基于模糊灰色关联神经网络的综合故障诊断方法研究

作者:杨广;吴晓平;常汉宝 刊名:武汉理工大学学报(交通科学与工程版) 上传者:徐益宏

【摘要】考虑到灰色关联诊断中模式向量各参数量纲不同,数量级存在差异,且各种特征因子有各自的应用缺陷,通过将模糊理论和灰色关联度相结合,形成所提取故障特征值的模糊关联度,将模糊关联度作为神经网络的输入量进行故障种类的识别,提出了模糊灰色关联神经网络故障识别方法,实现了针对在不同工作状态下的故障识别.对舰船主动力系统故障进行实例诊断研究,诊断结果表明,该方法准确、有效.

全文阅读

设备状态监测与故障诊断技术越来越受到国内外的重视,其故障诊断过程从本质上说就是对模式(状态)的识别过程.而用灰色系统理论的关联度分析进行故障诊断的最大特点[1]就是方法简便,计算量小,诊断结果可靠.本文将模糊数学和灰色关联度有机结合在一起,把模糊隶属度引入灰色关联分析中,形成所提取故障特征值的模糊关联度.用模糊隶属度来反映两数据的相似程度,从而使各参数在关联度计算中具有等效性,并将模糊关联度作为神经网络的输入量进行故障种类的识别,利用神经网络强大并行计算和分类功能实现针对不同工作状态下的故障识别.1综合诊断模型1.1模糊灰色关联度模型关联度是由关联系数演变来的[2],记Xj对Xi的关联系数为ij(tl).tl为Xj与Xi比较关联性的采样点,记ij(tl)=Xj(tl)-Xi(tl),tl{1,…,N}(1)式中:min=minjmintlij(tl),max=maxjmaxtlij(tl).定义ij(tl)为ij(tl)=min+maxij(tl)+max,tl{1,…,N}(2)式中:为取定的常数,[0,1].则Xi与Xj的关联度为ij=1NNtl=1ij(tl)(3)用关联度识别故障模式(状态)与用判别函数(特征参数)识别故障模式的方法是类似的,设标准模式特征向量阵Xri为Xri=Xr1Xrn=Xr1(1)…Xr1(k)Xrn(1)…Xrn(k)(4)式中:下标r为标准(参考)模式;下标n为设备的标准故障模式个数;k为每个故障模式的特征向量个数.式(4)即是诊断用的标准谱.设第j个待检模式的特征向量为Xij=[Xij(1),Xij(2),…,Xij(k)](5)由式(3)可算出如下的关联度序列tiri=[t1r1,t2r2,…,tnrn](6)如果把关联度序列从小到大依次排列,得到tjrm>tjrn>tjrk>…(7)式中:m,n和k分别为{1,2,…,n}的某个自然数.排列次序也表示了待检模式Xtj与标准模式Xrm,Xrn,Xrk,…,等的关联程度大小的排列次序,于是就得到了待检故障状态的故障模式划归为标准故障模式可能性大小的次序.考虑到灰色关联诊断中模式向量中各参数量纲不同,数量级存在差异的不足,且各种特征因子有各自的应用缺陷,由式(3)计算的关联度指标所表示的2种模式之间的相似程度来诊断故障,在某种程度上其准确度不是很高.而在模糊系统中,采用海明(Haiming)距离或贴近度来判断事物之间、因素之间的相似或相异程度[3].设x0和xi为某工程评价指标论域上的模糊子集,其隶属函数分别为0(k)和i(k),则x0,xi的海明距离为[4]d(x0,x1)=0(k)-i(k)dk(8)因海明距离越小,曲线间的位置越接近,事物的相似程度越大,而关联度越大,事物的相似程度越大,为此将关联度转化为1-0i,即1-0i小,事物相似程度越大.将海明距离与关联度合并为一综合指标,定义两事物的模糊关联度为d(x0,xi)=[d(x0,x1)+(1-0i)]/2(9)由式(9)可知d(x0,xi)越小,则x0,xi越相似.1.2神经网络BP网络隐含层采用Sigmoid函数作为激励函数,输出层采用线性函数.由于BP网络容易陷入局部极小点,且原始训练方法的训练速度也不理想,因此本文给出Polak-Ribire(PR)算法和改进梯度法交替搜索的改进BP算法[5-7]进行故障识别.1.3诊断过程本文利用三层前馈BP神经网络作为诊断模型,包括输入层、隐层和输出层,故障征兆作为输入层节点,故障原因作为输出层节点.将模糊灰色关联度[8]作为输入量输入BP网络,运用训练好的网

参考文献

引证文献

问答

我要提问