用单片机系统实现故障诊断

0．引言

现代工矿企业设备日益朝向大型化、复杂化、智能化发展，迫切要求对其运行状态进行多参数监测和故障诊断。随着芯片技术的发展及智能技术的应用，诊断技术已开始进入一个新阶段，即智能化阶段，这是一种基于人工智能技术的诊断方法。该方法对复杂大系统的诊断尤其有效，可充分利用现有的经验知识，构造智能模型，进行快速诊断。智能诊断系统的性能取决于所采用的智能模型。

本文用人工神经网络综合实现凝汽器运行状态的诊断判断。其原理是：设备的各种运行状态与其各种物理参数如温度、压力、振动频率等有一定关联。这种关联难以用确定的数学表达式来表达，但可以用神经网络来逼近该模型。

1．基于神经网络的故障诊断

人工神经网络（Artificial Neural Networks 简称ANN）[1]是由大量简单处理单元广泛连接而成的复杂的非线性系统，具有学习能力、自适应能力、非线性逼近能力等。实际应用研究中，大多使用的是 BP网络（Back-Propagation network）即反向传播网络。BP网络因具有较强的非线性逼近能力，能进行故障模式识别，还能进行故障严重程度评估和故障预测，因此，应用最广。但是，由于BP算法在迭代时采用梯度下降法，存在着收敛缓慢、振荡和局部极小等问题，一些改进的BP算法在这些方面有些改善。BP网络属于多层结构，前馈式，它是继Hopfield 网络之后，Rumelhart提出的又一重实用网络模型，其学习算法采用的是反向传播算法，基本思想是构造一个类似于感知机的非线性系统，并让该系统的决策能力与最小误差函数和梯度下降联系起来，从而解决了普遍存在的多层神经网络的学习不易收敛问题。

1989年Robert Hesht Nielson证明了对于任何在闭区间内的一个连续函数，都可以用一个隐含层的BP网络来逼近，因而一个3层BP网络可以完成任意的n维空间到m维的映射，故本文采用的网络是3层网络，中间只有一层隐含层，网络结构如下图所示。

2．系统总体方案介绍

表1为该系统使用的凝汽器11种典型故障的征兆集[2][3]。在征兆集中，“1”表示征兆存在，“0”表示征兆不存在。BP网络的目标输出对应各故障的隶属函数，即为：
q, l-1, 2, …， 11

为了说明起见，仍采用文献[2]中给出的故障征兆来对网络进行训练。

该系统实现的功能有上述17种信号的采集与放大滤波、压力温度信号的补偿、键盘输入、LCD显示输出、与上位机的通信。

注：故障征兆序号的含义为：1.真空急剧下降；2.真空缓慢下降；3.循环水泵电动机电流降至零；4.循环水泵出口压力降至零；5.汽轮机低压胀差为负值；6.凝结水泵出口压力增加；7.凝结水泵出口压力下降；8.凝结水泵电动机电流增加；9.凝结水泵电动机电流减小; 10 .凝结水导电度增加; 11 .低压加热器水位升高; 12 .循环水温升增加; 13 .循环水温升减小; 14.凝汽器端差增加；15.凝结水过冷度增加；16 .抽气器抽出的空气温度与冷却水入口温度之差增加;17.凝汽器抽气口至抽气器入口之间的压差减小。

3．硬件实现

为了硬件系统的小型化，这里选用带有A/D转换、4K ROM和256字节RAM的83C552 CPU。可编程放大器同时具有采样保持的功能。