态矢量被映象。在成对的传感器1、2的情况下，当前输出信号和状态矢量在传感器关系存储装置106的状态空间上映象。在S6-3步，搜索最接近在每个传感器关系存储装置的状态空间上映象(mapped)的当前输出信号的每个状态矢量的量化矢量。在步S6-4，根据映象的当前输出信号的状态矢量和相应的搜索到的与当前输出信号的映象的状态矢量最近的量化矢量之间的距离来计算每对传感器的异常度。

    异常度的获得如下。设映象的当前输出信号的状态矢量坐标(X,Y)和与映象的状态矢量最近的量化矢量的坐标(W_X,W_Y)，异常度U由式(4)获得：U=f[(X-W_X)²+(Y-W_Y)²-β²]…(4)此外  f(X)=X(X0),f(X)=0(X＜0).

    那么，β是-偏移值，并且如果点(X,Y)在点(WX,WY)之内，则异常度U为零并输出信号被判定为正常。如果点(X,Y)在点(W_X,W_Y)之外，则有一正比于点(X,Y)和点(W_X,W_Y)之间距离的异常度值U。

    在步S6-5，如果对所有其关系被存储在传感器关系存储装置中的传感器对都获得了异常度，则处理过程完成。如果处理过程未被完成，则重复从步S6-2到S6-4的步骤。利用上述的处理，每对传感器的异常度被量化为U值。

    图7表示诊断装置109的结构，其包括诊断网络601和诊断处理装置602，它借助于使用对传感器对获得的异常度来确定异常的传感器。诊断网络601包括相应于传感器的单元603和把各单元彼此连接的触角604。每个单元的可靠性R_i(i=1,…,n)指示每个传感器的可靠性。那么，如果传感器正常，可靠性R_i输出为1，如果传感器变坏，则可靠性R_i输出为零。

    分配给诊断网络的触角604的触角加权ω根据相应于传感器对i和j的异常度U由5式获得ω=g(1-γU)   …(5)此处g(X)=X(X-1),   g(X)=-1   (X＜-1).

    在式5中，触角加权ω_ij在传感器i和j互相辨认出另一方正常时为1。并且触角加权ω_ij随异常度U的增加而减少并且当超过一限定值时具有饱和值-1。

    在图7中，如果一个单元通过触角连接到另一个单元，则相应的传感器对具有关系。如果触角对某单元对是被除外的，则意味着相应的传感器没有关系。

    图8表示了诊断装置109的诊断处理装置602执行的程序的流程图。

    在S8-1步，针对每一对传感器取出由异常度计算装置108获得的异常度U，并按式5计算诊断网络的触角加权ω_ij。

    在S8-2步，单元可靠性R_i的初值被分配给每个单元。因为传感器的初始状态可以认为是正常的，值1被分配给可靠性R_i(i=1,…,n)。在初始化的另一种方式中，值1或0被随机分配给这些单元。

    在步S8-3，单元603的可靠性R_i沿由式6获得的能量减少的方向更新。首先，借助于把从单元603中选取的一个单元的值反向(从1到0，或从0到1)来获得改变的能量。然后，如果改变的能量减少小于过去的能量，则保留所选单元的可靠性R_i的反向值。否则，所选单元的可靠性的反向值就回到过去值，因为可靠性值的反向不是有效的。 E = - ( 1 / 2 ) Σ i = 1 n Σ j = 1 n ω * ij R i R j + ( 1 / 2 ) Σ i = 1 n [ Σ j = 1 n ( ω ij + 1 ) ] R j · · · ( 6 ) ]]>此处ω^*_ij=ω_ij+ω_ji′·ω_ii=0(i=1,…,n).

    在S8-4步，如果诊断网络601的能量收敛，则处理完成。诊断网络的收敛一般这样确定，即借助于把单元603中任一个的可靠性R_i的值反向来判断网络的能量是否不能减少。在另一种收敛确定方法中，如果收敛步骤的重复次数达到预定数量，则处理结束。如果确定诊断网络601不收敛，则重复步S8-3。

    除上述根据式6的可靠性R_i的更新方法之外，一种借助于检查由式7计算的E(i)的符号改变的更新方法也是有用的。即，如果对所选单元i计算的E(i)的符号是正的，则可靠性R_i被设为1(该单元正常)，如果计算的E(i)的符号是负的，则可靠性R_i被设为0。并且如果计算的E(i)的符号为0，则保留当前的可靠性R_i。 E ( i ) = Σ j = 1 n ω ji R j + Σ j = 1 n ω ij R j - ( 1 / 2 ) Σ j = 1 n ( ω ij + 1 ) · · · ( 7 ) ]]>

    由图8所示的过程获得的诊断结果用显示装置112显示给用户。如果显示装置具有屏幕装置，要被显示的内容是传感器发生异常的信息等，以及异常传感器的数量等等。如果显示装置是一警告灯光指示系统，则与异常传感器对应的灯发光。

    此外，一旦某些传感器被诊断为异常，就调用抵消异常规划装置110，并执行一个抵消传感器异常。作为抵消传感器异常，要执行停止与异常传感器有关部件的操作，或者借助于一个预设的临时的忽略异常传感器输出信号的步骤来决定控制方法，并通过输出部分111输出到控制对象120。

    虽然在本实施例中可靠性R_i被定义为1或0，并且每个传感器的可靠性被规定为正常的或异常的，具有高可靠性的传感器或具有高故障可能性的传感器可以用一种确定可靠性R_i作为0到1之间的连续值的方法被指定。在这种方法中，借助于给能量E加上或从中减去一个小的有限的量的装置可以获得使能量E减到最小的可靠性R_i。

    在本实施例中，大体上来说故障诊断装置100进行处理传感器输出信号直到建立关系存储装置105为止的第一处理模式，并进行利用在关系存储装置105中的处理结果诊断传感器并规划抵消传感器异常的第二处理模式。在另一实施例中，所述第一处理模式由另一装置实现，并且故障诊断装置100接收关系存储装置105中的处理结果并执行第二处理模式。

    虽然本实施例仅把传感器的输出信号作为输入数据处理，但是在传感器包括在反馈环的情况下以及传感器的异常不能清楚地独立地观察时可以使用可以估算的状态变量作为输入数据。此外，借助于在关系存储装置105和异常度计算装置108中执行多维处理，也可以使用多于三个输出信号的组作为量化装置104的输入信号。

    图9是另一个实施例，其中诊断对象是由几个子系统组成的总系统。借助于上述的诊断方法来识别变劣的子系统，使用来自子系统901-904的输出信号输入给输入部分101，并把诊断结果通过输出部分送给每一个子系统901-904。

    图10表明另一实施例，其中故障诊断装置具有一个模式转换装置1001，它具有开关1002，用来从处理传感器输出信号直至建立关系存储装置105的第一处理模式转换为利用关系存储装置105中的处理结果诊断传感器并规划抵消传感器异常的第二处理模式，关系存储装置105被设置在输入部分101的输出侧。转换的定时可以从装置的外部设定。例如，在关系存储装置105被以高精度建立起之后，处理模式从第一处理模式完全转换到第二处理模式。

    通过本发明，在传感器中潜在的关系可以被有效地推断出来，并且每个传感器的可靠性借助于整体上利用这些关系被估算。然后，由于老化变劣的异常输出信号可以诊断出来，从而改善控制系统的可靠性。在检查或更换变劣的传感器是困难的情况下本发明是有效的，尤其是适用于测量熔炉内部状态的传感器。