摘 要：根据机械故障诊断领域模糊知识及机械故障本身的特点，通过对现场专家知识和经验的总结，利用模糊推理与神经网络的互补性，提出了建立一个图形化专家知识库，并在此基础上采用模糊推理与神经网络并行推理，再在推理结果层面上做出融合和优化的故障诊断方法。该方法克服了样本获取的瓶颈问题和提取规则泛化误差，既能提高诊断推理速度，又可提高准确度，而且可多故障同时诊断，推理效率高。现场应用表明该方法有效可行。
关键词：故障诊断；模糊推理；神经网络；并行推理
中图分类号：TP277 文献标识码：B
一、模糊推理与神经网络并行推理诊断系统的基本结构
故障诊断的过程是根据诊断对象出现的异常征兆，基于先验知识（故障样本库），通过一定的推理规则，判断对象的故障部位并查明引起故障的可能原因。模糊专家系统虽然是建立在容易被人接受的“IF…THEN”表达方式之上，且可以基于规模较小的故障样本库和推理规则，快速判定故障，然而，自动生成和调整隶属度函数和模糊规则，既费时又要依赖于专家，缺乏自学习能力，因此很难摆脱诊断过程中的随机性。而神经网络有很好的学习能力，以对未知知识进行处理和补充。基于自适应神经网络的模糊推理系统则可将两者有机结合起来，既能发挥两者的优点，又可弥补各自的不足，充分发挥各自的优势。图1给出了系统的基本结构。系统的知识以两种方式描述，一是通过实验和总结，将专家经验形式化成模糊规则，存储于专家知识库中，并用相应的模糊神经网络对模糊规则进行优化；另一种是通过现场实测数据对模糊神经网络推理机进行训练，获取非确定性知识，并通过人机对话方式对知识库进行补充。决策融合模块针对不同情况，对采用模糊推理和神经网络诊断得到的结果进行数据融合，得出正确的诊断结果，并对专家知识库的规则知识进行修正。
二、模糊推理与神经网络并行推理系统的工作原理
1．专家知识库的构建
模糊推理与神经网络可以用多种形式集成。本文按系统功能分解策略将诊断系统分解为许多功能模块，形成一个层次分明的树状结构，对应的故障诊断针对每个功能模块采用模块化诊断策略。通过收集和整理现场专家经验，用模糊系统来表示，隶属度函数则通过神经网络的学习来调整，形成一个图形化的故障诊断专家系统，突破了共性知识和专家知识学习、获取、表达与利用的瓶颈，有着分散式、容错性、模糊性、推测、并行处理复杂模式等特点和功能。以“不对中”故障为例收集了专家知识，图2为依据专家知识建立的知识库结构图。
在上述模型中，故障、故障征兆表征的是某种事件，称之为事件节点，特征数据是一系列数据，因而称之为数据节点。不同节点间的连线及其连接描述了特征数据与故障征兆、故障征兆与故障之间的关联关系。
2．模糊推理
利用模糊推理进行诊断时，设A={S1，S2，Λ，Sm}是所有可能出现的故障的集合，B={Cl，C2，Λ，Cn}是所有可能出现的故障征兆的集合。使用过程中的故障可以用模糊集A上的一个隶属度向量X= (x1/S1，x2/S2，Λ，xm/Sm}来表示，其中：xi表示第i种故障Si的隶属度。若xi=0则表示第i种故障没有出现；若xi越接近1，则表示故障的呈现程度越严重。在A和B之间建立模糊推理，其一般形式为
其中：rij为该推理的可信度（规则可信度）。上述推理的含义为“若第i种故障现象Si出现，是由于第j种故障原因Cj导致的，其可信度为rij”。于是，A到B的所有模糊推理构成一个模糊规则集，可用模糊关系矩阵R表示
因而模糊推理算法模型可用以下公式表示
Y=X⊙R
yi=Vi (xiΛrij)（j=1，Λ，n）或yi=∑xi•rij
如果各种故障现象的论域及相应的隶属函数、模糊关系矩阵R和合成规则都已确定，则系统的运算模型也就基本上确定。使用时只要输入故障现象和有关模糊评语，系统就可通过各个故障现象的隶属函数或其它量化方法转化成隶属度向量X，以获得故障存在的可能性。
3．神经网络推理
根据图2所示的专家知识库结构，神经网络推理采用三层结构。
第一层为故障特征参数语义表达层，每个特征参数对应有若干语义表达，相应的连接权值为1，对于任意一个参数输入Di，其第j条语义表达根据专家知识库存在的数据或参数的输入阈值θi，利用Sigmoid型神经元特性函数可以求出其输出量yij
第二层为故障征兆层，根据专家知识库，某一故障征兆由若干个特征参数表达的集合构成，参数与征兆间的连线及其连接权值表达了他们的关系。每个事件的数据根据相应的语义表达个数、连接权值由Sigmoid神经元特性函数确定。对任意征兆Ei，对应的语义表的集合为｛d1，d2，Λ，dj｝，事件的输出为
式中：ωk—连接权值；
θk—偏置信号
第三层为推理结果层，每个事件输出Ei与推理结果Fj之间都有连线并且赋有权值ωEiFj，推理结果为
Fj=V∑EiωEiFj；
式中：i=1，2，3，Λ，k；
j=1，2，3，Λ，P
4．决策融合
实际诊断过程中，同一份故障特征数据分别进入两个推理机协同工作，并行运行，各自获得的诊断结果被同时送至融合算法做进一步处理。融合算法是对两个推理引擎的输出结论赋权，其结果作为优化后的系统输出处理。两者的加权系数和为1。
融合算法的实现，本身也是一个学习、训练的过程。其算法实际是一个加入了专家知识干预的神经网络结构。在专家的指导下，或者在与故障数据文件的对比过程中，各种推理的表现好坏，被以神经网络中数值权的形式记忆在该结构中。
三、诊断实例
笔者针对某大型钢铁企业的汽轮鼓风机组收集了较为完备的专家知识，并从历史维修档案中获得的故障样本数据对神经网络进行了训练。以机组最近一次大修前的不平衡故障为例，利用本文所述方法诊断。图3为机组水平方向的振动频谱图，诊断结果如表1所示。
从推理结果可以看出，不平衡故障的程度为0.872，动静摩擦的隶属度达到0.321。拆检时发现该机组存在不平衡故障，并引发了局部碰摩。可见诊断结果正确，诊断方法可行。
参考文献：
[1]肖志怀．ANFIS模糊神经推理在闸门综合自动化故障诊断中的应用[J]．武汉大学学报（工学版），2004(4).
[2]金林．飞机系统的智能化故障诊断研究[J]．计算机工程，2002(10).
[3]张义忠．模糊推理和神经网络的集成在故障诊断中的研究[J]．系统工程与电子技术，2000(13).
[4]朱才朝．钻机系统故障智能诊断方法[J]．重庆大学学报，2003(10).
[5]廖志辉．基于模糊推理和BP神经网络的机械故障智能诊断系统的研发[D]．重庆大学硕士学位论文．2004，4.
|
网友评论：（只显示最新10条。评论内容只代表网友观点，与本站立场无关！）
