基于自适应模糊神经网络的故障诊断方法

作者:王生昌;赵永杰;许青杰 刊名:汽车工程 上传者:齐国佳

【摘要】对模糊逻辑和神经网络的优缺点进行分析,提出一种基于自适应模糊神经网络的故障诊断方法。它把模糊逻辑和神经网络有机结合起来,生成自适应模糊神经推理系统(ANFIS);文中给出了该系统的原理及实现算法,最后使用M atlab Fuzzy工具箱对柴油发动机喷油泵柱塞故障数据进行建模,结果表明该方法是可行的,并且有较高的诊断效率。

全文阅读

1前言对于故障诊断而言,系统状态识别(模式识别)是整个诊断过程的核心[1]。机器在运行时是一个复杂的动力学系统,其工作环境有电磁、电源等干扰,工作状态不稳定,特别是在多故障源时,要求模式识别的过程具有自适应性和鲁棒性。模糊系统和神经网络有很多互补的特点,可以实现故障诊断系统对不精确或不确定等模糊信息的处理。基于神经网络的自适应模糊推理系统(adaptiveneuro-basedfuzzyinferencesystem,ANFIS)就是这种结合的产物。它可以利用神经网络的学习机制补偿模糊推理的缺点。两者结合形成的模糊神经网络具有模糊逻辑易于表达人类知识和神经网络分布式信息存储及学习的优点,为复杂系统的建模和控制提供了有效的工具[2]。柴油机喷油系统的技术状况决定了燃油的喷射质量,从而对柴油机的工作性能产生影响,其燃油压力波形也会发生变化。柱塞是喷油系统的重要部件,通过不解体测试,分析其压力波形,进行故障诊断和零件故障监测,及早发现柱塞的故障,采取相应措施,为实现从定期维修向更科学的视情维修提供理论依据。文献[3]中用BP神经网络建立故障模型,由于BP网络在训练过程中有陷入局部最小,其收敛速度慢、训练时间长、网络结构的选取缺少成熟的理论指导等问题。因此,提出了利用自适应模糊神经网络来建立柴油发动机喷油泵柱塞的故障诊断模型。2自适应模糊神经网络的原理21模糊神经网络的结构作者采用的自适应模糊神经网络是一个5层ANFIS网络,它是一种基于Takagi-Sugeno模型的模糊推理系统。它将模糊推理系统中的模糊逻辑规则及隶属度函数参数通过神经网络的自学习来制定,并自动产生模糊规则,克服了模糊控制系统中模糊推理规则主要根据专家经验设计,从而缺乏自学习能力,控制精度不高,鲁棒性、实时性均达不到相应理想要求等问题。该网络具有以任意精度逼近非线性函数的能力[4]。其结构如图1和图2所示。图1模糊神经网络原理图图2典型ANFIS系统结构示意图以简单的两输入单输出为例,网络共分为5层:隶属度函数生成层、规则推理层、模糊化层、去模糊化层和输出层[5]。第1层:每个节点i是以节点函数表示的自适应节点(该层参数是可变的),模糊化层每一节点的输出即为隶属度,它表明对应节点的输入隶属于某一模糊规则的程度,通常可以选用高斯函数。以节点A1为例,传递函数表示为O1,1=A1(x1)=exp[-(xj-dij)/2ij](1)式中A为隶属函数;xj(j=1,2)为节点j的输入;dij、ij分别为隶属度函数的中心和宽度,i为隶属度函数所在的层数,j为层中的节点数,Aj(j=1,2)是与该节点函数值相关的语言变量。第2层:是规则推理层,模糊规则库是由If-then规则组成的:ifx1isA1andx2isA2,theny=ax1+bx2+c,推理机将输入的模糊集合映射成输出的模糊集合,它表示模糊输入与模糊输出的关系。常用的推理规则有:最小值规则、乘积规则、最大最小规则、Boolean规则等。节点在图2中用表示,即将输入信号相乘,将其乘积输出为O2,j=wj=AjBj(x2)j=1,2(2)第3层:节点在图2中用N表示,它对各条规则的适用度做归一化处理,第j节点计算第j条规则的wj与全部规则值w之和的比值为O3,j=wj=wj/S,S=jwjj=1,2(3)第4层:去模糊化器是把模糊输出集合映射成精确输出集合。通常采用的去模糊化方法有最大值去模糊化法、中心平均去模糊化法、重心去模糊化法[6]等。每个节点为自适应节点,即为去模糊化层,采用重心法加权求和,其输出为O4,j=wjfjj=1,2(4

参考文献

引证文献

问答

我要提问