模糊推理神經網絡診斷模型案例[摘要]本文基于通用神經網絡的自適應性和診斷的建模方法，建立了一種新的故障診斷模型一模糊神經網絡診斷模型，并對它的智能診斷機理和突出特點進行了深入分析。最后，將該診斷模型應用于某大型汽輪發電機組故障診斷中，分析得出它具有明顯的提高診斷精確度的優越性。[關鍵詞]神經網絡故障診斷智能診斷1模糊推理神經網絡診斷模型建立1．1通用網絡模型自適應動態特性比較兩類典型的神經網絡一前向BP網絡與反饋Hopfied網絡，可以發現其核心是單層神經網絡，則兩類網絡可以用一個通用神經網絡模型來描述。根據點集拓撲理論和人工神經網絡空間概念，對這個通用神經網絡模型的特征進行分析得出以下兩個結論，證明從略。定理1神經網絡空間在緊集上的連續函數空間C上以及按L2范數在平方可積函數空間I上都是稠密的。推論1由通用神經網絡模型所生成的任何開集可以一致逼近緊集上的連續映射函數f∈C(Rn。Rm)。由推論1表明，通用網絡模型所概括的任何開集(如BP網絡、Hopfied網絡、BAM網絡)通過自學習都能一致逼近緊集上的連續映射函數f∈(Rn，Rm)，因而具有良好的自學習、自適應動態特性。1．2診斷建模方法設xjn(j=1，2，...，k)對應反映設備運行狀態第n個觀測樣本的k個特征參數，yin，(i=1，2，...l)對應第n個樣本的1種故障模式，共有N個樣本xjn∈RN，yin∈RN，[n=1，2，...，N)，則故障模式向量Y={yin，i=1，2，...，l}與特征參數向量x={xin，i=1，2，...，k}間的內在關系用函數P表示，有：X=P(Y)。當N→∞時，函數P的逆函數存在，以函數S表示，有：Y=S(X)診斷問題建模的實質就是根據有限的樣本集，確定函數S(X)的一等價映射關系SS(X)，使得對于任意的ε>0，滿足：||S(X)-SS(X)||=||y-YY||0)=(Y0)x→x0則映射SS建立了診斷問題的數學模型。推論3若映射SS(X)一致逼近定義在緊集[0，1]k上的實連續函數，則映射SS建立了診斷問題的數學模型。1．3模糊神經網絡診斷模型基于通用神經網絡模型的自適應動態特性，根據推論3的結論。通用網絡模型所概括的任何開集都能作為診斷問題的數學模型。即對某一具體診斷問題，配以相應的網絡模型，通過網絡自學習就能逼近診斷問題本身的映射關系。同時考慮診斷問題存在著不可逆性，須采用模糊方法予以處理，本文建立了如圖1所示的模糊神經網絡診斷模型。該模型實際上由原始知識產生(FundamentalKnowlegeProduced，簡記為FKP)、學習樣本模糊組織(LearningSampleFuzzySet，簡記為LSFS)、人工神經網絡(ArtificalNeuralNetwork，簡記為ANN)和特征提取(ChameteristiesExtraeted，簡記為CE)4個數學模型有機地組成，實現機組的故障診斷。它的工作過程如下：(1)通過對經驗和案例知識的匯編或對機組轉子系統故障振動機理進行分析計算、試驗測試等產生原始知識(Y，X)(FKP模型也相應地包括匯編、計算機數字仿真、試驗測試三類模型)。(2)產生了足夠可用的原始知識，將之輸入到LSFS模型中，進行學習樣本的模糊重構，輸出訓練樣本(X，Y)集。(3)將訓練樣本集輸入到ANN模型中，學習訓練使之收斂到一定精度，即：E≤ε(Emin)。(4)從運行機組上拾取監測信號XM，輸入到CE模型中，完成信號檢測與特征提取，輸出特征參數數據XM。(5)將反映機組運行狀態的特征參數XM輸入到學習收斂后的ANN模型中，進行信息分類處理，給出診斷結果YM。(6)將ANN模型的分類處理信息對(XM，YM)歸入訓練樣本集，動態增強ANN模型的自適應能力。2模糊推理神經網絡診斷模型的基本屬性模糊神經網絡診斷模型是一種基于知識的診斷，它屬于人工智能診斷的范疇。一般地，人工智能診斷系統應包含有以下幾個方面的內容：(1)對診斷領域的現有知識進行學習、抽象、概括，以形成該領域的特有知識，并按一定存貯方式存入知識庫；(2)在對具體對象進行診斷識別時，應對該對象進行了解以獲得足夠的關于該對象的故障征兆信息，并對這些信息進行分析，提出以形成有價值的特征；(3)將該診斷對象的特征模式與知識庫中的模式相匹配，并進行推理分析，以得出是否存在故障，故障的性質、部位、嚴重程度怎樣等。從上所述的模糊神經網絡診斷模型建立，足以表明它具有人工智能診斷的一般屬性和基本內容，而且在知識產生、表達、獲取及推理諸方面具有自己的獨特之處。在知識產生方面。它不僅含有對診斷領域現有知識的匯編，而且包括了計算機數字仿真生成知識的內容。可以用傳遞矩陣法建立機組振動響應力學模型，通過數值模擬得到常見故障的振動響應分布，再引入轉子系統傳遞函數的概念，生成反映機組故障作用位置的傳遞函數矩陣，最后通過轉置變換。即得到知識集。在知識表達方面，它表現為淺層和深層兩種形式，面向專家、知識工程師和用戶的原始知識，經過LSFS模型的數學處理后得到一些學習范例，本文稱之為淺知識。這種知識形式易于表達模糊性和不確定性；淺知識通過網絡自學習轉化為網絡的內部編碼，分布在網絡結構上，最終是用大量神經元的互連方式及對備連接權重的分布來表達特定的概念或知識，這種形式是一種深層的隱含表達方式，本文稱之為深知識或隱含知識。3工程應用為了考核模糊神經網絡診斷模型理論的正確性和優越性，將之與傳統BP網絡同時應用于某大型汽輪發電機組的故障類型識別中進行比較。這里，首先估計機組可能存在不平衡，碰摩，不對中，軸裂紋，聯軸器不正，緊固件松動及油膜渦動7種故障。傳統BP網絡在進行診斷時，先人為組織網絡訓練樣本，且訓練樣本的輸出取為0，1值，即在表達自身頻譜的故障位置賦1。否則賦0；而模糊神經網絡診斷模型則通過LSFS模型(本文為了獲得明顯的診斷效果，其采用改進模糊貼近度法，且貼近度系數CONST=2[3])組織網絡訓練樣本，其結果訓練樣本的輸出取值于區間[0，1]。在初始條件完全相同的情況下，將各自的訓練樣本集分別輸入同一結構的網絡進行訓練得出如圖2所示的訓練誤差曲線比較圖。由圖可以發現，在一個誤差精度要求不高的區域里，即系統誤差error>0.002時，傳統BP網絡的收斂速度低于模糊神經網絡診斷模型，由于此精度區域一般沒有工程意義，故不做分析討論；而在誤差精度要求高的區域里，傳統BP網絡的收斂速度卻高于模糊神經網絡診斷模型。這是因為傳統BP網絡的訓練樣本輸出僅簡單取為0，1值。而模糊神經網絡診斷模型訓練樣本的輸出取值于區間[0，1]。此相當于對輸出進行了編碼，從而增加了隱層節點的附加工作來完成這種編碼功能，甚至需要增加隱層節點數或增加隱層才能滿足要求。4緒論基于以上的分析、論述表明，本文所建立