一种新型模糊神经网络及其在故障诊断中的应用

赵翔 张世富 周绍骑 何德彦
[1]后勤工程学院军事供油工程系,重庆400041 [2]78366部队,云南曲靖655102

文章摘要:提出了一种基于模块化模糊神经网络的非线性系统故障诊断新方法。该方法先使用模糊c-均值聚类算法（FCM）实现测量空间的模块分割以决定模糊规则的个数，再使用模糊IF—THEN规则对分割后的各区域分别采用局部BP模型去进行逼近，最后再通过离线学习以获得不同区域故障输出与测量输入的非线性动力学特性。应用表明，提出的模糊神经网络结构、原理及实现方法是合理可行的，经过离线学习后的网络可实现对非线性系统的在线实时状态跟踪和诊断，可提高故障检测的正确率和快速性，并具有较好的泛化性能。
文章主题:聚类分析 模糊c-均值聚类 模糊神经网络 故障诊断

文章内容：第23卷第4期后勤工程学院学报2007年1月.23.4.27文章编号:1672—7843(2007)04—0095一5一种新型模糊神经网络及其在故障诊断中的应用赵翔,张世富,周绍骑,何德彦(1.后勤工程学院军事供油工程系,重庆400041;2.78366部队,云南曲靖655102)摘要提出了一种基于模块化模糊神经网络的非线性系统故障诊断新方法.该方法先使用模糊一均值聚类算法()实现测量空间的模块分割以决定模糊规则的个数,再使用模糊—规则对分割后的各区域分别采用局部模型去进行逼近,最后再通过离线学习以获得不同区域故障输出与测量输入的非线性动力学特性.应用表明,提出的模糊神经网络结构,原理及实现方法是合理可行的,经过离线学习后的网络可实现对非线性系统的在线实时状态跟踪和诊断,可提高故障检测的正确率和快速性,并具有较好的泛化性能.关键词聚类分析;模糊一均值聚类;模糊神经网络;故障诊断中图分类号:183文献标识码:模块化神经网络的思想就是用多个相对简单的网络模块,以一定的关系协同运作来处理一类大规模问题.由于模块化神经网络中各网络模块比相应非模块化神经网络简单,且各网络模块易于构造,并可独立并行对待各网络(网络训练,再训练或网络结构的再调整等),故其学习性能和泛化性能易于得到保证,具有应用的灵活性和现场的适应性.将模糊逻辑和神经网络融为一体构成的模糊神经网络,能取长补短,使融合后的系统能克服各自的弱点而拥有两者的优点,如学习能力,优化能力,联结结构,模糊规则,专家知识等.考虑到非线性系统故障诊断的复杂性,模块化神经网络和模糊神经网络方法各自的有效性,本文提出一种基于模块化模糊神经网络的非线性系统故障诊断新方法.1用于故障诊断的模糊神经网络对于复杂的非线性系统,试图采用一个全局网络模型来描述它的全部特性是十分困难的,势必造成网络结构复杂,学习速度慢,泛化能力差.因此,本文先用聚类分析把对象的工作空间划分为功能上相互独立的不同区域,然后对各区域分别建立模糊规则,并用局部模型去进行逼近.1.1基于聚类算法的模块分割考虑有限样本集,,…,,其中=1,2,…,.模糊聚类的目标就是在给定的准则下,实现样本集到个模糊集的划分,可用分类矩阵表示成=【】,….',:1.….(1)这里,[0,1],表示样本属于第类的隶属程度.提出的算法中目标函数采用下述形式^(,)=∑∑一,&;1(2)式中:称为加权指数,影响分类矩阵的模糊程度.从初始分类矩阵开始,采用迭代方法搜索目标函数的近似最小值¨.算法中最重要的问题是如何确定合适的聚类数.根据模糊熵,分类系数,均衡指数指标确定收稿日期:2007一1一5作者简介:赵翔(1973一),男,湖南省慈利县人,副教授,博士,从事油料装备故障诊断,油料装备信息化方面的研究.96后勤工程学院学报2007年合适聚类数的规则如下[(,)】)(3).一1或,[(,)】)(4)一1或……[(,)】)(5)式中:表示样本聚为类时的最优解集.将系统记录数据对(,),=,2,…,中的测量数据划分为两部分,一部分用来训练网络(设数目为』),另一部分用来测试和评价网络性能(设数目为ⅳ).应用上面所介绍的聚类算法,易将训练样本聚成类以实现对测量空间的模块分割.为下文表示方便,将聚类分别表示为(=,2,…,),并用ⅳ表示类中的样本数.1.2用于诊断的模糊神经网络模型模型如下:=(1,…,),,=()(=,2,…,)(6)其中()常取输人变量的线性组合()='+:.+'2:+…+'.上面这两种模型对输人空间的分割都是线性的,即输人变量间是相互独立的,这与非线性系统检测变量间错综复杂的相关关系不相符合.为此采用下述模型:∈',=()(=,2,…,)(7)建立如图1所示的模糊神经网络模型,主要!模糊神经网络结构图有以下3大任务-61:1)对输人空间进行模块分割以决定模糊规则的个数;2)获取计算规则适用度的神经网络;3)获取生成结论部分非线性函数的神经网络.前面已将系统的记录数据对设为(,),其中=(,…,)'表示系统的测量数据,=(,…,),)是通过研究日常监视记录得到的对应测量向量的模糊状态向量,其每个分量对应一种故障模式.通过对测量数据进行聚类处理,可确定模糊规则的个数.神经网络均采用前向网络,记录对中的模糊状态向量用作导师信号,神经元的传递函数均为函数.下面具体介绍网络的学习算法'.将系统记录数据对(,),=1,2,…,中的测量数据划分为两部分,一部分用来训练网络(设数目为』),另一部分用来测试和评价网络性能(设数目为ⅳ);2应用聚类算法将训练数据聚成类,聚类后的每个组对应一条规则,并设(=1,2,…,)类中有』.个训练样本;3训练删.此神经网络由个输人,个输出组成.对于训练样本中的每一个输人矢量置1=∈,定义矢量=(¨,…,)满足:可得学习样本集(,),=1,2,…,ⅳ.该"网络训练结束后便可计算测试数据属于的程度,从而规则前件的隶属函数可定义为训练完后第4期赵翔等一种新型模糊神经网络及其在故障诊断中的应用97网络的计算输出^(置)=(=,2,…,;5=,2,…,)(8)4训练^ⅳ一^ⅳ,.利用训练样本:,,…,(=,2,…,ⅳ)及其对应的诊断输出,,),,…,),对网络^ⅳ进行训练.训练结束后将测试样本,…,;(=,2,…,)输入ⅳⅳ,可获得误ⅳ差均方和2为=∑∑一(墨)(置)(9)式中:(置)(=,2,…,)为^ⅳ,的输出.5使用"后向删除法"简化规则的后件.在^的个输入变量中试着任意删除一个变量后再返回4训练网络.可按(9)式给出在删除后第条规则对应的输出值的误差均方值一为ⅳ￡..一=∑∑&;),一()(盒)),=,2,…,(1)1=1^式中:=(,…,一,+一,).比较(9)式和(1)式,如果2&;一(11)则被删除变量对网络输出的影响较小,删除可以接受.对剩下的(—1)个变量重复上面的删除过程,直到(11)式不再成立,此时确定的模型便为最佳模型.6计算最终输出.最终决策值按下式计算),=∑()()/∑(.),=,2,