表1机架墙板分析结果工况分类岩石直径/mm块数大位移/mm大Voi―Mises应力/机架材料为Q235，由手册查得：弹性模量E= 0.3.根据实际工作中进料口物料尺寸与数量的不同，经过分析计算，每块直径220mm岩石作用力为1106Pa，每块直径320mm岩石作用力为1.8106Pa.机架墙板原始厚度为20mm，其承受了主要的冲击力，重点对其刚度与强度进行了分析校验，分别计算了多种工况。分析结果见表1.对于工况1从等效应力云来看，大应力值为182MPa主要在第1级反击板与墙板装配位置，这里出现应力集中现象。是应力集中区域放大效果图。从可以看出，如果排除局部应力集中区域，则实际应力要小很多，应力值较大值为120MPa，没有超过材料的许用应力=160MPa.另外，由于岩石撞击力不会持续作1上述分析结果是在极限条件下得到的，所几架墙板的强度有；定的优化余地。xnki.net刚度分析主要考察结构在承受外载作用下，结构的变形量。在此工况下，结构的变形大位移为1.223mm，位置在后箱架墙板的侧门左上端。而且其周边区域变形也比较大，从0.408 ~0.815mm.侧门位置附近有较大的位移和变形，局部刚度较弱，是机架的薄弱环节，是需要加强和改进的区域。但从机架整体来说，结构刚性是合理的。

　　考虑4块岩石同时作用，应力分布与位移分布没有较大的改变。应力集中区域大值达到365MPa，排除应力集中范围，应力值仍在材料的机架墙板等效应力云图（直径220mm）许用应力范围之内，强度基本满足要求。较大的变形仍位于侧门的左上端处，所以该位置附近的刚性较弱，在结构的改进和优化过程是需要注意，的。

　　工况3是极端恶劣的工况，分析目的在于考察结构的刚度和强度极限能力。当4块直径320mm岩石同时撞击反击板时，结构的应力与位移都有较大的改变。结构的大等效应力已达到792MPa，而大变形也已达到7mm.此时的机架结构无论是从强度还是刚度都是比较危险的。所以在实际工作环境中，此种工况是应该避免的。

　　4机架墙板的变厚度协同仿真分析通过上述计算，机架结构的强度在通常工况下，是有优化与改进余地的。在满足结构强度的基础上，应尽可能使结构重量轻，以达到省材的目的。机架材料密度是一定的，所以只要改变厚度，即可反映出结构重量。

　　表2机架墙板分析结果工况分类岩石直径/mm块数大位移/mm大Voi―Mises应力/MPa工况122021.334239工况222042.689477由于实现了CAD/CAE设计-仿真的同步协同，通过墙板变厚度分析，可反映结构强度变化，从而在减重优化过程中有一定的依据。当然也需要从实际出发，结构不可能过于薄。将厚度从20mm减小为15mm.对上述工况再次做了分析，分析结果见表2.对于工况1来说，当机架墙板厚度减小为15mm时，应力大值从182MPa增大到239MPa，增幅约30，如等效应力云图。而大变形量则从1. 223mm增大到1.334mm，增幅约9.所以墙板对结构强度有着重要的影响。如果排除应力集中现象，应力较大值仍会低于许用应力=160MPa，并且岩石撞击力不会持续作用，结构强度与刚度可以满足要求。

　　当厚度减小到15mm时，工况2对应的等效应力大值已达到477MPa，增幅约30，已经远超过许用应力，是比较危险的。另外，位移变化不是很显著，大位移增幅约8.如要将厚度减小到15mm，则需要加强局部应力集中区域，如增加加固装置，以降低应力值，符合强度要求，并避免恶劣的工况。工况3在原厚度情况下，某些部位的应力值就超出了许用应力值。而厚度对结构的影响又比较显著。所以如果将其减小到15mm，对于工况3来说，结构是会很危险的。

　　由于计算的是比较恶劣的极限情况，即岩石撞击力持续作用，所以得出的应力值偏高。对于通常的载荷工况，机架结构的强度是足够的，应力都在材料的许用应力范围之内，并且有优化和改进的余地。对于极端恶劣的工况，在实际工作状态中，要尽量避免。机架的变形量在某些工况下较大，主要集中在后墙板侧门的左上端，应采取一定的措施，加强该处的刚度。机架墙板对于整体强度有着重要的影响，改变墙板厚度，应力变化显著。在容易出现应力集中现象的区域，如反击板与机架装配位置处增加加固装置，可在一定程度上改善应力。如果要对机架进行厚度的改进，对于通常的载荷工况，15~ 20mm范围内强度是可以满足的。在改进和寻优过程中，应同时注意满足刚度要求，防止变形量过大。（下转第116页）传感器对系统的输出温度进行实时检测，测量噪声为正态分布的白噪声NfO，S2）（i= 0.85，52=0.65）。2个传感器数据融合后的输出如所示。系统的温度变化范围为10~ 18~22min时，传感器1出现短路故障；k= 31~35min时传感器2出现开路故48~52min时2个传感器同时出现故障的情况。可见，当2个传感器中任何一个出现故障时，融合单元的输出数据就无效，此时预测单元Elman神经网络的输出作为传感器的有效数据。经决策单元处理后，传输给控制器或监控器，预测单元Elman神经网络的输出曲线如所示。该网络的作用函数为线性函数，阈值为0，隐含层和衔接层都含有6个神经元，衔接层的自反馈增益A=将与进行比较，可见Elman神经网络在2个传感器不同时发生故障时，总能准确地预测系统下一时刻的输出值，地识别传感器的故障。

　　3结语仿真结果表明提出的传感器故障识别模型和算法是有效的，它利用了过程仪表中通常存在测量冗余的特点及神经网络信息融合的优势，能准确地识别传感器的故障，使系统可靠运行。该模型和算法不仅适用于双传感器系统，而且还适用于多传感器系统以及已有的过程和实验数据单输出模型，具有一定的通用性。