本发明涉及一种故障检测方法，尤其是一种基于径向基神经网络的称重设备传感器故障检测方法，属于称重设备传感器故障检测的技术领域。
背景技术：
目前，对称重设备传感器的故障诊断主要是依靠人工排查的方式来完成的，通过定期对承重设备进行校称的方式来检测称重传感器是否存在故障。如果校称过程中发现称重设备存在故障再通过压重物的方式依次对各个传感器是否存在故障进行判断。这种方法效率十分低下，及时性也非常差，经常出现称重传感器带病工作但工作人员却不知道的情况发生，并且一旦称重传感器发生故障，工作人员得到的称重数据肯定是错误的。
技术实现要素：
本发明的目的是克服现有技术中存在的不足，提供一种基于径向基神经网络的称重设备传感器故障检测方法，其能实时自动检测称重设备的传感器故障，并能实现故障传感器的数据恢复，实现称重测量的智能化，安全可靠。
按照本发明提供的技术方案，一种基于径向基神经网络的称重设备传感器故障检测方法，包括称重控制仪以及与所述称重控制仪连接的n个称重传感器，所述称重控制仪能同时接收n个称重传感器的称重实测值；所述称重设备传感器故障检测方法包括如下步骤：
步骤1、任选一个称重传感器，称重控制仪能根据所选称重传感器外其余(n-1)个称重传感器的称重实测值计算得到与所选称重传感器对应的当前初步预测值；
步骤2、重复上述步骤1，以得到每个称重传感器的称重实测值以及对应的当前初步预测值；
步骤3、称重控制仪将所有称重传感器的称重实测值与对应的当前初步预测值进行比较，当存在一个称重传感器的称重实测值与对应当前初步预测值的差值与称重故障判断阈值不匹配时，则判定称重设备的称重传感器存在故障。
在判定称重设备的称重传感器存在故障后，还包括如下步骤：
步骤4、任选一个称重传感器，称重控制仪将所选称重传感器对应的当前初步预测值与其余(n-1)个称重传感器的称重实测值组成的初步数据序列，并利用所组成的初步数据序列重新得到每个称重传感器对应的当前二次预测值；
步骤5、称重控制仪将每个称重传感器的当前二次预测值与得到所述当前二次预测值的初步数据序列内对应的初步数据进行对比，当且仅当存在一初步数据序列，使得利用所述初步数据序列得到所有称重传感器的当前二次预测值与得到所述当前二次预测值的初步数据序列内对应的初步数据间的差值与称重故障判断阈值均匹配时，则称重设备内存在一个故障的称重传感器，否则，称重设备内存在至少两个故障的称重传感器；
步骤6、当称重设备内存在一个故障的称重传感器时，所述故的障称重传感器为初步数据序列内采用当前初步预测值的称重传感器。
当称重设备内存在至少两个故障的称重传感器时，还包括如下步骤：
步骤7、任选两个称重传感器，称重控制仪根据所选称重传感器外其余(n-2)个称重传感器的称重实测值计算得到与所选称重传感器对应的当前三次预测值；
步骤8、重复上述步骤7，以得到每个称重传感器的称重实测值以及对应的当前三次预测值；
步骤9、任选两个称重传感器，称重控制仪将所选称重传感器对应的当前三次预测值与其余(n-2)个称重传感器的称重实测值组成二次数据序列，并利用所组成的二次数据序列重新得到每个称重传感器对应的当前四次预测值；
步骤10、称重控制仪将每个称重传感器的当前四次预测值与得到所述当前四次预测值的二次数据序列内对应的二次数据进行对比，当且仅当存在一二次数据序列，使得利用所述二次数据序列得到所有称重传感器的当前四次预测值与得到所述当前四次预测值的二次数据序列内对应的二次数据间的差值与称重故障判断阈值均匹配时，则称重设备内称重设备内存在两个故障的称重传感器，且所述两个故障称重传感器为二次数据序列内采用当前三次预测值的称重传感器。
步骤1中，称重控制仪利用初步预测径向基神经网络得到称重传感器对应的当前初步预测值。
步骤7中，称重控制仪利用二次预测径向基神经网络得到称重传感器对应的当前三次预测值。
还包括称重台，称重传感器安装于称重台的下面，称重传感器通过屏蔽电缆与接线盒连接，接线盒通过rs485总线与称重控制仪连接，称重控制仪还与车辆分离器以及地感线圈连接。
所述称重控制仪通过rs232总线与上位机连接。
本发明的优点：利用多个称重传感器的称重实测值间的非线性关系，能技术得到对应的当前初步预测值，将每个称重传感器的称重实测值与对应的当前初步预测值比较，从而能判断是否存在故障的称重传感器；在判断存在故障的称重传感器后，还能确定具体故障的称重传传感器以及具体的故障类型；利用当前初步预测值还可以代替称重传感器的称重实际值，得到称重设备的实际称重量，实现称重测量的智能化，安全可靠。
附图说明
图1为本发明称重设备的结构示意图。
图2为本发明初步预测径向基神经网络的示意图。
图3为本发明二次预测径向基神经网络的示意图。
图4为本发明的工作流程图。
附图标记说明：1-称重传感器、2-称重台、3-屏蔽电缆、4-接线盒、5-rs485总线、6-rs485接口、7-rs232接口、8-称重控制仪网口、9-称重控制仪、10-rs232总线、11-上位机、12-车轴识别器、13-车辆分离器以及14-地感线圈。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
如图1和图3所示：为了能实时自动检测称重设备的传感器故障，并能实现故障传感器的数据恢复，实现称重测量的智能化，本发明包括称重控制仪9以及与所述称重控制仪9连接的n个称重传感器1，所述称重控制仪9能同时接收n个称重传感器1的称重实测值；所述称重设备传感器故障检测方法包括如下步骤：
步骤1、任选一个称重传感器1，称重控制仪9能根据所选称重传感器1外其余(n-1)个称重传感器1的称重实测值计算得到与所选称重传感器1对应的当前初步预测值；
步骤2、重复上述步骤1，以得到每个称重传感器1的称重实测值以及对应的当前初步预测值；
步骤3、称重控制仪9将所有称重传感器1的称重实测值与对应的当前初步预测值进行比较，当存在一个称重传感器1的称重实测值与对应当前初步预测值的差值与称重故障判断阈值不匹配时，则判定称重设备的称重传感器1存在故障。
具体地，还包括称重台2，称重传感器1安装于称重台2的下面，称重传感器1通过屏蔽电缆3与接线盒4连接，接线盒4通过rs485总线5与称重控制仪9连接，称重控制仪9还与车辆分离器13以及地感线圈14连接。一般地，称重台2下面设置四个或四个以上的称重传感器1，当有车辆通过称重台2时，称重台2下的每个称重传感器1都会产生一定的模拟电压，模拟电压通过屏蔽电缆3传送到接线盒4内，再由接线盒4传输至称重控制仪9内，称重控制仪9可以采用现有常用的结构形式，具体为本技术领域人员所熟知，此处不再赘述。在每个称重传感器1向称重控制仪1传输对应的称重实测值后，称重控制仪9可以采用本技术领域常用的技术手段，得到称重台2上的称重量，具体称重过程为本技术领域人员所熟知，此处不再赘述。
所述称重控制仪9通过rs232总线10与上位机11连接，称重控制仪9还与车轴识别器12连接，车轴识别器12、车辆分离器13以及地感线圈14的具体作用，以及与称重控制仪9的具体实现称重的过程均为本技术领域人员所熟知，此处不再赘述。此外，称重控制仪9上还设有称重控制仪网口8，通过称重控制仪网口8能与互联网等连接，实现称重控制仪9将称重的结果或识别的故障传输至远端。
本发明实施例中，经过大量数据分析发现，称重设备各个称重传感器1之间的输出存在非线性函数关系；因此，对任一称重传感器1，利用其余(n-1)个称重传感器1的称重实测值能计算得到与所选称重传感器1对应的当前初步预测值，一般地，当所选称重传感器1正常时，所选称重传感器1的称重实测值与对应的当前初步预测值间的差值与称重故障判断阈值匹配，具体实施时，称重实测值与当前初步预测值间的差值与称重故障判断阈值匹配，具体是指差值在称重故障判断阈值的范围内，称重故障判断阈值为一个数值范围，具体大小可以根据具体的称重计量单位等相关，一般地，称重故障判断阈值可以选定0.3t(吨)为数值中心的一个范围，具体数值范围可以根据需要进行选定，具体为本技术领域人员所熟知，此处不再赘述。
具体实施时，对于每个称重传感器1，均利用其余(n-1)个称重传感器1的称重实测值计算得到对应的当前初步预测值，若所有称重传感器1的称重实测值与对应的当前初步预测值的差值均与称重故障判断阈值匹配，则说明所有的称重传感器1均正常，若存在一个或多个称重传感器1的称重实测值与对应的当前初步预测值的差值与称重故障判断阈值不匹配，则称重控制仪9能判断称重设备的称重传感器1存在故障。
本发明实施例中，对于选定的一个称重传感器1，称重控制仪9利用初步预测径向基神经网络得到称重传感器1对应的当前初步预测值。称重控制仪9内的初步预测径向基神经网络可以利用上位机11进行训练。
如图2所示，为称重控制仪9内初步预测径向基神经网络的示意图，利用初步预测径向基神经网络得到当前初步预测值的关系为：
其中，x'j为第j个称重传感器1的当前初步预测值(j＝1,2,…,n)，m为径向基神经网络隐层节点个数。w是初步预测径向基神经网络的权值矩阵，w＝(w0,w2,…,wm)t，其中w0＝1，h为径向基函数矩阵，h＝(h0,h2,…,hm)t，其中h0＝b，b是输出层偏置值。w和h可以使用m组n个正常称重传感器1的数据通过径向基神经网络的训练算法训练得到(n是称重传感器1的个数(都是正常传感器)、m是一共多少组，训练算法的输入是m组n个称重传感器1的数据，输出是权值矩阵w和径向基函数矩阵h)。训练算法可以采用梯度下降法、k-means聚类法、正交最小二乘法等，具体进行训练的过程为本技术领域人员所熟知，此处不再赘述。
当然，称重控制仪9还可以利用其他的方式计算得到每个称重传感器1对应的当前初步预测值，具体可以根据需要进行选择确定，此处不再一一列举。
进一步地，在判定称重设备的称重传感器1存在故障后，还包括如下步骤：
步骤4、任选一个称重传感器1，称重控制仪9将所选称重传感器1对应的当前初步预测值与其余(n-1)个称重传感器1的称重实测值组成的初步数据序列，并利用所组成的初步数据序列重新得到每个称重传感器1对应的当前二次预测值；
本发明实施例中，为了能判定出故障的称重传感器1，称重控制仪9将每个称重传感器1对应的当前初步预测值与其余(n-1)个称重传感器1的称重实测值组成初步数据序列，在得到初步数据序列后，可以利用上述步骤1以及步骤2的方式，能得到每个称重传感器1对应的当前二次预测值。具体地，对于选定的称重传感器1，由于其余(n-1)个称重传感器1的称重实测值相同，因此，得到的当前二次预测值与当前初步预测值相同，但对于其余的称重传感器1，由于采用所选定的当前初步预测值与其他称重传感器1的称重实测值，因此，得到的当前二次预测值与当前初步预测值会产生变化。
步骤5、称重控制仪9将每个称重传感器1的当前二次预测值与得到所述当前二次预测值的初步数据序列内对应的初步数据进行对比，当且仅当存在一初步数据序列，使得利用所述初步数据序列得到所有称重传感器1的当前二次预测值与得到所述当前二次预测值的初步数据序列内对应的初步数据间的差值与称重故障判断阈值均匹配时，则称重设备内存在一个故障的称重传感器1，否则，称重设备内存在至少两个故障的称重传感器1；
本发明实施例中，对于n个称重传感器1，均需要重复步骤4，即能得到n个初步数据序列，利用一个初步数据序列即能得到一个当前二次预测值，因此，每个称重传感器1具有n个当前二次预测值，即每个当前二次预测值与由对应的初步数据序列计算得到。
本发明实施例中，在利用一个初步数据序列，得到每个称重传感器1的当前二次预测值后，称重控制仪9将每个称重传感器1的当前二次预测值与得到所述当前二次预测值的初步数据序列内对应的初步数据进行对比，所述初步数据序列内的初步数据包括步骤4中的当前初步预测值以及称重实测值，初步数据具体的类型与所选择的称重传感器1一一对应，即在进行比较时，对根据初步数据序列得到的当前二次预测值与每个称重传感器1的称重实测值进行比较，不同初步数据序列得到的当前二次预测值间不进行比较，且在进行比较时，所有的当前二次预测值均基于同一初步数据序列计算得到。称重控制仪9对称重传感器1的初步数据与对应的当前二次预测值具体比较过程，与上述步骤3的过程相一致，具体可以参考上述步骤3的说明过程，此处不再赘述。
一般地，当确定存在故障的称重传感器1，对n个初步数据序列，当且仅当存在一初步数据序列，使得利用所述初步数据序列得到所有称重传感器1的当前二次预测值与对应称重实测值间的差值与称重故障判断阈值均匹配时，则称重设备内存在一个故障的称重传感器，否则，称重设备内存在至少两个故障的称重传感器1。当存在至少两个故障的称重传感器1时，不存在任何初步数据序列，能使得使得利用所述初步数据序列得到所有称重传感器1的当前二次预测值与对应称重实测值间的差值与称重故障判断阈值均匹配。
步骤6、当称重设备内存在一个故障的称重传感器1时，所述故的障称重传感器1为初步数据序列内采用当前初步预测值的称重传感器1。
本发明实施例中，每个初步数据序列内均在一个采用当前初步序列的称重传感器1，当存在一个故障的称重传感器1，且确定对应的初步数据序列后，初步数据序列内的采用当前初步序列的称重传感器1即为故障的称重传感器1。
进一步地，当称重设备内存在至少两个故障的称重传感器1时，还包括如下步骤：
步骤7、任选两个称重传感器1，称重控制仪1根据所选称重传感器1外其余(n-2)个称重传感器1的称重实测值计算得到与所选称重传感器1对应的当前三次预测值；
本发明实施例中，经大量实验数据还发现，任意两路称重传感器1也是其他n-2路称重传感器1的非线性函数，因此，可以使用其中任意(n-2)路正常称重传感器称重1的称重实测值作为输入，经过运算后逼近它们之间的非线性关系从而预测出另外两路称重传感器1的输出，即能得到当前三次预测值。
具体实施时，称重控制仪9可以利用二次预测径向基神经网络得到称重传感器1对应的当前三次预测值，当然，称重控制仪9还可以利用其他技术手段来得到对应的当前三次预测值。
上式中，x″i，x″j分别是第i个称重传感器1的当前三次预测值、第j个称重传感器1的当前三次预测值，n为中间层节点的个数，w1l，w2l为神经网络中间层到输出层的权值向量，其中w10＝w20＝0。h’＝(h0,h1,h2,…,hn)为n个径向基函数，其中h0＝1。w1l、w2l和h’可以使用m组n个正常称重传感器1的数据通过径向基神经网络的训练算法训练得到，具体的训练过程为本技术领域人员所熟知，此处不再赘述。
步骤8、重复上述步骤7，以得到每个称重传感器1的称重实测值以及对应的当前三次预测值；
步骤9、任选两个称重传感器1，称重控制仪9将所选称重传感器1对应的当前三次预测值与其余(n-2)个称重传感器1的称重实测值组成二次数据序列，并利用所组成的二次数据序列重新得到每个称重传感器1对应的当前四次预测值；
本发明实施例中，在组成得到二次数据序列后，得到每个称重传感器1对应的当前四次预测值的具体过程与通过称重控制仪9得到当前二次预测值的具体过程相一致，具体可以参考得到当前二次预测值的过程说明，此处不再赘述。
步骤10、称重控制仪9将每个称重传感器1的当前四次预测值与得到所述当前四次预测值的二次数据序列内对应的二次数据进行对比，当且仅当存在一二次数据序列，使得利用所述二次数据序列得到所有称重传感器1的当前四次预测值与得到所述当前四次预测值的二次数据序列内对应的二次数据间的差值与称重故障判断阈值均匹配时，则称重设备内称重设备内存在两个故障的称重传感器1，且所述两个故障称重传感器1为二次数据序列内采用当前三次预测值的称重传感器1。
本发明实施例中，称重传感器1的当前四次预测值与二次数据序列内对应的二次数据的比较过程与上述步骤5的比较过程相一致，所述二次数据为组成二次数据序列的数据，二次数据序列与初步数据序列的情况相类似，具体可以参考上述的说明过程，此处不再赘述。在比较后，当且仅当存在一二次数据序列，使得利用所述二次数据序列得到所有称重传感器1的当前四次预测值与对应称重实测值间的差值与称重故障判断阈值均匹配时，则称重设备内称重设备内存在两个故障的称重传感器1，且所述两个故障称重传感器1为二次数据序列内采用当前三次预测值的称重传感器1。
具体实施时，在判定存在故障的称重传感器1后，还可以对具体的故障类型进行判定。具体地，如果称重传感器1的称重实测值小于最小极限值ximin，则判定称重传感器1发生断路故障，如果称重传感器1的称重实测值大于最大极限值ximax，则判定称重传感器1发生短路故障。
对于灵敏度故障，第i个称重传感器1的第j次输出误差
eij＝x′ij-xij＝ki2mj-ki1mj
＝(ki2-ki1)mj
其中，ki2和ki1分别是第i个称重传感器1在发生灵敏度故障和正常情况下的比例系数，mj为第个称重传感器1第j次受到的压力。ki1可以通过实验得到，ki2是一个假设值，在称重传感器1正常时等于ki1，否则，与ki1不相等。
误差的一阶微分
δeij＝ei(j+1)-eij
＝(ki2-ki1)(mj+1-mj)
其中，mj+1为第i个称重传感器1第(j+1)次受到的压力；eij为第i个称重传感器1第j次输出误差，ei(j+1)为第i个称重传感器1第(j+1)次输出误差，δeij是误差的一阶微分。
而对于无负载不归零故障，输出误差
eij＝x′ij-xij
＝ki1mj+ai-ki1mj＝ai
ai为发生无负载不归零故障时第i个称重传感器1的零点输出
误差的一阶微分
δeij＝eij+1-eij＝ai-ai＝0
从上式可以得出，如果称重传感器1发生灵敏度下降的故障，则两次称重误差的一阶微分的绝对值会大于一个阈值ε2，阈值ε2具体可以根据实际需要确定，一般是一个比较小的值，具体确定过程可以根据需要进行选择确定，而称重传感器1发生无负载不归零故障则误差的一阶微分近似为零。xij和x’ij分别是第i个称重传感器1在第j次称重过程中，称重传感器1正常时、发生故障时两种情况下的读数。
本发明利用多个称重传感器1的称重实测值间的非线性关系，能技术得到对应的当前初步预测值，将每个称重传感器1的称重实测值与对应的当前初步预测值比较，从而能判断是否存在故障的称重传感器1；在判断存在故障的称重传感器1后，还能确定具体故障的称重传传感器1以及具体的故障类型；利用当前初步预测值还可以代替称重传感器1的称重实际值，得到称重设备的实际称重量，实现称重测量的智能化，安全可靠。