控制系统前端冗余智能诊断方法和系统及存储器和控制器技术方案

本发明专利技术涉及一种控制系统前端冗余智能诊断方法和系统及存储器和控制器。该控制系统前端冗余智能诊断系统包括超限判断模型、小波变换诊断模型、偏差运算判断模型、工艺变量神经网络学习模型以及故障输出选择模型，通过各个模型层层筛选出两个冗余传感器的冗余控制信号I

Intelligent diagnosis method of redundancy in front end of control system and system, memory and controller

【技术实现步骤摘要】
控制系统前端冗余智能诊断方法和系统及存储器和控制器
本专利技术涉及系统控制领域，更具体地说，涉及一种控制系统前端冗余智能诊断方法和系统及存储器和控制器。
技术介绍
现有控制系统的控制器在设计上基本实现冗余原则，这极大提升控制系统中间环节的可靠性。但控制前端传感器及控制后端的执行机构依旧为控制系统薄弱环节之一，根据故障概率安全分析法属于重要敏感环节。常由于前端故障或者信号异常及后端执行机构的动作异常导致控制系统出现扰动或者瞬态。特别是对于可靠性要求高的应用场合，如何实现既能有效实现前端传感器的故障和信号异常智能诊断，避免由于故障导致控制系统异常响应，同时保证控制系统在瞬态过程中正常响应工艺系统的过程变化，显得尤为重要。现有的前端设计能实现简单的故障判断，但对于隐蔽性故障或者信号异常，不能有效判断识别。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种控制系统前端冗余智能诊断方法和系统及存储器和控制器。本专利技术解决其技术问题所采用的技术方案是：构造一种控制系统前端冗余智能诊断方法，包括：S1、使用量程区间筛选冗余控制信号Ira、Irb，若冗余控制信号Ira、Irb在量程区间外则认为冗余传感器出现故障，若冗余控制信号Ira、Irb在量程区间内则进入步骤S2，其中冗余控制信号Ira、Irb为两个冗余传感器的对应信号；S2、通过小波变换分解冗余控制信号Ira、Irb得到高频信号的局部极大值点对应的系统状态的突变点，若突变点不在阈值范围内则认为冗余传感器出现故障，若突变点在阈值范围内则进入步骤S3；S3、确定冗余控制信号Ira、Irb的偏差绝对值是否超出偏差阈值，若冗余控制信号Ira、Irb的偏差绝对值大于偏差阈值，则两个冗余传感器中其一个出现异常；S4、经训练的神经网络模型利用工艺系统相关量估计冗余控制信号Ira、Irb的模拟输出量，通过模拟输出量和冗余控制信号Ira、Irb的比较判断出冗余传感器是否发生故障；S5、根据冗余传感器的故障数量进行选择输出。进一步，在本专利技术所述的控制系统前端冗余智能诊断方法中，所述步骤S1包括：设置所述量程区间的超限判断值：上限值IU和下限值IL；若Ira/Irb＞IU或Ira/Irb＜IL，则冗余传感器发生故障。进一步，在本专利技术所述的控制系统前端冗余智能诊断方法中，所述量程区间包括正常运行区间、保护运作区间、超限运行区间，其中所述保护运作区间包含所述正常运行区间，所述超限运行区间包含所述保护运作区间；所述超限运行区间的上限值为IU，下限值为IL。进一步，在本专利技术所述的控制系统前端冗余智能诊断方法中，所述步骤S2包括：冗余控制信号Ira、Irb的对应表示为冗余控制信号Ira(x)、Irb(x)，将冗余控制信号Ira(x)、Irb(x)投影在时域与频域的变换方法，采用改变时间-频率窗口的形式，通过小波分解得到的高频信号的局部极大值点对应于系统状态的突变点；根据冗余控制信号Ira(x)、Irb(x)建立小波变换基本形式：其中称为小波基函数，a为伸缩尺度参数，b为平移尺度参数；对于Ira(x)、Irb(x)，下面用f(x)表示，表达成卷积的形式为：其中对于f(x)，找到函数θ(x)，使得其导函数是小波基函数；再令θs(x)＝(1/s)θ(x/s)，则有根据系统特点选择合适的小波基函数对冗余传感器信号进行小波分解，并检测经过小波变换后信号的局部极大值，进而检测到冗余传感器信号的突变点；对控制系统前端冗余信号Ira(x)、Irb(x)进行小波分解，得到分解后的信号Dia、Dib，设定上/下判断阈值Icc、Idd；若Dia/Dib＞Icc、Dia/Dib＜Idd，冗余传感器发生故障。进一步，在本专利技术所述的控制系统前端冗余智能诊断方法中，所述步骤S3包括：确定冗余控制信号Ira、Irb的偏差绝对值是否超出偏差阈值，若冗余控制信号Ira、Irb的偏差绝对值大于偏差阈值，则两个冗余传感器中其一个出现异常，判断逻辑为：若|Ira-Irb|＞Ica其中判断设置冗余交叉验证的偏差阈值Ica，偏差阈值Ica的制定基于高斯概率分布，冗余交叉验证偏差阈值计算如下式：Ica＝[δ(FS)/ε(t)-X]*ε(t)其中，δ(FS)为冗余传感器功能允许误差；ε(t)为参考传感器的不确定度；X为决定于冗余传感器数目r的系数，表征失效探测的成功率，失效探测成功率系数X的计算公式：进一步，在本专利技术所述的控制系统前端冗余智能诊断方法中，所述步骤S4中神经网络模型采用BP神经网络，通过工艺系统相关量作为训练样本输入，待诊断的冗余传感器作为训练样本输出来模拟输入量与输出量之间的函数关系；其中工艺系统相关量为系统中与冗余控制信号Ira、Irb存在相关性的物理量。进一步，在本专利技术所述的控制系统前端冗余智能诊断方法中，所述BP神经网络的训练过程为：假设冗余控制信号Ira、Irb为待诊断的冗余传感器，将工艺系统相关量Ipa、Ipb、…、Ipz作为神经网络模型的输入，待诊断的冗余传感器Ira、Irb作为输出；以工艺系统相关量传感器及待诊断的冗余传感器在正常状态下的数据作为训练样本进行训练，建立神经网络模型，得到神经网络模拟输出信号In。进一步，在本专利技术所述的控制系统前端冗余智能诊断方法中，所述步骤S5包括：故障输出分为无冗余传感器故障、冗余传感器其一故障、冗余传感器均故障；若在第一个诊断周期T内冗余传感器出现故障，则立即进入故障输出选择模式；若在第二个诊断周期T内冗余传感器故障消除，则进入正常模式；若故障消失后，在第l个诊断周期T内冗余传感器再次出现故障或者故障持续存在大于等于2T，则持续进入故障输出选择模式，直至故障消除或者手动设置。进一步，在本专利技术所述的控制系统前端冗余智能诊断方法中，故障输出信号选择如下：当无冗余传感器故障时，输出量Oco输出为Ira、Irb均值，即Oco＝(Ira+Irb)/2；当冗余传感器其一故障时，自动剔除故障的冗余传感器，输出量Oco输出正常传感器信号：若Irb故障，Oco＝Ira；若Ira故障，Oco＝Irb；当冗余传感器均故障时，输出量oco为记忆上一好值，或者输出神经网络模拟输出信号In。另，本专利技术还提供一种控制系统前端冗余智能诊断系统，包括超限判断模型、小波变换诊断模型、偏差运算判断模型、工艺变量神经网络学习模型以及故障输出选择模型，其中，所述超限判断模型用于使用量程区间筛选冗余控制信号Ira、Irb，若冗余控制信号Ira、Irb在量程区间外则认为冗余传感器出现故障，若冗余控制信号Ira、Irb在量程区间内则使用所述小波变换诊断模型进行进一步处理，其中冗余控制信号Ira、Irb为两个冗余传感器的对应信号；所述小波变换诊断模型用于通过小波变换分解冗余本文档来自技高网...

【技术保护点】
1.一种控制系统前端冗余智能诊断方法，其特征在于，包括：/nS1、使用量程区间筛选冗余控制信号I

【技术特征摘要】
1.一种控制系统前端冗余智能诊断方法，其特征在于，包括：
S1、使用量程区间筛选冗余控制信号Ira、Irb，若冗余控制信号Ira、Irb在量程区间外则认为冗余传感器出现故障，若冗余控制信号Ira、Irb在量程区间内则进入步骤S2，其中冗余控制信号Ira、Irb为两个冗余传感器的对应信号；
S2、通过小波变换分解冗余控制信号Ira、Irb得到高频信号的局部极大值点对应的系统状态的突变点，若突变点不在阈值范围内则认为冗余传感器出现故障，若突变点在阈值范围内则进入步骤S3；
S3、确定冗余控制信号Ira、Irb的偏差绝对值是否超出偏差阈值，若冗余控制信号Ira、Irb的偏差绝对值大于偏差阈值，则两个冗余传感器中其一个出现异常；
S4、经训练的神经网络模型利用工艺系统相关量估计冗余控制信号Ira、Irb的模拟输出量，通过模拟输出量和冗余控制信号Ira、Irb的比较判断出冗余传感器是否发生故障；
S5、根据冗余传感器的故障数量进行选择输出。


2.根据权利要求1所述的控制系统前端冗余智能诊断方法，其特征在于，所述步骤S1包括：设置所述量程区间的超限判断值：上限值IU和下限值IL；
若Ira/Irb＞IU或Ira/Irb＜IL，则冗余传感器发生故障。


3.根据权利要求2所述的控制系统前端冗余智能诊断方法，其特征在于，所述量程区间包括正常运行区间、保护运作区间、超限运行区间，其中所述保护运作区间包含所述正常运行区间，所述超限运行区间包含所述保护运作区间；所述超限运行区间的上限值为IU，下限值为IL。


4.根据权利要求1所述的控制系统前端冗余智能诊断方法，其特征在于，所述步骤S2包括：
冗余控制信号Ira、Irb的对应表示为冗余控制信号Ira(x)、Irb(x)，将冗余控制信号Ira(x)、Irb(x)投影在时域与频域的变换方法，采用改变时间-频率窗口的形式，通过小波分解得到的高频信号的局部极大值点对应于系统状态的突变点；
根据冗余控制信号Ira(x)、Irb(x)建立小波变换基本形式：






其中称为小波基函数，a为伸缩尺度参数，b为平移尺度参数；
对于Ira(x)、Irb(x)，下面用f(x)表示，表达成卷积的形式为：



其中
对于f(x)，找到函数θ(x),使得其导函数是小波基函数；



再令θs(x)＝(1/s)θ(x/s)，则有



根据系统特点选择合适的小波基函数对冗余传感器信号进行小波分解，并检测经过小波变换后信号的局部极大值，进而检测到冗余传感器信号的突变点；对控制系统前端冗余信号Ira(x)、Irb(x)进行小波分解，得到分解后的信号Dia、Dib，设定上/下判断阈值Icc、Idd；
若Dia/Dib＞Icc、Dia/Dib＜Idd，冗余传感器发生故障。


5.根据权利要求1所述的控制系统前端冗余智能诊断方法，其特征在于，所述步骤S3包括：
确定冗余控制信号Ira、Irb的偏差绝对值是否超出偏差阈值，若冗余控制信号Ira、Irb的偏差绝对值大于偏差阈值，则两个冗余传感器中其一个出现异常，判断逻辑为：
若|Ira/Irb|＜Ica
其中判断设置冗余交叉验证的偏差阈值Ica，偏差阈值Ica的制定基于高斯概率分布，冗余交叉验证偏差阈值计算如下式：
Ica＝[δ(FS)/ε(t)-X]*ε(t)
其中，δ(FS)为冗余传感器功能允许误差；ε(t)为参考传感器的不确定度；X为决定于冗余传感器数目r的系数，表征失效探测的成功率，失效探测成功率系数X的计算公式：





6.根据权利要求1所述的控制系统前端冗余智能诊断方法，其特征在于，所述步骤S4中神经网络模型采用BP神经网络，通过工艺系统相关量作为训练样本输入，待诊断的冗余传感器作为训练样本输出来模拟输入量与输出量之间的函数关系；其中工艺系统相关量为系统中与冗余控制信号Ira、Irb存在相关性的物理量。


7.根据权利要求6所述的控制系统前端冗余智能诊断方法，其特征在于，所述BP神经网络的训练过程为：
假设冗余控制信号Ira、Irb为待诊断的冗余传感器，将工艺系统相关量Ipa、Ipb、…、Ipz作为神经网络模型的输入，待诊断的冗余传感器Ira、Irb作为输出；以工艺系统相关量传感器及待诊断的冗余传感器在正常状态下的数据作为训练样本进行训练，建立神经网络模型，得到神经网络模拟输出信号In。


8.根据权利要求1所述的控制系统前端冗余智能诊断方法，其特征在于，所述步骤S5包括：故障输出分为无冗余传感器故障、冗余传感器其一故障、冗余传感器均故障；
若在第一个诊断周期T内冗余传感器出现故障，则立即进入故障输出选择模式；
若在第二个诊断周期T内冗余传感器故障消除，则进入正常模式；
若故障消失后，在第l个诊断周期T内冗余传感器再次出现故障或者故障持续存在大于等于2T，则持续进入故障输出选择模式，直至故障消除或者手动设置。


9.根据权利要求8所述的控制系统前端冗余智能诊断方法，其特征在于，故障输出信号选择如下：
当无冗余传感器故障时，输出量Oco输出为Ira、Irb均值，即Oco＝(Ira+Irb)/2；
当冗余传感器其一故障时，自动剔除故障的冗余传感器，输出量Oco输出正常传感器信号：若Irb故障，Oco＝Ira；若Ira故障，Oco＝Irb；
当冗余传感器均故障时，输出量Oco为记忆上一好值，或者输出神经网络模拟输出信号In。


10.一种控制系统前端冗余智能诊断系统，其特征在于，包括超限判断模型、小波变换诊断模型、偏差运算判断模型、工艺变量神经网络学习模型以及故障输出选择模型，其中，
所述超限判断模型用于使用量程区间筛选冗余控制信号Ira、Irb，若冗余控制信号Ira、Irb在量程区间外则认为冗余传感器出现故障，若冗余控制信号Ira、Irb...

【专利技术属性】
技术研发人员：陈永伟，谢永靖，胥籽任，
申请(专利权)人：中广核核电运营有限公司，中国广核集团有限公司，中国广核电力股份有限公司，
类型：发明
国别省市：广东;44