最火基于神经网络的气体传感器故障诊断电度表防爆开关苇板机快开制粒机OrE

基于神经络的气体传感器故障诊断

1 引 言

气体传感器是检测气体的器件，由阵列式半导体气体传感器构成的人工嗅觉系统，在各个领域都有着广泛的应用，如空气质量检验、食品加工的自动检测、危险可燃性气体的监测、机器人嗅觉感知及各种民用及工业用气体净化等。因此智能人工嗅觉系统的研究引起了人们广泛的兴趣及重视。气体传感器构成的人工嗅觉系统的工作环境一般较为恶劣，实验研究表明气体传感器的输出不仅与被测气体的浓度有关，还与周围工作环境如温度、湿度、气压等相关。而且由于工作环境的影响，气体传感器极易受到环境灰尘等的污染，特别是长时间的使用将导致半导体气体传感器的参数发生漂移，影响人工嗅觉系统的使用效果，严重的还将误测、误判。因此为提高人工嗅觉系统的可靠性，进行气体传感器系统的故障诊断是必须的。为了实现所谓的智能传感器，在传感器一级用单梳理机即便像坦桑尼亚、阿拉伯联合酋长国这些小国家一气体传航空煤油感器输出信息进行

传感器故障的诊断就显得非常重要，为此本文提出利用人工神经络对气体传感器输出信息建立传感器神经络模型，并利用建立的传感器神经络模型输出与气体传感器实际输出之差判断传感器是否发生故障诊断的新方法，在实际使用中取得了良好的效果。

2 气体传感器神经络模型的建立

对于气体传感器的输出可用如下离散系统加以描述，即：

＝f［X（k－1），X（k－2），…，X（k－n）］ （2—1）

该式的实质就是利用气体传感器的输出序列X（k－1），X（k－2），…，X（k－n）来预测气体传感器新的输出 X（k）。我们完全可以根据此式利用人工神经络来构造气体传感器的非线性输出预测模型，并可依据重大关键材料自给率到达70%以上该模型实现故障的检测。对于式（2—1），我们可用一个具有n个输入结点，一个输出结点的神经络来模拟［1］，并通过进化学习来实参阅参考文献［2］。其中神经络权值调整按DELTA在轻量化技术中规则实现：

其中wij为神经元权值，Zj为神经元输出，η为学习系数，δj为神经元的差值。 实现时我们选用一个性能良好的正常气体传感器作为神经络模型的学习对象，将气体传感器输出信号数据输入给神经络模型进行学习，初始时神经络的权值设为随机数，当气体传感器的测试数据进入神经络以后，将产生一个信号输出估计值，该值与气体传感器的实际输出信号X（k）差值δj，将用于权值wij的更新算法中。只要气体传感器的输出数据不断进入络进行运算学习，络的连接权wij将不断由神经络算法（式2—2）所刷新。这样的学习过程通过多次回归运烘缸算，当均方误差MSE到达一个最小值时，就可结束学习过程。此更换液压油时络权值也到达一个稳定的系数，此时的人工神经络模型已完成学习，进化为这个气体传感器的非线性输出模型。可见只要提供足够正确的训练例集，就可保证气体传感器动态非线性模型的准确性。

3 气体传感器故障诊断的实现

有了准确的气体传感器动态输出模型，我们就可地进行气体传感器的故障诊断，实现方法如图3—1所示。

由图可见气体传感器实际输出的前n步的采样数据序列X（k－1），X（k－2），…，X（k－n）进入神经络，神经络将预测出下一个第n步的输出，若传感器的第k步输出x（k）与神经络的预

测输出之间的偏差低于设定阈值，则表明气体传感器工作正常，当传感器的实际输出x（k）与神经络的预测输出的偏差大于设定阈值时表明传感器出现了故障。

图中的故障检测算法，采用几何距离分类中的L2Euclidean量度［3］，即：

作为故障检测标准。气体传感器在正常情况下，量度距离值应小于设定阈喷砂设备值；当量度距离值大于设定阈值时，可认为气体传感器出现了故障。由于神经络模型与气体传感器处于并行位置，所以可以地实现故障测试