（信号与信息处理专业论文）基于神经网络的油罐故障模糊诊断系统.pdf

基于神经网络的油罐故障模糊诊断系统 摘要 油罐在实际使用过程中，由于人为操作不当、机械问题或其他外界因 素等都会导致油罐故障，而油罐故障的发生无论从经济角度考虑还是从环 境角度考虑，都会给国家造成巨大损失，因此及时诊断出油罐故障，避免 恶性事故的发生就显得十分重要。 当油罐发生故障时，其流量和管路压力就会随之产生变化，也就是说， 油罐故障可以通过其流量和管路压力变化体现出来。因此，我们可以根据 油罐流量或管路压力变化检测、诊断出油罐故障，及时地采取处理措施， 防止因油罐故障导致事故的扩大，避免给国家造成损失。本文就是根据油 罐流量变化a q 和管路压力变化a p 两个诊断参数进行油罐六种常见故障 的诊断。 本文首先对过去已发生过的油罐故障现象进行分析，确定油罐故障的 诊断规则。根据油罐故障诊断特点，利用模糊数学理论，建立其诊断模型 一个四层网络的模糊系统。根据诊断参数a q 、a p 三种浮动情况“偏 大”、“正常”、“偏小”与油罐故障的关系，确定此三种模糊集合的隶属函 数形式。随后，根据油罐故障诊断模型的网络结构和诊断的智能化特点， 构造出该诊断模型神经网络结构。根据此网络的特点，我们采用一种改进 的b p 神经网络算法进行求解。该b p 网络的输入层被三种模糊集合的隶属 函数模糊化，隐层采用双曲正切s 型传递函数，输出层采用对数s 型函数， 学习规则采用l e v e n b e r g m a r q u a r d t 规则。求解时运用诊断规则确定的学 习样本，对所建立的油罐故障诊断模型进行学习训练，得到模型各层的权 重和传递函数。随后，对此基于神经网络的油罐故障诊断模型的有效性进 行了分析，其一该诊断模型算法具有较快的收敛速度和较高的精度，其二 通过对一些实际数据的仿真化运行，证明我们所建立的诊断模型能准确地 对各种类型的油罐故障进行诊断。 其次，通过基于线性回归和b p 神经网络两种方法的油罐故障诊断模 型的对比，证明了基于b p 神经网络方法的优越性，主要表现在四个方面： b p 神经网络算法的收敛速度远远快于线性回归；精确度远远优于线性回 归；仿真化运行时，基于b p 神经网络的模型能对油罐故障的可信度值做 出与目标值一致的诊断，而线性回归方法则存在一定偏差；对故障类型诊 断时，基于b p 神经网络的模型诊断结果准确，而线性回归有时会出现错 诊、多诊情况。 最后，根据本文所建立的油罐故障诊断模型在黄岛油库实际运行中的 故障事例诊断，得出其有效性、实用性。并针对遇到的问题，说明我们拟 进一步开展的工作，及目前使用中的注意事项。 本文中采用模糊数学和b p 神经网络相结合的方法解决油罐故障诊断 问题在国内属于首次，通过对学 - j 样本和非学 - j 样本的仿真化运行、分析， 证明了模糊数学和神经网络结合起来解决油罐故障诊断问题的优越性、准 确性。 关键词油罐故障神经网络 模糊诊断线性回归 t h e f u z z yd i a g n o s t i cs y s t e m o ft h es t o r a g et a n k m a i f u n c t i o nb a s e do nt h en e u r a ln e t w o r k a b s t r a c t w h i l et h es t o r a g et a n ki sb e i n gu s e d ，t h em a l f u n c t i o nm a yo c c u rb e c a u s eo f i m p r o p e ro p e r a t i o n ，t h em a c h i n ep r o b l e m so rs o m e e x t e r n a lf a c t o r s o n c et h e s t o r a g et a n km a l f u n c t i o no c c u r s ，t h ec o u n t r yw i l ls u f f e rh u g el o s s e s ，n o to n l y t oe c o n o m yb u ta l s ot oe n v i r o n m e n t s oi ti si m p o r t a n tt od i a g n o s et h es t o r a g e t a n km a l f u n c t i o n t i m e l y a st h es t o r a g et a n km a l f u n c t i o no c c u r s ，i t sf l o wo rp r e s s u r ew i l l c h a n g e a c c o r d i n g l y ，s ot h es t o r a g et a n km a l f u n c t i o nc a l lb ed i a g n o s e da c c o r d i n gt o t h ec h a n g eo ft h ef l o wo r p r e s s u r e f i r s t l y , an e tm o d e li se s t a b l i s h e dt h a ti saf o u r - l a y e r e df u z z ys y s t e mb a s e d o nt h ec h a r a c t e r i s t i c so ft h es t o r a g et a n km a l f u n c t i o n a c c o r d i n gt ot h em o d e l f r a m e w o r k ，t h eb pn e u r a ln e t w o r km e t h o di s u s e dt os o l v et h e d i a g n o s t i c m o d e lo ft h e s t o r a g et a n km a l f u n c t i o n t h e nt h ew e i g h t sa n dt r a n s m i t t e d f u n c t i o n so fe a c hl a y e ri nt h em o d e lw i l lb eg o t a c c o r d i n gt ot h ee f f e c t i v e a n a l y s i so f t h ed i a g n o s t i cm o d e lo ft h es t o r a g et a n km a l f u n c t i o nb a s e do nt h e n e u r a ln e t ，i ti sp r o v e dt h a tt h em o d e lb a s e do nt h eb pn e t w o r kh a sq u i c k e r c o n v e r g e n ts p e e da n dh i g h e ra c c u r a c yt h a no t h e r s o nt h eo t h e rh a n d ，a f t e rt h e s i m u l a t i n gd a t a ，t h er e s u l ts h o w st h a tt h em o d e lc a nd i a g n o s et h ev a r i o u s m a l f u n c t i o n so f s t o r a g et a n kp r e c i s e l y n e x t ，c o m p a r e dw i t ht h el i n e a rr e g r e s s i o n ，t h es u p e r i o r i t yo f t h eb pn e u r a l n e t w o r ki so b v i o u s i th a sm u c h q u i c k e rc o n v e r g e n ts p e e da n dh i g h e ra c c u r a c y f u r t h e r m o r e ，a f t e rt h es i m u l a t i n gd a t a ，t h ed i a g n o s t i cm o d e lo ft h es t o r a g e t a n km a l f u n c t i o nb a s e do nt h eb p n e u r a ln e t w o r ki ss oe f f e c t i v et h a ti t sr e s u l t s a l m o s te q u a l st ot h eo b j e c t s w h e r e a st h ed i a g n o s t i cs y s t e mb a s e do nt h e l i n e a rr e g r e s s i o nh a ss o m ed e v i a t i o n f i n a l l y a c c o r d i n gt ot h ea p p l i c a t i o n si nh u a n g d a o t a n kf a r m ，i tp r o v e st h a t t h ed i a g n o s t i cs y s t e mo f t h es t o r a g et a n km a l f u n c t i o nb a s e d o nt h eb pn e t w o r k i se f f e c t i v ea n dp r a c t i c a l a n da t t h es a m et i m e ，t h eo p e r a t i o n a la t t e n t i o n s h a v ea l s ob e e nc o n c l u d e d i ti st h ef i r s tt i m et os o l v ed i a g n o s i so f t h es t o r a g et a n km a l f u n c t i o n sb y u s i n gf u z z ym a t h e m a t i c sa n d b pn e u r a ln e t w o r ki no u rc o u n t r y - t h r o u g h t h e s i m u l a t i n g d a t aa n da n a l y s i s o ft h es t u d y i n gs a m p l e s a n dn o n s t u d y i n g s a m p l e s ，t h er e s u i t si n d i c a t et h es u p e r i o r i t ya n d a c c u r a c yo f t h em e t h o du s i n g f u z z vm a t h e m a t i c sa n dn e u r a ln e t w o r k t os o l v ed i a g n o s i so f t h es t o r a g et a n k m a l f u n c t i o n s k e yw o r d s ：s t o r a g e t a n km a l f u n c t i o n ，n e u r a l n e t w o r k ，f u z z yd i a g n o s t i c s y s t e m ，l i n e a rr e g r e s s i o n 基于神经网络的油罐故障模糊诊断系统 月l j吾 随着经济的快速发展，近年来我国国内石油需求增长较快。尽管我国是 石油生产大国，但受资源条件制约，国内石油生产已经远远不能满足需求， 致使原油进口数量逐年增加，自1 9 9 3 年我国成为石油净进口国，到2 0 0 3 年 我国净进口石油总量突破1 亿吨，我国石油消费对进口的依赖程度达到4 0 。 未来1 0 2 0 年我国石油消费对国外资源的依赖程度将进一步提高，这将严重 影响我国石油供应安全乃至经济命脉。因此，建立石油储备是当前一项十分 紧迫的任务，而且目前国际油价异常波动，建立石油储备也可对油价起到一 定的调节作用。 这就需要建设大型储油罐群作为石油储备，随着油罐的增多，其安全运 行也就显得日益重要。油罐在实际使用过程中，由于人为操作不当、机械问 题或其他外界因素等都会导致油罐故障，而油罐故障的发生无论从经济角度 考虑还是从环境角度考虑，都会给国家造成巨大损失，因此及时诊断出油罐 故障，避免恶性事故的发生就显得十分重要。 目前国内外在油罐故障监测方面，一般采用比较传统的两种方法，其一 利用工业电视图像监视油罐运行，即比较直观地根据工业电视看到的油罐运 行中发生的故障现象而采取处理措旎，这种方法存在一定问题，如工业电视 的摄像头有盲区，不是油罐所有部位都能监测到，另外油罐内部故障如浮船 进油事故，摄像头也无法监视。其二利用人力现场监护，即当油罐运行过程 中，通过值班人员在油罐现场盯守，发现油罐运行故障立即报告，这种方法 比较原始，造成人力资源的浪费，而且有时由于值班人员疲劳，容易造成油 罐故障未及时发现而导致重大恶性事故的发生。总之，无论哪种办法，在油 罐故障诊断方面都不能完全达到要求。 而本文所提出的基于神经网络的油罐故障模糊诊断系统则可以很好达到 要求，实时有效地对油罐故障进行监测，能及时发现油罐故障，并诊断出何 基于神经网络的油罐故障模糊诊断系统 种故障，叫以有针t 对性地采取措施。 这套诊断系统主要采用模糊数学和神经网络相结合的方法来解决油罐故 障监测问题，模糊数学是近三四十年迅速发，e 起来的一门新兴学科，将它应 用i i 设备故障的诊断则是近几年的事。神经网络是近十几年来发展起来的一 种数据处理方法，采用类似人脑的神经元结构对输入输出的信息进行处理， 具有对信息的记忆和自学习功能，擅长从输入输出数据中学习有用的知识， 得出类似人脑的判断。 在本文中，我们采用的模糊系统和神经网络相结合的技术解决油罐故障 诊断问题在国内属于首次，它利用现场采集到的油罐参数和过去发生过的油 罐故障经验，利用建立的诊断模型进行分析，得出油罐故障类型，从而有针 对性地采取应急处理措施，它相比工业电视和人力监视油罐故障无疑前进了 一大步，对油罐故障诊断得更加准确，更加明确具体，且与二者相比投入的 ，# 产成本也比较少。并通过在黄岛油库的实际运行，证明了这套诊断系统的 实用性、可行性，可以很好地对油罐故障进行前期监测，避免油罐故障扩大， 对于保证油罐的安全生产，确保我国的石油安全，具有重大意义。 由于采用模糊数学和b p 神经网络相结合的方法解决油罐故障诊断问题在因 内属于首次，以往也没有油罐故障诊断方面较成熟的技术、方法可供对比、 参阅，因此，作为初探者，本文关于这方面的诊断研究存在的不足之处，欢 迎批评指正。 1 油罐故障现象分析 对油罐所作的故障机理分析以及实际故障案例表明，油罐故障主要有六 种，如表l 所示，我们将其作为模型的诊断对象。 当此六种油罐故障发生时，都会导致管路压力变化或油罐流量变化，即 通过油罐流量变化q 和管路压力变化p ，可对油罐故障进行诊断。油罐六 种故障f i n j p 、q 之间的主要关系如下： 早于神经州络的油罐故障模糊诊断系统 表】油罐在线常见故障 f 。油罐跑油事故( 罐壁破裂、中央排水管跑油、罐基础渗油) f ， 油罐冒顶事故( 原油经罐顶溢出) f 3浮船卡阻事故 n油罐抽瘪事故 f 。油罐鼓包事故 r浮船进油事故 故障f 将引起： 油罐跑油卜油罐液位升高变慢卜q 偏小，影响明显 油罐跑油油罐液位下降变快卜q 偏大，影响明显 油罐跑油卜当泄漏量较大时，p 偏小，且影响明显： 故障f 。将引起： 油罐冒顶斗油罐液位不变寸q 偏小，且影响明显； 故障f ，将引起： 浮船卡阻油罐液位升高变慢卜q 偏小，影响明显 浮船卡阻卜油罐液位升高变慢卜p 偏大，影响明显 故障一将引起： 油罐抽瘪油罐液位下降变慢卜p 偏小，影响明显 油罐抽瘪卜油罐液位下降变慢卜q 偏小，影响明显 故障r 将引起： 油罐鼓包卜油罐液位升高变慢卜a p 偏大，影响明显 油罐鼓包卜油罐液位升高变慢卜p 偏小，影响明显 故障凡将引起： 浮船进油油罐液位升高变慢 a q 偏小，影响明显 浮船进油+ 油罐液位下降变快卜q 偏大，影响明显 摧j 神经叫络的油罐故障模糊诊断系统 根据这种关系可建立如表2 所示油罐故障诊断规则，此表中诊断参数a q 和p 用“i f 常”( n ) 、“偏大”( h ) 、“偏小”( l ) 二个模糊集合来描述，诊断 结果六种故障发生的可能性用“经常是”( a ) ，“有时足”( b ) ，“偶然是”( c ) ， “基本不可能是”( d ) 来描述( 其中a 相应于可信度0 9 ，b 相应于0 6 ，c 相应于0 2 ，d 相应于0 0 5 ) 。 表2 油罐故障诊断规则 参数故障 ( ；jpf f 2rf 1rr nndddd dd nldddc dd nhddcd cd hnadd dda hlbcdd dc hhdddddd lnaac dda llbcda dc lf fddad ad 2 基于神经网络的油罐故障模糊诊断系统 2 1 诊断模型的建立 2 1 1 模型的网络结构 我们知道通过q 和a p 的变化，可对油罐故障进行诊断。而q 和p 变化通常有“正常”、“偏小”和“偏大”i 种形式，这三种形式是模糊化的 概念；另外，在对油罐故障进行诊断时，我们也只能以某种故障发生的可能 性柬描述。由于油罐故障诊断的输入( q 和a p ) 和输出( 故障发生的可能 基十神经网络的油罐故障模糊诊断系统 性) 都是模糊化概念，因此我们就采用模糊数学米解决油罐故障珍断问题。 本文根据油罐敝障的特点及便丁问题的解决，采用了如图所示个四 层刚络的模糊系统作为油罐故障诊断模型，该模型根据a q 和p 的变化诊断 六种油罐故障发生的可能性。 此叫层油罐故障诊断模型中，两个诊断参数a q 和p 为输入层，模糊集 “f 常”、“偏大”、“偏小”的隶属函数作为第二层，六种油罐故障f t f e 发 生的可能性作为模型的输出层，规则层共9 个节点，町以覆盖诊断参数的全 部可能组合，整个系统采用全连接结构。该模型的网络结构如图1 所示。 输入层隶属函数层 规则层输出层 图t 油罐故障诊断模型的网络结构 l 2 1 2 隶属函数的确定 、 ， 在此故障诊断模型中，q 戋们首先确定两个输入参数对应模糊集的隶属函 数。根据参数q 和a p 与油罐故障f f 勺关系，确定输入参数对应三种模糊集的 分割界限，如表3 所示： 、? 由表3 可以看出，a q ( a p ) 在其谂域的申玲附近共有局都逼近性，即 a q ( a p ) 越靠近中心点0 ，其“正常”模糊集的隶属度越接近1 ，在论域的 边界附近又具有伞局逼近性，n f j a q ( a p ) 越太( 小) ，其“偏大( 小) ” n n n 乳艮r 基于神经网络的油罐故障模糊诊断系统 表3输入参数与模糊集合关系 模糊集合 x o 浮动范围( m 3 h )p 浮动范围( m p a ) 偏小 o 4 模糊集的隶属度越接近1 。高斯函数具有良好的局部逼近特性，s i g m o i d 函数 具有良好的全局逼近性，且二者都可微，故我们选取高斯函数作为“正常”( 论 域中心附近) 的隶属函数，选取s i g m o i d 函数作为“偏大”、“偏小”( 论域边 界) 的隶属函数。 q 的三种隶属函数曲线如图2 所示，蓝色表示“偏小”模糊集的隶属函 数，绿色表示“正常”模糊集的隶属函数，红色表示“偏大”模糊集的隶属 函数。 图2 q 三种隶属函数曲线 6 基于神绎网络的油罐故障模糊诊断系统 q 对应三种模糊集的隶属函数为 “偏小”模糊集合的隶属函数： “l f 常”模糊集合的隶属函数： 仃。( x ) e k2 ( 。t 2 r ， “偏大”模糊集合的隶属函数： 以( x ) r t 五可， 下面求解此三种隶属函数的参数。 由表3 知，a q 对应分割界线x 。，x sx 。为： x ，= 1 0 0 0 ，x 。= j 0 0 0 ，x ：( x + x 。) 2 = o ； ( 2 1 ) ( 2 2 ) ( 2 3 ) 取点( ( x 。+ x ：) 2 ，0 5 ) 和( x ，0 9 ) 代入式( 2 ，1 ) ，求解对应“偏小” 模糊集合的隶属函数参数： k 一丽1 l 理窆。五三一5 0 0 ：，一 取点( ( x 。+ x ：) 2 ，o 5 ) 和( x ：，1 ) 代入式( 2 2 ) ，求解对应“正常” 模糊集合的隶属函数参数：。， k 2 。2 5 0 - l o o oi n 2 ，t 22 0 ； 。r 取点( ( x ；+ x ，) 2 ，0 5 ) 和( x 。，0 9 5 ) 代入式( 2 3 ) ，求解对应“偏大” 、 模糊集合的隶属雨数参数： 虹击l n 吾，乃= 5 0 0 。 同理，我们可以得到p 对应三神模糊集备的隶璃函数曲线如图。3 所示， 监色表示“偏小”模糊集的隶属函数，绿色表示“t e 常”模糊集的隶属函数， 红色表示“偏大”模糊集的隶属函数。 。、；铂。袋_ 。“0 小 同理可得到p 对应垂种模糊集合的函数表达式； “偏小”模糊：象合的隶属函数：， 。一 基于神经弼络的油罐故障模糊诊断系统 。( x ) = l 一亓i 音耳耵， ( 2 4 ) 其中k ，= 5i n 9 ，p l 一0 2 “正常”模糊集合的隶属函数： 图3a p 三种隶属函数曲线 l 。( 工) = e k 2 ( x - e 2r ， 其中k2 = 2 5i n2 ，0 2 = 0 ； “偏大”模糊集合的隶属函数： 。( j ) = 订_ 其中k3 = 一51 n 手，0 3 = o 2 。 2 1 3 神缎霸络化诊断模型 ( 2 5 ) ( 2 6 ) 我们建立了图1 所示的油罐故障模糊诊断系统后，采用哪种合适的数学 方法求解此模糊系统是我们所关心的。由于此油罐模糊诊断系统本身是对模 螭十神绎网络的油罐故障模糊诊断系统 糊输入信息( “偏大”“偏小”“f 常”二种模糊集合的元素) 和模糊输出信息 ( 人种故障发生的可能性) 的表达和处理，对这种模糊信息的处理我们无法 采用精确数学公式求解山结果，只能模拟人的思维方式来对其表达和处理。 因此根据此故障模型的智能化特点和网络结构，我们采用了神经网络技术对 其求解，并通过仿真化运行、与线性回归对比和具体实例，证明我们采用神 经网络技术的准确性。 神经网络采用类似人脑的神经元结构对输入输出的信息进行处理，具有 对信息的记忆和自学习功能，擅长从输入输出数据中学习有用的知识，得出 类似人脑的判断，故神经网络具有智能化控制特点。b p 反向传播算法是神经 网络算法中研究最多并且应用最为广泛的一种数据处理方法，它根据最速下 降法的原理和l m s 算法的思想得到的种算法，主要分两个阶段，第一个阶 段是从b p 网络的输入层开始逐层向前计算，根据输入样本计算出各层的输出， 最终求出网络输出层的输出，这是前向传播过程；第二个阶段是对权值的修 l f ，从刚络的输出层开始逐层向后依据最小均方误差准则进行计算和修正， 这是反向传播过程，这两个过程反复交替，直到收敛值满足精度要求为止。 爱 一 图4 油罐故障模糊诊断的神经网络结构 n n n n 如n 拱于神经网络的油罐故障模糊诊断系统 在本文中，我们采用的模糊系统和神经刚络技术的结合，实质是对人脑 结构和思维功能的双重模拟，即大脑神经j ) 习络的“硬件”拓扑结构和模糊信 息处理的“软件”功能的同时模拟。其显著特点体现在它充分吸收了模糊理 论与神经网络各自的优点、并由此来弥补各自的不足，如我们可以将神经网 络存储的难以理解的知识转化为模糊系统的规则知识，从而更加便于知识的 解释和利用。本文中我们通过了将神经网络输入值模糊化的方法将二者结合， 如图4 所示，将此油罐故障模糊诊断系统的隶属函数层、规则层和故障输出 层作为b p 神经网络部分，即采用了三层b p 神经网络：将隶属函数层作为b p 神经网络的输入层，六种故障r 。r 作为输出层，规则层的9 个节点作为神 经网络的隐层。 在此神经网络化的模糊诊断系统中，我们根据图1 所示网络的结构、连 接方式以及输入的模糊值，从而构造出相应的神经网络，如图4 所示。也就 是将模糊诊断规则表达的专家知识存储到神经网络之中。然后，将该神经网 络应用于诊断结果，并利用故障结果的目标佳对神经网络进行学习训练，通 过调整神经网络的权值来修j f 原始的模型，提高其准确性。经过学习训练得 到的满足精度要求的神经网络模型又可转换为对应的油罐故障模糊诊断模 型，该模型具有相对准确的权值、阈值和传递函数形式。 2 2 诊断模型的求解 2 2 1 模型的学习样本 我们选取八组诊断参数值作为学习样本的输入，根据表2 油罐故障诊断 规则可建立如表4 所示学习训练所需的样本，其中将表2 中a 、b 、c 、d 转化 为相应的故障可信度值。 2 2 2 基于b p 神经网络的模型训练 将表4 学习样本中诊断参数a q 、a p 的八组数据代入式( 2 1 ) ( 2 6 ) 可得到b p 神经删络输入层的8 x 6 组数据，如表5 所示： 基于神绎网络的油罐敞障模糊诊断系统 表4诊断模型的学习样本 输入目标值( 故障可信度) 0p f lrf 3f 1f _民 5 00 0 5o 0 50 0 5o 0 50 0 5o 0 50 0 5 2 0 ( )0 3 5o 0 50 0 5o 0 50 2o 0 5o 0 5 1 5 00 4o 0 5( ) 0 5o 2o 0 50 2o 0 5 8 0 00 0 20 9o 0 5o 0 5o 0 50 0 5o 9 1 2 0 0o 3 5o 60 20 0 5o 0 5o 0 5o 2 1 4 0 00 0 5o 90 90 2o 0 5o 0 50 9 一l ( ) 0 00 4 50 6o 2o 0 5o 90 0 50 2 2 2 0 0( ) 5 5o 0 5o 0 5o 90 0 5o 90 0 5 表5 输入数据的模糊化 a q 数据模糊化p 数据模糊化 偏小正常偏大偏小正常偏大 0 1 2 1 5 90 9 9 3 0 9o 0 8 1 8 8 9( ) 1 6 1 3 90 9 5 7 60 0 6 0 2 8 3 o 2 1 1 10 8 9 5 0 30 0 4 4 1 0 30 8 3 8 6 10 1 1 9 70 0 0 2 3 7 0 3 o ，1 7 6 8 20 9 3 9 5 20 0 5 4 3 5 20 0 0 1 3 6 9 90 0 6 2 50 9 ( ) ( ) 0 3 2 9 2 60 1 6 9 5 80 7 8 8 9o 1 2 1 5 90 9 9 3 0 9o 0 8 1 8 8 9 0 ( ) 0 0 5 6 9 3( ) ( ) 1 8 4 5 30 9 5 5 90 8 3 8 6 1o 1 1 9 70 0 0 2 3 7 0 3 0 9 8 l20 0 0 4 3 6 4 40 0 0 0 2 3 6 4 70 0 6 0 2 8 30 9 5 7 6o 1 6 1 3 9 0 9 0 0 6 2 5o 0 0 1 3 6 9 90 9 3 9 7 2 0 0 2 9 9 2 50 0 0 0 7 9 t 3 j 0 9 9 9 4 31 4 8 6 1 e 一0 0 67 0 3 2 e0 0 60 0 0 0 2 6 3 9 20 0 0 5 2 9 0( ) 9 7 9 0 6 基h 申经嘲络的油罐故障模糊诊断系统 再将表4 学习样本的f | 标值作为b p 神经网络的期望输出值，并初始化网 络的权值和闽值，由此可得到b p 网络的学习样本。 本文中采用的b p 神经网络算法是经过改进的，其隐层采用双曲正切s 型 传递函数，输出层采用对数s 型函数，运用l e v e n b e r g m a r q u a r d t 学习规则 对权值和闽值进行训练。 隐层的双曲正切s 型( s i g m o i d ) 传递函数： 厂( x ) 1e 1e 图5 双曲正切s 型函数 图6 对数s 型函数 基十 中经网络的油罐故障模糊诊断系统 双曲f 切s 型( s i g m o jd ) 函数曲线如图5 所示，用 i 将神经元的输入范 幽( 十，十) 映射到( 1 ，+ 1 ) 。而且，双曲正切s i g m o i d 传递函数是可微函 数，适合于利用b p 算法训练神经网络。 输出层的对数s 型( s i g m o i d ) 函数： 厂( x ) 对数s 型( s i g m o i d ) 函数曲线如图6 所示，用于将神经元的输入范围 ( + ，m ) 映射到( 0 ，十1 ) 。而且，对数s 型( s i g m o i d ) 传递函数是可微函 数，适合于利用b p 算法训练神经网络。 然后，运用l e v e n b e r g m a r q u a r d z 学习规则对权值和闽值进行训练： 权重修正值w = ( j j + hi ) 。1 j t e ，其中： u 动量系数 e该层的输出误差 j - - - 网络输出值与目标值的均方误差对权重所取的偏导值( 梯度值) 随着u 的增大，l e v e n b e r g m a r q u a r d t 中的项j 1 j 可以忽略。因此学习过 程主要根据梯度下降，即u1 f e 项。只要迭代使误差增加，u 也就会增加， 直到误差不再增加为止。但是，如果u 太大，则会停止学习( 因为u1 一e 项 接近于o ) ，当已经找到最小误差时，就会出现这种情况。因此，当u 达到最 大值，或达到了最大的训练次数时，就可以停止学习训练了。这样，我们就 可以得到满足精度要求或训练步数要求的b p 网络的权值和阈值。 整个算法采用m a t l a b 语言进行编程，得到网络权值和阈值如上，其中w 。 表示隶属函数层第i 个神经元至规则层第k 个神经元的权值，w b 。表示规则层 第k 个神经元的阈值，c 。表示规则层第k 个神经元至输出层第j 个神经元的 权值，c b ，表示输出层第j 个神经元的阈值，t 表示矩阵转置。 w b k j l = 一6 8 7 4 5 2 1 0 9 8 ，21 1 0 9 0 5 5 9 2 3 6 3 8 0 23 5 9 5 6 2 3 9 0 84 9 3 6 6 0 2 0 0 6 9 c m 。= _ 1 3 0 3 1 一o 7 6 7 8 5 - 25 6 0 8 35 9 6 3 2 0 2 1 2 17 7 6 基于神绎网络的油罐故障模糊诊断系统 w b k 。】= 0 8 0 2 2 30 5 6 8 204 4 5 8 918 5 6 626 6 9 6 0 7 4 3 2 7 - 09 7 9 4 51 0 7 8 7 0 8 7 1 8 9 3 6 9- 4 8 5 5 24 8 9 6 7 21 8 6 51 2 6 9 826 9 9 517 4 9 9 85 1 4 l 1 6 1 1 6 - 1 7 3 5 5- 0 4 4 3 4 322 2 9 7 0 4 0 0 3 425 8 1 664 0 8 1 41 4 8 4- 2 8 8 2 808 2 1 8 31 7 6 9 42 0 8 2 219 2 2 9 3 7 4 8 331 3 7 8。41 4 6 81 5 6 8 542 4 1 81 2 9 6 9 3 4 2 3 606 5 7 4 704 3 5 9 709 5 2 9 81 9 7 1 92 0 1 8 9 0 7 0 1 0 32 4 1 0 70 5 1 7 4 36 0 11 6 7 42 0 6 5 3 2 8 5 81 3 3 6 82 0 5 2 52 4 9 8 l45 9 3 9- 4 4 6 7 4 2 2 3 诊断模型的数学结构 根据以上推理及b p 神经网络学习训练结果，我们得到油罐故障诊断模型 在当前学习样本( 表4 ) 下的数学结构。 传递函数： 输入函数层传递函数：f ( x ) = x ； 隶属函数层传递函数见式( 2 1 ) ( 2 6 ) 规则层传递函数为双曲j 卜切s 型函数：f ( x ) 输出层传递函数为对数s 型函数：f ( x ) 权值和阈值 输入层至隶属函数层权值为1 ； 隶属函数层至规则层权值和阈值分别为w 、w b 。 规则层至输出层权值和阈值分别为c 。c b ，。 1 4 1e 2 0 1e 2 。 慕罴嚣 一黑黑茹 9 z o 2坍。鸯|舒傩n 胼眩一伽要|蚴；毒 6 o 鎏荔 踮船m名疆咒删一啪删姗里1 4 4他2舢t 6 l 0 3 焉黑一帆：裂戮篡豢笋罴畿慧娟删一苎；i卿蛳珊瑚涨m & o “引默瓣禚 一瞄殿蔗一 丛十神经嘲络的油罐故障模糊跨断系统 3 基于神经网络的油罐故障诊断模型有效性分析 31 精确度分析 由图7 可知，采用b p 神经网络方法对此诊断模型训f 练时，运行8 5 步， 精确度( 最小均方误筹) 可达到1 9 7 2 4 2 e0 3 0 ，接近1 0 。“数量级，这说明我 们所采用的b p 神经网络方法是精确的。 而且，此算法的收敛曲线为“1 ”型，随着步数的增大，收敛曲线越来 越垂直，算法收敛得越来越快，最小均方误差递减速度越来越快，其精度提 高的速度也随之越来越快。 图7b p 神经网络收敛曲线 3 2 诊断模型实验结果 3 2 1 学习样本的仿真化运行 输入表4 学习样本的诊断参数q 、x p 的八组数据，利用我们所建立的 油罐故障模糊诊断系统进行仿真化运行，即对此八组数据导致的油罐故障类 基于神绎网络的油罐故障模糊诊断系统 型进行诊断，得到结果如表6 所示。 对比表6 诊断模型的输出值和表4 学习样本的目标值，可见二者是一敛， 误差不超过1 9 7 2 4 2 e 一0 3 0 ，因此，町以说我们所建立的油罐敝障模糊诊断系 统对学习样本( 表4 ) 是有效的，可行的，其误差是可以接受的，1 i 会出现误 诊断的情况。 学习样本的仿真化运行结果如下表示： 表6 学习样本仿真化运行结果 输入输出 0pf 1ri t nrr 5 0一o 0 5o 0 5o 0 5o 0 5o 0 5o 0 5o 0 5 2 0 0一o 3 50 0 5o 0 5o 0 50 20 0 5o 0 5 1 5 00 4o 0 5o ( ) 50 20 0 5o 2o 0 5 8 0 0o 0 2o 90 0 5o 0 5o 0 5o 0 50 9 1 2 0 00 3 50 60 2o 0 50 0 5o 0 5o 2 1 4 0 00 0 50 9o 9o 20 0 5o 0 5o 9 1 0 0 00 4 5o 60 2o 0 5o 90 0 5o 2 2 2 0 0o 5 5o 0 5o 0 5o 9o 0 5o 9o 0 5 3 2 2 非学习样本的仿真化运行 为了验证此油罐故障模糊诊断系统的广泛适用性，我们另外取油罐实际 运行中的八组q 、p 数据，然后利用我们所建立的油罐故障模糊诊断系统 对这些数据进行分析、处理，并将得到的诊断结果与实际运行效果对比，来 验证此模糊诊断系统的实用性，这八组非学习样本数据如表7 示。 再将表7 非学习样本诊断参数按三种隶属函数“偏大”、“j e 常”、“偏小” 模糊化，结果如表8 所示。然后将此模糊化的数据( 表8 ) 作为b p 神经网络 牲十神经叫络的_ ) l l 罐故障模糊诊断系统 表7 非学习样本诊断参数值 参数数据 01 0 01 0 03 0】4 0 01 6 0 01 8 0 0一1 2 0 02 0 0 0 po 10 4o 4 50 0 50 4o ，0 20 40 5 的输入层，利用已得到的权值和阈值进行前向计算，结果发现即使输入数据 ( 表7 ) 偏离表4 中的学习样本，该模型依然能够给出准确的故障诊断结果， 与油罐实际运行情况一致，该数据的仿真化运行结果如表9 所示。 表8 输入数据的模糊化 a q 数据模糊化p 数据模糊化 偏小j 下常偏大偏小正常偏大 o 1 4 7 0 70 9 7 2 6 50 0 6 6 8 1 50 2 50 ，8 4 0 90 0 3 5 7 l 1 0 1 4 7 0 70 9 7 2 6 50 0 6 6 8 1 50 90 0 6 2 50 0 0 1 3 6 9 9 o 1 1 2 5 l0 9 9 7 5 10 0 8 8 7 4 50 0 0 0 7 9 1 3 50 0 2 9 9 2 50 9 3 9 7 2 0 0 0 0 2 3 6 4 70 0 0 4 3 6 4 40 9 8 1 2o 1 6 1 3 90 9 5 7 60 0 6 0 2 8 3 9 8 2 l e 一0 0 50 0 0 0 8 2 6 90 9 9 2 1 10 90 0 6 2 5o 0 0 1 ：；6 9 9 0 9 9 6 7 l0 0 0 0 1 2 5 54 ，0 7 8 e 一0 0 50 0 8 1 8 8 90 9 9 3 0 90 1 2 1 5 9 0 9 5 5 9o 0 1 8 4 5 30 0 0 0 5 6 9 2 8o 90 0 6 2 50 o o l 3 6 9 9 0 ，9 9 8 6 31 5 2 5 9 e 一0 0 51 6 9 3 5 e 一0 0 50 0 0 0 4 5 7 0 40 0 1 3 1 3 90 9 6 4 2 9 这说明，我们建立的油罐故障诊断模型在实际运行中是有效的、可行的 有较强适应能力和广泛使用价值。 3 3 神经网络与线性回归方法对比 3 3 。1 基于线性回归方法的诊断模型 摹f 神经嘲络的油罐故障模糊诊断系统 表9 非学习样本数据仿真化运行结果 输入输出 opf f 3 f 1rf 。 1 0 00 10 0 4o 0 5o 0 50 0 50 0 50 0 4 一1 0 00 4o 0 2o 0 20 ( ) 3o 2 9o 0 5o 0 2 3 0o 4 5o 0 0 l0 0 l0 0 4o 0 10 0 3 o 0 l 1 4 0 00 0 5o 9 5o 0 5o 0 50 0 5o ，0 5o 9 5 1 6 0 00 40 8 00 3 1o 0 50 0 5o 0 5o 2 4 1 8 0 0o 0 2o 9 60 9 7o 2 7o 0 10 ，0 5o 9 6 1 2 0 0一o 4o 7 1o 2 50 ，0 4o 9 30 0 5 o 1 4 2 0 0 0o 5o 0 5 o 0 5o 9 00 0 5o 9 00 0 5 下面我们采用线性同归方法求解该模型，通过与神经网络方法的对比， 证明该诊断模型采用神经网络方法的优越性。 将隶属函数层六个变量用x 表示，规则层九个变量用y 表示，输出层六 个变量用z 表示，规则层和输出层权值分别用w 。和c 。表示，则由线性回归方 法可得： 规则层第k 个值： y k = w k i x l + w k 。x ，+ w x a + a k ， 其中a 。为修正量，k = l ，9 输出层第j 个值： z j = w j i y l +w 业y k + w j g y g + b j ， 其中b 。为修正量，j = l ，6 运用l m s ( 最小均方误差) 自适应算法进行求解，得到规则层和输出层权 值如上，其巾w 。表示隶属函数层第i 个变量x 至规则层第k 个变量y 的权值， 茎塑丝鬯竺塑塑堡鳖堕壁塑堡堑至竺 c 。表示规则层第k 个变量y 全输出层第j 个t x 一。t z j - z 的权值，t 表示矩阵转置。 e,，18。，82。0。13，3，。1。5：0。09。8。87。3。0：,8。4。6。8。8。-。0，2，9。2一。18。-。0。59，9：34。1：0，。72，7。-0。6。：1：1，15。-。0。3。2，3，4，8。l 【c j k 卜1 00 2 3 1 8 3 0 0 0 1 0 9 6 5 - 0 4 7 9 6 7o7 1 1 150 15 3 7 10 6 3 6 4 3 - 0 2 4 6 7o0 6 2 0 2 0 0 0 8 2 9 7 9 l 1 - 0 1 2 3 0 2o m 7 2 6 o 1 6 7 5 - 0 5 7 5 6 5 _ 0 3