机械故障诊断的模糊推理与神经网络并行推理的研究
仪器信息网 · 2009-08-02 21:40 · 48015 次点击
罗江华陈平
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、实验的总结,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,并在此专家知识库的基础上采用模糊推理与神经网络并行推理,而后在推理结果层面上做出融合和优化的故障诊断方法。该推理诊断方法克服了样本获取的瓶颈问题和提取规则泛化误差,既能提高诊断推理的速度,又可以提高其准确度,而且实现了多故障的同时诊断,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THB3文献标识码B
随着现代信息与处理技术的发展,人工智能、模式识别等技术被引入旋转机械故障诊断。但是通过模糊矩阵合成和规则的形式来进行故障诊断的模糊推理方法,没有学习能力,同时存在知识表达和知识获取瓶颈问题和规则匹配冲突问题,而且通用性也不强;神经网络应用于故障诊断需要大量的训练样本进行学习,而大量的训练样本在实际情况中经常不能获得,同时随着训练样本的增多,网络的隐含层的节点数增多,网络的收敛性和泛化能力减弱,推理效率也降低。而且实际诊断中往往会出现历史数据丰富而某方面专家知识严重不足的情况,或者是专家知识充分,但是缺乏足够的数据来对神经网络进行训练。第一种情况下神经网络的推理结果较模糊推理更具说服力,第二种情况下模糊推理的结果更可靠。为了充分利用模糊推理和神经网络推理各自的优势,针对国内外技术研究现状,结合实际情况,建立了一种模糊推理与神经网络并行推理,并在推理结果层面上进行决策融合、优化的诊断方法,并应用于生产实践中,系统运行结果实践验证了该方法的有效性和可行性。
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被人容易接受的“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,如何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。另一方面,神经网络有很好的学习能力,可通过现场系统的状态监测信号进行学习,对未知知识进行处理和补充。而基于自适应神经网络的模糊推理系统则可将两者有机地结合起来,既能发挥两者的优点,又可弥补各自的不足,两者结合,可以发挥它们各自的优势。因此,将模糊理论与神经网络融合,取长补短,建立一种基于模糊推理与神经网络并行推理的故障诊断方法,来实现其模糊神经推理过程,以提高整个故障诊断系统的学习能力和表达能力,达到更有效地对系统进行故障诊断的目的,适合旋转机械故障诊断。图1给出了系统的基本结构。系统的知识以两种方式进行描述: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;另一种是通讨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、神经网络可以用多种形式来进行集成。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。针对每个功能模块,通过收集和整理现场专家经验,用模糊系统来表示,而模糊系统的隶属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”故障为例收集的专家知识见表1,图2为专家知识结构图。
表1转子不对中故障专家知识
在上述专家知识库模型中,故障、故障征兆表征的是某种事件,称之为事件节点,特征数据是一系列的数据因而称之为数据节点,不同节点间的连线及连线的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,…,Sm}是所有可能出现的故障的集合,B={C1,C2,…Cm}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,…xm/Sm)来表示,其中表示第i种故障Si的隶属度(即故障Si呈现的程度)。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种故障原因叹导致的其可信度为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以用以下共识表示:
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和合成规则都已经确定,那么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,系统就通过各个故障现象的隶属函数或其他量化方法转化成隶属度向量X,即可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,对于任竟一个参数输入Di,其第j条语义表达根据专家知识库存在着数据或参数的输阀值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它们的关系。每个事件的数据同样根据相应的语义表达个数、连接权值可以由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,…,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与推理结果汽之间都有连线并且赋有权值。ωEiFj,推理结果为:
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,两个推理机协同工作,并行运行,获得各自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机的输出结论赋权,再综合赋权后的结果作为其优化后的系统输出处理。两者的加权系数和为1。例如:某专家知识由于没有历史数据训练神经网络,则神经网络的输出很不说明问题。然而专家确定的模糊关系很全面,在该情况下,融合算法就可能这样赋权:模糊最大流0.9,神经网络0.1。再如,另一种情况专家知识很少,相反历史数据很全,在该情况下,可以得到这样的赋权结果:模糊最大流0.1,神经网络0.9。
融合算法的实现,其本身也是一个学习、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
针对某大型钢铁企业的一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一次不平衡故障为例,利用本文中的诊断方法进行诊断。图3为机组4W水平方向的振动频谱图,诊断结果打印如表2。
从推理结果中可以看出,不平衡故障的程度为0.872,另外动静摩擦的隶属度也达到了0.321,对利匡且检修发现该机组发生了不平衡故障,并因不平衡引发了局部碰摩,与推理结果相吻合。
四、结论
在分析了当前用于机械故障诊断的各种方法的基础上,提出了一种模糊推理与神经网络并行推理的诊断方法。该方法具有以下特点:
(1)图形化的专家知识库模型能够有效地表达规则即专家知识,不需要通过样本数据学习来提取规则,克服了获取样本的瓶颈问题和提取规则泛化误差的能力。
(2)根据模糊推理和神经网络具有较好的互补性,因而采用两种诊断方法并行运行最后在诊断的结果层面上对两种进行了恰当了融合,提高了诊断的准确性。
(3)实现了多故障的同时诊断,推理效率高;易于用计算机编程,实现了专家知识与推理机的分离,通用性较强,通过加载不同的专家知识,能对不同的对象进行诊断。
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.武汉大学学报(工学版),2004(4)
2金林.飞机系统的故障智能化故障诊断研究.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.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.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.重庆大学硕士学位论文,2004.4