模糊推理神經(jīng)網(wǎng)絡(luò)診斷模型案例

模糊推理神經(jīng)網(wǎng)絡(luò)診斷模型案例[摘要]本文基于通用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性和診斷的建模方法，建立了一種新的故障診斷模型一模糊神經(jīng)網(wǎng)絡(luò)診斷模型，并對它的智能診斷機理和突出特點進行了深入分析。最后，將該診斷模型應(yīng)用于某大型汽輪發(fā)電機組故障診斷中，分析得出它具有明顯的提高診斷精確度的優(yōu)越性。[關(guān)鍵詞]神經(jīng)網(wǎng)絡(luò)故障診斷智能診斷1模糊推理神經(jīng)網(wǎng)絡(luò)診斷模型建立1．1通用網(wǎng)絡(luò)模型自適應(yīng)動態(tài)特性比較兩類典型的神經(jīng)網(wǎng)絡(luò)一前向BP網(wǎng)絡(luò)與反饋Hopfied網(wǎng)絡(luò)，可以發(fā)現(xiàn)其核心是單層神經(jīng)網(wǎng)絡(luò)，則兩類網(wǎng)絡(luò)可以用一個通用神經(jīng)網(wǎng)絡(luò)模型來描述。根據(jù)點集拓撲理論和人工神經(jīng)網(wǎng)絡(luò)空間概念，對這個通用神經(jīng)網(wǎng)絡(luò)模型的特征進行分析得出以下兩個結(jié)論，證明從略。定理1神經(jīng)網(wǎng)絡(luò)空間在緊集上的連續(xù)函數(shù)空間C上以及按L2范數(shù)在平方可積函數(shù)空間I上都是稠密的。推論1由通用神經(jīng)網(wǎng)絡(luò)模型所生成的任何開集可以一致逼近緊集上的連續(xù)映射函數(shù)f∈C(Rn。Rm)。由推論1表明，通用網(wǎng)絡(luò)模型所概括的任何開集(如BP網(wǎng)絡(luò)、Hopfied網(wǎng)絡(luò)、BAM網(wǎng)絡(luò))通過自學(xué)習(xí)都能一致逼近緊集上的連續(xù)映射函數(shù)f∈(Rn，Rm)，因而具有良好的自學(xué)習(xí)、自適應(yīng)動態(tài)特性。1．2診斷建模方法設(shè)xjn(j=1，2，...，k)對應(yīng)反映設(shè)備運行狀態(tài)第n個觀測樣本的k個特征參數(shù)，yin，(i=1，2，...l)對應(yīng)第n個樣本的1種故障模式，共有N個樣本xjn∈RN，yin∈RN，[n=1，2，...，N)，則故障模式向量Y={yin，i=1，2，...，l}與特征參數(shù)向量x={xin，i=1，2，...，k}間的內(nèi)在關(guān)系用函數(shù)P表示，有：X=P(Y)。當(dāng)N→∞時，函數(shù)P的逆函數(shù)存在，以函數(shù)S表示，有：Y=S(X)診斷問題建模的實質(zhì)就是根據(jù)有限的樣本集，確定函數(shù)S(X)的一等價映射關(guān)系SS(X)，使得對于任意的ε>0，滿足：||S(X)-SS(X)||=||y-YY||0)=(Y0)x→x0則映射SS建立了診斷問題的數(shù)學(xué)模型。推論3若映射SS(X)一致逼近定義在緊集[0，1]k上的實連續(xù)函數(shù)，則映射SS建立了診斷問題的數(shù)學(xué)模型。1．3模糊神經(jīng)網(wǎng)絡(luò)診斷模型基于通用神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)動態(tài)特性，根據(jù)推論3的結(jié)論。通用網(wǎng)絡(luò)模型所概括的任何開集都能作為診斷問題的數(shù)學(xué)模型。即對某一具體診斷問題，配以相應(yīng)的網(wǎng)絡(luò)模型，通過網(wǎng)絡(luò)自學(xué)習(xí)就能逼近診斷問題本身的映射關(guān)系。同時考慮診斷問題存在著不可逆性，須采用模糊方法予以處理，本文建立了如圖1所示的模糊神經(jīng)網(wǎng)絡(luò)診斷模型。該模型實際上由原始知識產(chǎn)生(FundamentalKnowlegeProduced，簡記為FKP)、學(xué)習(xí)樣本模糊組織(LearningSampleFuzzySet，簡記為LSFS)、人工神經(jīng)網(wǎng)絡(luò)(ArtificalNeuralNetwork，簡記為ANN)和特征提取(ChameteristiesExtraeted，簡記為CE)4個數(shù)學(xué)模型有機地組成，實現(xiàn)機組的故障診斷。它的工作過程如下：(1)通過對經(jīng)驗和案例知識的匯編或?qū)C組轉(zhuǎn)子系統(tǒng)故障振動機理進行分析計算、試驗測試等產(chǎn)生原始知識(Y，X)(FKP模型也相應(yīng)地包括匯編、計算機數(shù)字仿真、試驗測試三類模型)。(2)產(chǎn)生了足夠可用的原始知識，將之輸入到LSFS模型中，進行學(xué)習(xí)樣本的模糊重構(gòu)，輸出訓(xùn)練樣本(X，Y)集。(3)將訓(xùn)練樣本集輸入到ANN模型中，學(xué)習(xí)訓(xùn)練使之收斂到一定精度，即：E≤ε(Emin)。(4)從運行機組上拾取監(jiān)測信號XM，輸入到CE模型中，完成信號檢測與特征提取，輸出特征參數(shù)數(shù)據(jù)XM。(5)將反映機組運行狀態(tài)的特征參數(shù)XM輸入到學(xué)習(xí)收斂后的ANN模型中，進行信息分類處理，給出診斷結(jié)果YM。(6)將ANN模型的分類處理信息對(XM，YM)歸入訓(xùn)練樣本集，動態(tài)增強ANN模型的自適應(yīng)能力。2模糊推理神經(jīng)網(wǎng)絡(luò)診斷模型的基本屬性模糊神經(jīng)網(wǎng)絡(luò)診斷模型是一種基于知識的診斷，它屬于人工智能診斷的范疇。一般地，人工智能診斷系統(tǒng)應(yīng)包含有以下幾個方面的內(nèi)容：(1)對診斷領(lǐng)域的現(xiàn)有知識進行學(xué)習(xí)、抽象、概括，以形成該領(lǐng)域的特有知識，并按一定存貯方式存入知識庫；(2)在對具體對象進行診斷識別時，應(yīng)對該對象進行了解以獲得足夠的關(guān)于該對象的故障征兆信息，并對這些信息進行分析，提出以形成有價值的特征；(3)將該診斷對象的特征模式與知識庫中的模式相匹配，并進行推理分析，以得出是否存在故障，故障的性質(zhì)、部位、嚴(yán)重程度怎樣等。從上所述的模糊神經(jīng)網(wǎng)絡(luò)診斷模型建立，足以表明它具有人工智能診斷的一般屬性和基本內(nèi)容，而且在知識產(chǎn)生、表達、獲取及推理諸方面具有自己的獨特之處。在知識產(chǎn)生方面。它不僅含有對診斷領(lǐng)域現(xiàn)有知識的匯編，而且包括了計算機數(shù)字仿真生成知識的內(nèi)容。可以用傳遞矩陣法建立機組振動響應(yīng)力學(xué)模型，通過數(shù)值模擬得到常見故障的振動響應(yīng)分布，再引入轉(zhuǎn)子系統(tǒng)傳遞函數(shù)的概念，生成反映機組故障作用位置的傳遞函數(shù)矩陣，最后通過轉(zhuǎn)置變換。即得到知識集。在知識表達方面，它表現(xiàn)為淺層和深層兩種形式，面向?qū)＜?、知識工程師和用戶的原始知識，經(jīng)過LSFS模型的數(shù)學(xué)處理后得到一些學(xué)習(xí)范例，本文稱之為淺知識。這種知識形式易于表達模糊性和不確定性；淺知識通過網(wǎng)絡(luò)自學(xué)習(xí)轉(zhuǎn)化為網(wǎng)絡(luò)的內(nèi)部編碼，分布在網(wǎng)絡(luò)結(jié)構(gòu)上，最終是用大量神經(jīng)元的互連方式及對備連接權(quán)重的分布來表達特定的概念或知識，這種形式是一種深層的隱含表達方式，本文稱之為深知識或隱含知識。3工程應(yīng)用為了考核模糊神經(jīng)網(wǎng)絡(luò)診斷模型理論的正確性和優(yōu)越性，將之與傳統(tǒng)BP網(wǎng)絡(luò)同時應(yīng)用于某大型汽輪發(fā)電機組的故障類型識別中進行比較。這里，首先估計機組可能存在不平衡，碰摩，不對中，軸裂紋，聯(lián)軸器不正，緊固件松動及油膜渦動7種故障。傳統(tǒng)BP網(wǎng)絡(luò)在進行診斷時，先人為組織網(wǎng)絡(luò)訓(xùn)練樣本，且訓(xùn)練樣本的輸出取為0，1值，即在表達自身頻譜的故障位置賦1。否則賦0；而模糊神經(jīng)網(wǎng)絡(luò)診斷模型則通過LSFS模型(本文為了獲得明顯的診斷效果，其采用改進模糊貼近度法，且貼近度系數(shù)CONST=2[3])組織網(wǎng)絡(luò)訓(xùn)練樣本，其結(jié)果訓(xùn)練樣本的輸出取值于區(qū)間[0，1]。在初始條件完全相同的情況下，將各自的訓(xùn)練樣本集分別輸入同一結(jié)構(gòu)的網(wǎng)絡(luò)進行訓(xùn)練得出如圖2所示的訓(xùn)練誤差曲線比較圖。由圖可以發(fā)現(xiàn)，在一個誤差精度要求不高的區(qū)域里，即系統(tǒng)誤差error>0.002時，傳統(tǒng)BP網(wǎng)絡(luò)的收斂速度低于模糊神經(jīng)網(wǎng)絡(luò)診斷模型，由于此精度區(qū)域一般沒有工程意義，故不做分析討論；而在誤差精度要求高的區(qū)域里，傳統(tǒng)BP網(wǎng)絡(luò)的收斂速度卻高于模糊神經(jīng)網(wǎng)絡(luò)診斷模型。這是因為傳統(tǒng)BP網(wǎng)絡(luò)的訓(xùn)練樣本輸出僅簡單取為0，1值。而模糊神經(jīng)網(wǎng)絡(luò)診斷模型訓(xùn)練樣本的輸出取值于區(qū)間[0，1]。此相當(dāng)于對輸出進行了編碼，從而增加了隱層節(jié)點的附加工作來完成這種編碼功能，甚至需要增加隱層節(jié)點數(shù)或增加隱層才能滿足要求。4緒論基于以上的分析、論述表明，本文所建立