6基于人工神经网络的压力容器故障的诊断尹作友12张化光1东北大学教育部暨辽宁省流程工业综合自动化重点实验室沈阳00042渤海大学信息科学与工程学院锦州121003故障的特征参数，采用神经网络分别对每类故障进行诊断，网络输入为与输出故障相关联的监测信号的特征值，对各网络输出进行决策判断，给出最后诊断结果。仿真事例结果明该方法充分利用检测的各种特征信息，能够有效地诊断故障，提高诊断的精确度。
i引言压力容器广泛应，于石油化和冶金等领域。是种比较容易发生事故的特殊设备。如何及时地对设，并准确地确定故障岛制制和程度。坫降低事故发生率的有效途径，是保证设备可靠地使用，己成为生产的迫切要求。本文在传统的诊断方法1的坫础上基人工神经网络。提出了压力容器故障的新方法。神经网络压力容器故阶诊断方法心仅具有推理能力。而1备自学习的功能能够准确地判断故障。
2故障诊断模型2.1诊断原理具体实现1.该诊断系统是由多个声发射传感器与多个独立的人工神经网络构成，每个声发射传感器与个人工神经网络构成个检测单元。而每个检测单元的故障诊断过程是通过声发射传感器付力容器产生波，这昨波形经过电路处理产生系列的声发射信号的征参数2这些征参数经处理后送入经过训练良好的8神经网络。8神经网络输出值作为判断是否有故障的依据，不同的故障对应不同的输出，对于同类的故障，每个检测单元的神经网络对应的输出应相同，最后对每个检测单元的输出进行综合诊断，确定故障的类型。
障等的影响，某神经网络的输出不能完全代实际个神经网络输出的进行综合判断处理，以便正确判断故障类型，综合判断采用阈值取大的方法，即某个神经传感器参数抓传感器参数2亦合断传感器参数，六阶元的输出大1规定的阈值如0.9.认为该神经元输出为对每个神经网络对应的神经元输出求和，求和结采最人的所对应的凋经元输出就小对应的故障产生，文中采用2的层8网络作为诊断模型。
个输入层，个隐含层和个输出层。输出层神经元数为故障原因分类数，输入层神经元数为检测信息的友征矣数6个，故障现象有7凋所以输入以6个神经元，输出层有8个神经元7个故障输出和个为无故障输出，隐含层可以按照石+10初选，由训练试验择优确定。
2.2BP网络的训练算法局部神经网络的训练采用离线的方法，与在线方法相比更可靠，防止了故障误报。根据故障的征兆信息1在训练时，将压力容器的每种故障征兆信息作为网络的输入，故障的类型作为网络的输出，对网络训练时采用的输入和输出的训练样本应该选择无故障和有故障时所有不同的类型征兆信息。算法采用带动量项算法14.
3故障检测和诊断压力容器检测采用在线检测的方法。检测时，每种故障的征息经过冲经叫络的输编码不以如无故障的理想输出编码为000000人钷第个神经兀的输出为1；裂纹的理想输出编码为0000010，人第个神经元的输出为即种故障对应组网络输出的编码，这样根据网络的输出就可以判断是那种类型的故障产生。但由于受环境因素及传感器的故4仿真验证对每个！网络，输入层神经元为6个，输出层神经元为7个，隐含层神经元为8个。取学习，7=8，动量因子0=0.7，经迭代460次训练后，总误差小于0.02.任取7类故障的个征兆样本，网络均能正确判断出属于那类故障，且精度较高，在不同状态下对140个样本进行仿真，结果都是正确的。
5结论从仿真的结果可以看出，基于人工神经网络的故陪诊断方法，能够准确地对故障进行分类，其效果是令人满意的，足压力界器检测的种新的途径。该方法还可以用于符道泄制等方面的诊断。
1沈功1.张万岭。1.力容器无损检测技术综述。无损检测。2004，2613640.
2王俊涛，宋永伦。王淑洁。声发射缺陷检测技术的应用与发展机床液压⑴毛斗。
3沈功田，李金海。压力容器无损检测声发射检测技术1.无损检测，2004，269462.4张乃氪阎平凡。冲经网络与模糊抒制1肘。北京1毕大学出版社，1998.