基于模糊神经网络的天然气发动机故障诊断

作者:冯辉宗;钟玲;袁荣棣 刊名:计算机应用 上传者:马鸿昌

【摘要】针对神经网络在故障诊断中的局限性,提出了一种将模糊理论与改进的BP神经网络结合的故障诊断方法,使其应用到天然气发动机故障诊断中。首先建立天然气发动机常见故障知识库;其次对故障征兆进行模糊化预处理,获得了神经网络训练样本,最后应用M atlab软件进行了系统仿真。仿真结果表明:该方法收敛速度快、诊断精度高、自适应性强,能够有效地诊断天然气发动机不确定故障。

全文阅读

0引言随着社会各界对节能环保日益重视,以天然气为主的新能源发动机已成为国内外研究的热点课题。大多数天然气发动机是在汽油机、柴油机的基础上改装而成,使得天然气机功能结构越来越复杂。为了提高天然气发动机运行的安全性和可靠性,避免和及时诊断处理天然气机的故障问题显得尤为重要。随着人工智能技术的迅速发展,基于人工神经网络(ArtificialNeuralNetwork,ANN)的智能诊断方法在复杂设备诊断领域广泛应用。但其只适用于确定型关系学习[1],对离散型故障不具备处理和描述模糊信息的能力,网络收敛需要大量迭代时间。基于模糊理论与神经网络的故障诊断方法可以在不需要确定模型的情况下模拟人类的智能行为,对线性和非线性系统均适用。该技术充分吸收了各自的优点,其中模糊理论可以将不确定的故障信息转换为以隶属度数值表示的模糊集,而ANN具有良好的自学习能力与存储故障信息能力,可以将这些模糊集通过网络训练进行故障识别。同时模糊理论将识别输出的模糊故障信息转化为确定性信息,从而得到更高效、更精准的诊断结论。为此文章提出将模糊神经网络的故障诊断方法应用到天然气发动机中,以实现对其常见故障诊断的目的。1模糊神经网络的故障诊断方法模糊神经网络故障诊断方法就是将各种不确定的故障信息用模糊理论进行处理,并结合神经网络进行诊断。首先必须确定量化输入层的神经元数,根据模糊理论将每一个输入量进行模糊化使神经网络有比较精确的训练样本;然后利用BP神经网络进行故障诊断;最后将神经网络输出变量反模糊化。它有三个模块:输入模糊化模块、神经网络学习模块和反模糊化模块。具体结图1构如模图糊1神所经示网。络结构1.1输入模糊化模块输入模糊化模块完成从故障征兆向量到网络输入模式之间的转化,即将故障现象信号转化为以隶属度表示的模糊量集合[2],其作用是将输入信号进行模糊化处理。在一个系统(一台机器或某个部件)中,所有可能发生的故障及发生故障的各种原因可以用一个集合来表示,故障的总数为m,用欧氏向量表示为:Y={y1,y2,…,ym}={yt|t=1,2,…,m,mN}由上面这些故障原因所引起的各种故障征兆也定义一个集合,故障征兆的总数为n,用欧氏向量表示为:X={x1,x2,…,xn}={xk|k=1,2,…,n,nN}该集合中各分量元素xk存在故障yt的程度可以用隶属度函数t(xk)来表示。那么,将故障征兆集合X中的各元素转换为隶属度便可构成系统故障输入模糊向量,即:Ak={1(xk),2(xk),…,m(xk)}该系统故障输入模糊集合为:A={A1,A2,…,Ak|k=1,2,…,n,kN}目前确定隶属度函数的方法很多,主要有三种:第一种是统计调查结果得出的技经验曲线作为隶属度函数,如模糊统计实验法;第二种是专家经验法,根据专家的实际经验给出模糊信息的处理算式或相应权系数值来确定隶属函数;第三种是根据问题的性质,选用某些典型的函数作为隶属度函数,如降半矩形分布、升半哥西分布等。在故障诊断方面一般选用专家经验法,初步确定粗略的隶属函数,然后再通过“学习”和“实践检验”逐步修改和完善。1.2神经网络诊断模块神经网络诊断模块主要负责故障样本的网络训练并完成故障推理的过程,其网络训练算法是目前应用最广、成果显著、易于实现的BP算法[3]。一般标准的BP网络是三层网络,包括输入层、隐层和输出层。在故障诊断中,输入层表示从实际系统中接收各种故障征兆;隐层是把输入层得到的故障征兆经过内部学习和处理,转化为针对性的解决办法;输出层则是针对输入的故障形式,经过调整权值系数后,得到处理故障的方法。但一般标准的BP算

参考文献

引证文献

问答

我要提问