由于表1中的4个参数的物理意义、量级各不相同，必须经过归一化处理后才能用于神经网络的训练，用Mat-lab的Simulink仿真工具箱提供的函数对数据进行归一化处理使数据位于[-1，1]之间。训练结束后切断学习过程使网络处于回想状态，将系统实际输出与网络模型的输出相减就可以获得残差。以合型力传感器为例，采样时间为O．5 s，利用上面的学习样本在时间T∈[1 s，1 000 s]内对RBF神经网络进行训练，结果经过约50步训练误差就达到10_并急剧减少，如图3所示。

图4为用后12组数据对RBF神经网络进行测试时，Y跟踪正常合型力传感器测量值y的情况，其最大误差不超过1．5 MPa，所以训练好的RBF神经网络具有一定的泛化能力，可以较好的观测、跟踪合型机构现状。现针对传感器经常发生的卡死故障、漂移故障和恒增益故障进行模拟仿真实验。当合型力传感器正常工作时，RBFNN观测器输出Y与合型力传感器测量值y之间的残差δ=|y-y|近似为高斯白噪声序列，其均值近似为零；当传感器发生故障时，由于y不能准确反应合型力数据，导致δ突变，不再满足白噪声特性。根据上面所述的传感器故障诊断原理，设定阀值θ=2．7 MPa，图5表示合型力传感器在T∈[400 s，600 s]内发生卡死故障时的输出残差曲线；图6表示传感器在T∈[600 s，1 000 s]内发生漂移故障；图7表示传感器在T∈[800 s，1 000s]内发生恒增益故障时的输出残差曲线。通过对各类典型故障的仿真实验，能够准确检测到合型力传感的各类故障。

4 结 语
    在此依据径向基(RBF)神经网络原理，以压铸机控制系统各传感器的输出参数作为RBF神经网络的输入，采用模糊K均值聚类算法选取聚类中心，建立传感器 RBF神经网络观测器模型对控制系统传感器进行故障诊断，仿真实验表明径向基神经网络具有较强的非线性处理和逼近能力，泛化能力强，网络运算速度快，能够准确发现和处理故障信号，性能稳定。因此，RBF神经网络故障诊断是压铸机控制系统一个必不可少的新管理工具。