摘  要： 针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷，结合RBF神经网络可以逼近任意函数的特性，提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层，利用该网络对被控对象进行逼近训练、实时故障检测，该算法同时具有RBF网络和BP网络的优点，适用于复杂非线性系统的故障检测。
关键词： 实时；神经网络；RBF-BP；故障检测

    随着工业化程度的提高，工业过程对系统的安全性和可靠性的要求也越来越高。因此，对故障检测技术的研究也越来越重要。目前已形成了多种故障检测技术，如人工智能[1]、线性矩阵不等式[2]、小波分析[3]和专家系统等方法。由于神经网络具有在微观结构上模拟人的认识能力的优点，它通过模拟人的大脑结构的形象思维来解决实际问题，决策时依据的是经验，而不是一组规划，对于任意非线性系统都可以看作是由输入到输出的一个映射，而神经网络具有很好的函数逼近能力，如RBF神经网络[4]，所以基于神经网络的故障检测方法[5]是一种有效的手段。理论上分析，只要选择合适的网络拓扑结构和连接权值，多层前馈网络和RBF网络均可以逼近任意的非线性函数。但由于BP网络具有学习速度慢、易陷入局部最优等不足，而RBF网络具有学习快、能够避免陷入局部最优等优点，因此本文将两种单一网络相互结合构成一个网络，即RBF-BP，且只考虑稳定状态下的故障检测。

    现要求得到某一映射h，在某种条件下，映射h是映射g的最佳逼近，神经网络就是一个最好的选择。利用BP等神经网络就能够实现对简单非线性函数的逼近，但是由于BP网络易陷入局部最优等不足，而对于RBF神经网络的非线映射能力主要体现在隐层基函数上，而基函数的特性主要由基函数的中心确定，从数据点中任意选取中心构造出来的RBF神经网络的性能同样不能令人满意，因此引入RBF-BP神经网络，结构如图1所示。
  
    采用遗传算法对网络的训练实验结果如图2和图3所示。

3 实时故障检测
    将训练好的RBF-BPNN按图4所示结构建立仿真模型。

其中δ为经过遗传算法优化的RBF-BPNN输出y与被控对象实际输出y的残差，当残差大于某一设定的阈值ξ时就认为被控对象发生了故障，这时故障识别仅需一个BP网络便可满足要求，下面是以东大智能多功能过程控制平台为实验平台，以温控、流速和液位控制作为被控对象进行实验，结果如下(故障类型设为DefaultType)：
    (1)当无故障发生时，系统残差ε<δ，此时将视残差信号作为噪声处理，实验结果如图5所示(系统正常时DefaultType输出为1)。

    (2)当系统发生故障时，即残差ε>δ，不能简单地用消噪的方式消除，此时根据领域专家设定的阈值就可判断被控对象发生了故障，实验结果如图6、图7所示。

参考文献
[1] YUSOF R，ZAFIRA R，RAHMAN A，et al.Fault detection and diagnosis for process control rig using artificial intelligent[J].ICIC Express Letters，2010，4(5B)：1811-1816.
[2] CHUGHTAI S S，Wang Hong.A high-integrity multivariable robust control with application to a process control rig[J]. IEEE Transactions on Control Systems Technology，2007，15(4)：775-785.
[3] 吴舰，吴楠.基于小波分析的煤矿机电设备故障检测关键技术应用研究[J].自动化与仪器仪表，2011(5)：83-89.
[4] 柴杰，江青茵，曹志凯.RBF神经网络的函数逼近能力及其算法[J].模式识别与人工智能，2002，15(3)：310-316.
[5] Zhang Liang，LINDSAY B J，ASOKE K N.Fault detection using genetic programming[J].Systems and Signal Processing，2005(19)：271-289.