未来智库 > 神经网络论文 > 模糊推理神经网络诊断模型案例

模糊推理神经网络诊断模型案例

发布时间:2018-08-24 01:06:38 文章来源:未来智库    
    [关键词]神经网络 故障诊断 智能诊断
    
    1 模糊推理神经网络诊断模型建立
    
    1.1通用网络模型自适应动态特性
    比较两类典型的神经网络一前向BP网络与反馈Hopfied网络,可以发现其核心是单层神经网络,则两类网络可以用一个通用神经网络模型来描述。根据点集拓扑理论和人工神经网络空间概念,对这个通用神经网络模型的特征进行分析得出以下两个结论,证明从略。
    定理1神经网络空间在紧集上的连续函数空间C上以及按L2范数在平方可积函数空间I上都是稠密的。
    推论1由通用神经网络模型所生成的任何开集可以一致逼近紧集上的连续映射函数f∈C(Rn。Rm)。
    由推论1表明,通用网络模型所概括的任何开集(如BP网络、Hopfied网络、BAM网络)通过自学习都能一致逼近紧集上的连续映射函数f∈(Rn,Rm),因而具有良好的自学习、自适应动态特性。
    1.2诊断建模方法
    设xjn(j=1,2,...,k)对应反映设备运行状态第n个观测样本的k个特征参数,yin,(i=1,2,...l)对应第n个样本的1种故障模式,共有N个样本xjn∈RN,yin∈RN,[n=1,2,...,N),则故障模式向量Y={yin,i=1,2,...,l}与特征参数向量x={xin,i=1,2,...,k}间的内在关系用函数P表示,有:X=P(Y)。当N→∞时,函数P的逆函数存在,以函数S表示,有:Y=S(X)
    诊断问题建模的实质就是根据有限的样本集,确定函数S(X)的一等价映射关系SS(X),使得对于任意的ε>0,满足:
    || S(X)-SS(X)||=||y-YY||<ε
    式中:YY=SS(X)为模型输出,Y=S(X)为标准输出,||,||为定义在样本空间R上的范数,ε表达了函数SS(X)的映射精度。
    参照数学基础中的有关连续的定义,针对诊断建模问题得出以下3个结论,证明从略。
    定理2对于机械诊断问题,通过一定的数学变换,可得到X∈[0,1]k,Y∈[0,1]l,若映射S为定义在[0,1]k到[0,1]l上的实连续函数,又[0,1]k为RN的紧密子集,则映射s就能表征机械诊断问题,即:Y=S(X)
    定理3对于机械诊断问题Y=S(X),其中X∈[0,1]k,Y∈[0,I]l,若存在映射ss,使得对于有限样本集(X,Y]N中任意的X0∈[0,1]k有:
    limSS(X)=S(X0)=(Y0)
    x→x0
    则映射SS建立了诊断问题的数学模型。
    推论3若映射SS(X)一致逼近定义在紧集[0,1]k上的实连续函数,则映射SS建立了诊断问题的数学模型。
    1.3模糊神经网络诊断模型
    基于通用神经网络模型的自适应动态特性,根据推论3的结论。通用网络模型所概括的任何开集都能作为诊断问题的数学模型。即对某一具体诊断问题,配以相应的网络模型,通过网络自学习就能逼近诊断问题本身的映射关系。同时考虑诊断问题存在着不可逆性,须采用模糊方法予以处理,本文建立了如图1所示的模糊神经网络诊断模型。
    
    该模型实际上由原始知识产生(Fundamental Knowlege Produced,简记为FKP)、学习样本模糊组织(Learning Sample Fuzzy Set,简记为LSFS)、人工神经网络(Artifical Neural Network,简记为ANN)和特征提取(Chameteristies Extraeted,简记为CE)4个数学模型有机地组成,实现机组的故障诊断。它的工作过程如下:(1)通过对经验和案例知识的汇编或对机组转子系统故障振动机理进行分析计算、试验测试等产生原始知识(Y,X)(FKP模型也相应地包括汇编、计算机数字仿真、试验测试三类模型)。(2)产生了足够可用的原始知识,将之输入到LSFS模型中,进行学习样本的模糊重构,输出训练样本(X,Y)集。(3)将训练样本集输入到ANN模型中,学习训练使之收敛到一定精度,即:E≤ε(Emin)。(4)从运行机组上拾取监测信号XM,输入到CE模型中,完成信号检测与特征提取,输出特征参数数据XM。(5)将反映机组运行状态的特征参数XM输入到学习收敛后的ANN模型中,进行信息分类处理,给出诊断结果YM。(6)将ANN模型的分类处理信息对(XM,YM)归入训练样本集,动态增强ANN模型的自适应能力。
    
    2 模糊推理神经网络诊断模型的基本属性
    
    模糊神经网络诊断模型是一种基于知识的诊断,它属于人工智能诊断的范畴。一般地,人工智能诊断系统应包含有以下几个方面的内容:(1)对诊断领域的现有知识进行学习、抽象、概括,以形成该领域的特有知识,并按一定存贮方式存入知识库;(2)在对具体对象进行诊断识别时,应对该对象进行了解以获得足够的关于该对象的故障征兆信息,并对这些信息进行分析,提出以形成有价值的特征;(3)将该诊断对 象的特征模式与知识库中的模式相匹配,并进行推理分析,以得出是否存在故障,故障的性质、部位、严重程度怎样等。
    从上所述的模糊神经网络诊断模型建立,足以表明它具有人工智能诊断的一般属性和基本内容,而且在知识产生、表达、获取及推理诸方面具有自己的独特之处。
    在知识产生方面。它不仅含有对诊断领域现有知识的汇编,而且包括了计算机数字仿真生成知识的内容。可以用传递矩阵法建立机组振动响应力学模型,通过数值模拟得到常见故障的振动响应分布,再引入转子系统传递函数的概念,生成反映机组故障作用位置的传递函数矩阵,最后通过转置变换。即得到知识集。
    在知识表达方面,它表现为浅层和深层两种形式,面向专家、知识工程师和用户的原始知识,经过LSFS模型的数学处理后得到一些学习范例,本文称之为浅知识。这种知识形式易于表达模糊性和不确定性;浅知识通过网络自学习转化为网络的内部编码,分布在网络结构上,最终是用大量神经元的互连方式及对备连接权重的分布来表达特定的概念或知识,这种形式是一种深层的隐含表达方式,本文称之为深知识或隐含知识。
    
    3 工程应用
    
    为了考核模糊神经网络诊断模型理论的正确性和优越性,将之与传统BP网络同时应用于某大型汽轮发电机组的故障类型识别中进行比较。这里,首先估计机组可能存在不平衡,碰摩,不对中,轴裂纹,联轴器不正,紧固件松动及油膜涡动7种故障。
    传统BP网络在进行诊断时,先人为组织网络训练样本,且训练样本的输出取为0,1值,即在表达自身频谱的故障位置赋1。否则赋0;而模糊神经网络诊断模型则通过LSFS模型(本文为了获得明显的诊断效果,其采用改进模糊贴近度法,且贴近度系数CONST=2[3])组织网络训练样本,其结果训练样本的输出取值于区间[0,1]。在初始条件完全相同的情况下,将各自的训练样本集分别输入同一结构的网络进行训练得出如图2所示的训练误差曲线比较图。
    由图可以发现,在一个误差精度要求不高的区域里,即系统误差error>0.002时,传统BP网络的收敛速度低于模糊神经网络诊断模型,由于此精度区域一般没有工程意义,故不做分析讨论;而在误差精度要求高的区域里,传统BP网络的收敛速度却高于模糊神经网络诊断模型。这是因为传统BP网络的训练样本输出仅简单取为0,1值。而模糊神经网络诊断模型训练样本的输出取值于区间[0,1]。此相当于对输出进行了编码,从而增加了隐层节点的附加工作来完成这种编码功能,甚至需要增加隐层节点数或增加隐层才能满足要求。
    
    
    4 绪论
    
    基于以上的分析、论述表明,本文所建立的模糊神经网络诊断模型理论,无论从建立的理论基础、方法体系,还是从建立的结果看,它都是正确的;且它在原始知识的产生方式、学习样本的合理组织以及在网络模型的自适应选取方面都具有突出特点。通过理论分析和工程实际应用表明,该模型理论的应用能提高诊断精度。具有诊断功能强、智能化程度高、便于实用推广的特点。
转载请注明来源。原文地址:https://www.7428.cn/page/2018/0824/29261/
 与本篇相关的热门内容: