引 言
傳感器是現行研究的壓鑄機實時檢測與控制系統的關鍵部件，系統利用傳感器對壓鑄機的各重要電控參數 (如：合型力、油壓、壓射速度、模具溫度等)進行檢測，并進行準確控制。這一過程中，各傳感器輸出信號的質量尤為重要，其優劣程度直接影響壓鑄機控制系統分析、處理數據的準確性，最終影響壓鑄件產品質量的優劣。由于大型壓鑄機生產環境較為惡劣，長期的高溫、高壓、高粉塵及來自周邊器械的電磁干擾等因素的存在，不可避免地會造成傳感器軟硬故障的發生，有故障的傳感器所發出的錯誤信號，會使整個壓鑄機控制系統分析、處理和控制功能紊亂，造成系統無法正常運行，帶來無法估計的生產安全隱患及嚴重的后果。因此，對壓鑄機控制系統中傳感器故障診斷方法的研究具有重要的意義。
人工神經網絡(神經網絡)是傳感器故障診斷的方法之一。神經網絡是有大量人工神經元相互連接而構成的網絡。它以分布的方式存儲信息，利用網絡拓撲結構和權值分布實現非線性的映射，并利用全局并行處理實現從輸入空間到輸出空間的非線性信息變換。對于特定問題適當建立神經網絡診斷系統，可以從其輸入數據(代表故障癥狀)直接推出輸出數據(代表故障原因)，從而實現非線性信息變換。層狀結構的神經網絡輸入層、輸出層及介于二者之間的隱含層構成。依據用于輸入層到輸出層之間計算的傳遞函數不同，提出一種基于徑向基函數RBF神經網絡的傳感器故障診斷策略。

1 RBF神經網絡的模型
徑向基函數神經網絡(RBFNN)是一種新型神經網絡，屬于多層前饋網絡，即前后相連的兩層之間神經元相互連接，在各神經元之間沒有反饋。RBFNN的三層結構與傳統的BP網絡結構相同，由輸入層、隱含層和輸出層構成，其結構見圖1。其中，用隱含層和輸出層的節點計算的功能節點稱計算單元。

RBF神經網絡輸入層、隱含層、輸出層的節點數分別為n，m，p；設輸人層的輸入為x=(x1，x2，…，xj，…，xn)，實際輸出為Y=(y1， y2，…，yk，…，yp)。輸入層節點不對輸入向量做任何操作，直接傳遞到隱含層，實現從X→Fi(x)的非線性映射。隱含層節點由非負非線性高斯徑向基函數構成，如式(1)所示。

式中：Fi(x)為第i個隱含層節點的輸出；x為n維輸入向量；ci為第i個基函數的中心，與x具有相同維數的向量；σi為第i個感知的變量，它決定了該基函數圍繞中心點的寬度；m為感知單元的個數(隱含層節點數)。|| x-ci||為向量x-ci的范數，通常表示x與ci之間的距離；Fi(x)在ci處有一個惟一的最大值，隨著|| x-ci||的增大，Fi(x)迅速衰減到零。對于給定的輸入，只有一小部分靠近x的中心被激活。隱含層到輸出層采用從Fi(x)→yk的線性映射，輸出層第k個神經元網絡輸出見式(2)：

式中：yk為輸出層第k個神經元的輸出；m為隱層節點數；p為輸出層節點數；ωik為隱層第i個神經元與輸出層第k個神經元的連接權值。
RBF網絡的權值算法是單層進行的。它的工作原理采用聚類功能，由訓練得到輸入數據的聚類中心，通過δ值調節基函數的靈敏度，也就是RBF曲線的寬度。雖然網絡結構看上去是全連接的，實際工作時網絡是局部工作的，即對輸人的一組數據，網絡只有一個神經元被激活，其他神經元被激活的程度可忽略。所以RBF網絡是一個局部逼近網絡，這使得它的訓練速度要比BP網絡快2～3個數量級。當確定了RBF網絡的聚類中心ci、權值ωik以后，就可求出給定某一輸入時，網絡對應的輸出值。

2 算法學習
在此采用模糊K均值聚類算法來確定各基函數的中心及相應的方差，而網絡權值的確用局部梯度下降法來修正，算法如下：
2．1 利用模糊K均值聚類算法確定基函數中心ci
(1)隨即選擇h個樣本作為ci(i=1，2，…，h)的初值。其他樣本與中心ci歐氏距離遠近歸人沒一類，從而形成h個子類ai(i=1，2，…，h)；
si
(2)重新計算各子類中心ci的值，其中，xk∈ai；si為子集ai的樣本數，同時計算每個樣本屬于每個中心的隸屬度為：

(3)確定ci是否在容許的誤差范圍內，若是則結束，不是則根據樣本的隸屬度調整子類個數，轉到(2)繼續。