一种基于模糊神经网络的故障诊断方法的研究

作者:金林;张洪才 刊名:西北工业大学学报 上传者:吾布里·阿依丁

【摘要】针对故障与征兆之间的复杂非线性映射关系 ,提出了一种新的诊断系统结构模型。用模糊神经网络从以往诊断实例的统计中得到诊断矩阵 ,用模糊变换法进行推理 ,通过动态权值综合法综合各规则的推理结论得出最后诊断结果 ,从而解决了规则不正交的问题 ,使诊断结果具有统计意义 ,且解决了常用方法中规则获取的困难和在使用中不易修改的问题。经对 A32 0飞机故障实例的诊断仿真 ,得出了比较满意的结果

全文阅读

一种基于模糊神经网络的故障 诊断方法的研究α金 林 , 张洪才 (西北工业大学 自动化学院, 陕西 西安 710072) 摘 要: 针对故障与征兆之间的复杂非线性映射关系, 提出了一种新的诊断系统结构模型。用模糊神经网络从以往诊断实例的统计中得到诊断矩阵, 用模糊变换法进行推理, 通过动态权值综合法综合各规则的推理结论得出最后诊断结果, 从而解决了规则不正交的问题, 使诊断结果具有统计意义, 且解决了常用方法中规则获取的困难和在使用中不易修改的问题。经对A 320 飞机故障实例的诊断仿真, 得出了比较满意的结果。 关 键 词: 故障诊断, 模糊推理, 神经网络 中图分类号: TP273   文献标识码:A    文章编号: 100022758(2004) 050657205   故障诊断通过故障与征兆之间的关系来判断设备状态, 这种关系在数学上可表示为由征兆空间到故障空间的一种映射。由于系统本身的复杂性、多样性, 此映射关系往往存在较强的非线性、模糊性及不确定性, 这给故障诊断带来很大的困难。经过不断的发展, 以模糊逻辑、专家系统、神经网络、演化计算等为基础的智能诊断方法, 已成为当前诊断技术发展的一个主要方向和研究热点[1~ 4]。然而, 规则模型获取的困难, 实际中征兆不完备以及如何在使用中不断自学习等问题仍然困扰着我们。本文针对简化规则的获取, 改善使用性和维护性, 提高诊断准确性, 以及自学习能力等方面, 提出了一种基于模糊神经网络的新的诊断系统模型结构。 1 诊断系统结构 诊断系统结构如图 1 所示, 该系统将模糊推理诊断与模糊神经网络学习相结合, 采用模糊逻辑系统对被诊断对象进行描述和推理, 用模糊神经网络对以往实际排故经验的统计结果进行自学习并将学习结果表示为一定的规则。两过程相对独立分别进行, 充分发挥各自的优点。 图 1 诊断系统结构图 几个具体问题说明如下: (1) 神经网络的构成 目前, 比较通用的方法是直接根据模糊规则或模糊分类算法构造相应的网络结构, 使神经网络的每个层, 每个节点都对应模糊系统的一部分。并根据实际的输入、输出数据, 调整网络的参数, 再将训练好的网络根据网络参数的网络意义转换成模糊系统[1]。其中BP 网络是用得较多、较有成效的一种。但在使用中却发现BP 网络在这里并不适用, 主要问题是: ① 隐层节点数取多少最为合适难以确定。实践表明隐层节点数太少, 学习不收敛; 隐层节点多可以提高训练精度, 但太多了会使训练时间过长; 如果刚 2004年10月第22卷第5期 西 北 工 业 大 学 学 报 Journal of Northw estern PolytechnicalU niversity O ct. 2004 Vol. 22 No. 5 α收稿日期: 200309208 作者简介: 金 林(1973- ) , 西北工业大学硕士生, 主要从事系统故障检测与诊断的研究 好, 当有新的规则需要学习时, 就可能需要重新调整隐层节点数, 并重新训练网络。通常采用三层结构的神经网络来表达推理规则部分, 在每个征兆仅两种属性的情况下, 隐含层节点数至少需要 2n 个, 网络结构庞大, 计算量大。 ② 网络初值设置不同, 训练出来的权值矩阵也不同, 虽然网络计算结果能在数量级上复现样本, 但对新的征兆向量的计算结果却有一定的差异。初值过大可能导致训练时间过长, 且可能不收敛。 ③ 在用BP 算法得到的权值矩阵中, 矩阵元素有正、有负, 难以用来表示置信度, 物理意义不明确, 虽可以诊断, 但很难用来建立和表达诊断规

参考文献

引证文献

问答

我要提问