（机械工程专业论文）基于模糊神经网络的设备故障诊断专家系统.pdf

基于模糊神经网络的设备故障诊断专家系统中文摘要 基于模糊神经网络的设备故障诊断专家系统 中文摘要 本文提出了一种复合理论的设备故障诊断系统，通过对比多种故障分析方法，结 合试验确定了最佳方案：从模拟和试验的结果来看，系统具有较好的仿真性能。 具体研究内容如下： 首先，分析国内外设备故障诊断专家系统的研究现状，针对现有主要单一专家系 统设计的局限，提出了本次系统设计的基本原则，分析加工制造企业设备共通特点， 提出了基于神经网络、模糊系统复合理论的故障诊断专家系统。 其次，利用神经网络技术，建立了三种神经网络分析模型，对模型的对比分析。 并选择冷冻冷却水设备作为试验对象，确定系统的输入、输出参数，运用m a t l a b 进行了网络模型生成、求解，建立具体的系统设计，并进行系统训练和仿真验证，选 取了最适合的神经网络模型。 再次，利用模糊理论与神经网络结合，对设备的实际输入、输出参数进入模糊化 和去模糊化计算，以模糊规则解释设备故障的专家知识，再对神经网络模型进行参数 优化，结合形成模糊神经网络，验证了诊断方式的合理性。 最后，将建立的模糊神经网络模型，运用v b 开发出用户界面，调用m a t l a b 相 关函数插件和e x c e l 样本数据，形成最终的专家系统，运用到企业现场进行试验。试 验证明系统能正确有效的诊断设备故障，其性能满足设计要求，对其他加工型设备辅 助诊断具有一定的通用性。 关键词：神经网络、设备故障、专家系统、故障诊断、模糊理论 作者：黄海阔 指导教师：盛小明 b a s e do nf u z z yn e u r a ln e t w o r kf a u l td i a g n o s i so f e x p e r ts y s t e m s a b s t r a c t n sp a p e rp r e s e n t e dac o m p o n di n t e i l i g e n le q u i p m e n tf a u l td i a g n o s i ：s y s t e m , + a n d a n a i y z e ds o m ef a i l u r ea n a l y s i sm e t h 。d ，a n dd e t e r m i n e dt h eb e s t s c h e m eb ye x p e r i m e n t f r o mt h er e s u i t so fs i m u l a t i 。n a n de x p e r i m e n t s ，t h e s y s t e mh a sa9 0 0 ds i m u l a t i o n p e r f o r m a n c e t h er e s e a r c hc o n t e n ta sf o l l o w s ： f i r s t 。fa l l ，a r e ra n a l y z e dt h er e s e a r c h s i t u a t i 。no ft h ee q u i p m e n tf a u l t d i a g n o s i s e x p e r ts y s t e ma th 。m ea n da b r o a da n dt h es h o n c o m i n g so ft h es i n g l ee x p e r ts y s t e m ，t h e p a p e 。p u tf o n v a r dt h eb a s i cp r i n c i p l eo ft h ed e s i g n o nt h i sb a s i s ，i tp u tf o r w a r da c 。m p o n d i n t e l l i g e n tf a u l td i a g n o s i ss y s t e mt h r o u g ht h ea n a l y s i so ft h e p r o c e s s i n gm a n u f a c t u r e e n t e r p r i s e sc o m m o ne q u i p m e n tc h a r a c t e r i s t i c s s e c o n d , i tm a d et h r e ek in d so fn e u r a ln e t w o r km o d e lb yu s i n gt h en e u r a in e t w o r k t e c h n o l o g y t h e ni tc o m p a r ea n da n a l y s et h en e t w o r km o d e lw i t hm a t l a b ，a n dc h o o s e t h em o s ts u l t a b l en e u r a ln e t w o r km o d e la f t e r g e n e r a t i n g ，s o l v i n gs p e c i f i cd e s i g n ，t r a i n i n g a n dt h es i m u l a t i o nt h es y s t e m a g a i n ，“o p t i m i z e dt h em o d e lp a r a m e t e r s ，a n dp u tt h e i n p u ta n do u t p u te x p e r t k n o w i e d g ei nt h ef o r mo ff u z z yr u l e s ，a n da n a l y z e dt h er a t i o n a l i t yo fd i a g n o s i sw a yb yu s e t h ef u z z yn e u r a ln e t w o r k t h e o r y f i n a l l y h em a n m a c h i n ei n t e r f a c ec a nc a i it h em a t l a bf u n c t i 。na n d e x c e ld a t eb y v bc 。d e i te s t a b l i s hf u z z yn e u r a ln e t w o r km o d e ia n d a p p l yt ot h ee n t e r p r i s ef i e l df o rt h e t e s t t h er e s u l t ss h o wt h a tt h e s y s t e mh a sm a n yc o m m o nc h a r a c t e r i s t i c sa n di t ，sb a s i c p e r f o r m a n c em e e tt h ed e s i g nr e q u i r e m e n t s k e y w 。r d s ：n e u m ln e t w o r k , e q u i p m e n t f a u l t , e x p e r ts y s t e m s ，f a u l td i a g n 。s i s ， f u z z yt h e o r y n w r i t t e n b y , s u p e r v i s e db y l h u a n gh a i k u o s h e n gx i a o m i n g 基于模糊神经网络的设备故障诊断专家系统第一章绪论 第一章绪论帚一早瑁 v 匕 1 1 课题的研究意义 现代制造业设备具有规模大、复杂性高、变量多，并在闭环控制下运行的特 点。对这些设备进行早期的和准确的故障检测与诊断可以减少停产时间，增加设 备运行的安全性，并减少制造成本。 自从1 9 6 5 年第一个专家系统d e n d r a l 在美国斯坦福大学问世以来，专家系 统在早期主要用于医疗诊断系统【i j ，经过多年的科学研究，许多工程领域的故障诊 断都使用专家系统，现在己扩展到设备维护和诊断、科学、工程、农业、商业以 及金融业【2 _ 3 ，4 5 6 ，7 】等领域。其中不少系统在性能上已达到甚至超过了同领域人类专 家的水平，已经产生或正在产生巨大的经济效益和社会影响【阳1 。 专家系统是基于知识的技术，与人类解决问题的方式十分相近。一个良好的 专家系统能够表示现有的专家知识、适应现有的数据库、对新知识进行积累、进 行逻辑推理、提出建议和根据推理作出决策。 一名经验丰富的工程师或领域专家与一名没有经验的操作员相比，能够在较 短时间内诊断出故障，因为他们积累了丰富的经验和知识。为了帮助诊断故障， 可以将专家经验总结成许多i f t h e n 规则，用这些规则来构建专家系统。使用专 家系统的最主要优点是专家不需要在场就可以进行快速咨询 4 , 8 , 9 1 。 1 - 2 国内外故障诊断专家系统的研究现状 故障诊断技术在过去的十几年里得到了飞速发展，一些新的理论与方法被迅 速拓展并加与转化应用，如：主元分析、遗传算法、小波变换、神经网络、模糊 系统、定性推理、模式识别、自适应理论、非线性理论等都已都在故障诊断中得 到成功的应用。 1 2 1主元分析法 主元分析( p c a ) 以及最小二乘( p l s ) 都是多变量统计方法，主要用于对含有噪 声和高度相关的测量数据进行分析，采用的是把高维信息投影到低维子空间，并 保留主要过程信息的方法。p c a 最早是由p e a r s o n 于1 9 0 1 年提出的，这种方法被 第一章绪论基于模糊神经网络的设备故障诊断专家系统 归类于标准的多变量统计方法。 p c a 主要是用于描述单个数据矩阵中的数据的变动情况，其首先计算出一个 向量，称作第l 主元( p c i ) ，描述数据最大的变动方向；第2 主元( p c 2 ) 与第1 主元 正交，描述剩余变动中的最大方向。因此只需2 个主元即可对这组数据进行有效 的描述。在大多数情况下，一般都可以用少数的主元描述高维的数据矩阵。 基于传统p c a 的过程监控方法适用于从稳态过程采集的2 维数据矩阵，但在 实际应用中有时这一条件是不成立的，因此现在已对传统的p c a 方法进行了推广。 n o m i k o sp 等提出了一种多向p c a 方法，用以分析多维矩阵，更易于建模与分析】。 k uw 等通过采用在数据矩阵中扩展时滞变量的方法，提出了一种动态p c a 方法， 可以提取测量数据中的动态关系i n 】。k r a m e rma 等论述的非线性p c a 方法，则采 用神经元网络技术，把传统的p c a 推广到可以描述变量间的非线性关系l l 引。还有 多时标p c a 方法把传统的单时标的p c a 与小波分析方法相结合，可以对数据进行 更有效的压缩【1 4 】。 1 2 2 遗传算法 19 6 7 年b a g l e y 首次提出了遗传算法这一术语【1 5 】，这一模拟生物自然进化过程 的人工算法，在这几十年里已得到了深入的研究并取得巨大的发展。遗传算法具 有很强的全局优化搜索能力，并具有简单通用、鲁棒性强、具有隐并行处理结构、 应用范围广等显著优点。 故障诊断专家系统采用基于模糊区间的推理方法时，会先给出几个假设，由 于导致同一个假设的路径有很多，若对每一假设的每一条路径进行运算，就会导 致推理效率低下，有可能满足不了专家系统的实时性要求，为了解决这一矛盾， 可采用遗传算法有效加快推理速度1 1 6 l 。使用遗传算法对每个假设的每一条路径进 行编码，在每一假设中随机地选择一条路径作为个体，它们的集合作为初始种群； 然后计算每个个体结论的可信度模糊区间值，并计算其差值作为每个个体的适应 度，它们的和作为该基因串的适应度；利用遗传算子，对当前一代的个体进行繁 殖，产生出其后代，淘汰掉父代中适应度低的个体，计算后代的适应度，并将适 应度高的个体与父代中保留的个体合并成新的一代。如果达到设定的繁殖代数或 算法已收敛，则返回最好的基因串，并将该基因串适应度最高的个体进行解码， 输出的即为结论；否则继续进行繁殖。 2 基于模糊神经网络的设备故障诊断专家系统 第一章绪论 1 2 3小波变换法 连续小波变换其基础是平移和伸缩下的不变性，这使得能将一个信号分解成 对空间和尺度的独立贡献，同时又不丢失原来信号的信息。这一法国物理学家 g r o s s m a n n 与法国数学家m o r l e t 共同提出的理论已在信号处理、量子场论、地震 勘探、故障诊断等许多科学领域得到了广泛用fj 7 1 s 。 通常被检测的信号由确定性信号和平稳随机噪声叠加而成，其小波变换是两 部分小波变换之和，其中确定性信号边沿对应的小波变换的极值随着尺度的增大 将增大或由于噪声的影响而缓慢衰减；平稳噪声作为平稳随机信号的一种特例， 其小波变换的极值随着尺度的增大将迅速衰减。所以在大尺度下，信号的小波变 换的极值点将主要属于确定性信号的边沿，可用于区分边沿与平稳噪声【3 2 1 。 小波变换引入故障检测与诊断领域已经涌现出了大量的应用成果。叶吴等将 离散小波变换应用到了导弹运输车的故障诊断，给出了轮胎故障与板簧故障的诊 断实验结果l l 别；w a n gwj 采用小波分析中的时频分布曲线进行直升机齿轮箱的故 障诊断，实验结果证实了方法的有效性1 2 0 】；郑崇伟等将小波变换与模糊集理论相 结合，提出了一种发电机匝间短路故障的智能诊断方法，仿真研究表明这种诊断 技术对非平稳故障信号、突变信号的诊断是非常及时和有效的1 2 。 1 2 4 神经网络分析法 神经网络用物理上可以实现的器件、系统或现有的计算机来模拟人脑的结构 和构能。它由大量简单神经元经广泛互联构成一种计算结构，在某种程序上可以 模拟人脑生物神经系统的工作过程。 神经网络具有广泛连接的巨型系统、分布式存储信息、并行处理功能、自学 习、自组织和自适应功能。神经网络技术的出现，为故障诊断问题提供了一种新 的解决途径。特别是对复杂系统，由于基于解析模型的故障诊断方法面临着难以 建立系统模型的实际困难，基于知识的故障诊断方法成了重要的、也是实际可行 的方法。而神经网络的i 0 非线性映射特性、信息的分布存储、并行处理和全局集 体作用，特别是其高度的自组织和自学习能力，使其成为故障诊断的一种有效方 法和手段，并已在许多实际系统中得n f 成功的应用l l6 1 。 应用神经网络技术解决故障诊断问题的主要步骤包括：根据诊断问题组织学 第一章绪论基于模糊神经网络的设备故障诊断专家系统 习样本、根据问题和样本构造神经网络、选择合适的学习算法和参数。 1 2 5模糊系统 模糊理论最初的目的是为描述与处理广泛存在的不精确、模糊的事件和概念 提供相应的理论工具。该理论经过不断发展，目前已形成了有关纯粹数学和应用 数学的众多分支，包括拓补学、图论、系统决策、自动控制、模式识别等。 模糊理论、模糊逻辑系统以及模糊神经网络为解决复杂系统的故障诊断提供 了重要的理论方法和实现工具。模糊逻辑系统是应用模糊理论建立故障诊断系统 的基本形式，一旦建立了故障诊断模糊规则库，就可以基于适当的模糊推理方法 建立起模糊逻辑故障诊断系统【2 2 1 。故障诊断中的模糊推理是根据当前的故障征兆， 对模糊规则库中的相关规则进行匹配处理，并给出相应的故障诊断结果。模糊逻 辑诊断系统的输出结果一般以各个故障的可信度来表示。 通常故障诊断模糊推理可分为两个步骤：首先根据当前的故障征兆计算出各 条规则中的激活度，其计算依据是规则中的权系数，然后计算各个故障在当前征 兆下的可信度，可信度取决于相关规则的激活度和规则中的权系数。如果某一故 障只有一条规则支持，则该故障的可信度为可信度与权系数之积；而若有多条规 则支持该故障，则其可信度将是各条规则对其支持的可信度的合成，这种合成通 过一定的模糊算子来实现。 在各种基于知识的故障诊断方法中，以模糊理论为基础的模糊模式识别、模 糊逻辑系统已经成为一个重要的分支，并在许多实际系统中得到了成功应用。 1 2 6定性推理 定性推理技术是模仿人类专家对物理现象进行推理，基于定性模型的诊断方 法，所需的过程知识不多。根据所采用知识的类型，定性诊断系统可分为基于浅 层知识和基于深层知识的系统两大类。基于浅层知识的诊断系统，其知识库有可 能出现相互矛盾的知识，过程的微小变动或操作条件的变化，都会导致知识库有 较大的变动。基于深层知识的系统可以给出一个系统性的方法来对物理对象进行 推理。 尽管定性推理技术具有系统化描述过程行为的能力，但它仍然具有不完备性。 它有可能对同一个事件做出多种解释，在故障诊断中这意味着除了真正的故障原 4 基于模糊神经网络的设备故障诊断专家系统 第一章绪论 因外，诊断系统会提供更多的无效故障解释。虽然在过程控制中，随着经验的积 累，会得到许多定量的过程知识，如过程变量之间的稳态增益等，但一般的定性 模型诊断系统不具有利用这些定量过程知识的能力【2 3 1 。 1 3 本课题主要研究内容 虽然上述理论技术和方法单一应用在故障诊断领域都已取得成功的应用，但 就如以上所描述，各个理论都存在不同程度的局限，由此越来越多的研究者考虑 将两种或多种技术结合起来，增强系统辩识能力，其中基于模糊理论的模糊逻辑 系统与神经网络的相互结合，已形成模糊神经网络f n n 的新技术。 模糊神经网络技术的实质是对人脑结构和思维功能的双重模型，即大脑神经 网络的“硬件 拓扑结构和模糊信息处理的“软件”功能的同时模拟。它充分吸 收了模糊理论与神经网络各自的优点，并由此弥补各自的不足。如对许多实际问 题，模糊逻辑系统中的模糊规则、隶属函数以及模糊决策算法的最佳方案选择， 并不是事先可以明确决定的，而神经网络的介入则为通过实际输入、输出数据的 学习优化地确定这些规则、函数和决策算法提供了可能性。另一方面，虽然神经 网络本身所存储的知识难以理解，但在模糊神经网络中可以将神经网络的学习结 果转化为模糊逻辑系统的规则知识，从而更加便于知识的解释和利用。 模糊神经网络的构造方法大致有两类：一是传统神经网络模糊化，这种f n n 保留原来的神经网络结构，而将神经元进行模糊化处理，使之具有模糊信息的能 力；二是直接根据模糊规则或模糊分类算法构造相应的网络结构【2 4 1 。 本文的研究工作正是基于模糊逻辑与神经网络的结合技术，论述了通过模糊 神经网络技术来开发冷冻冷却水系统的故障诊断专家系统。本研究的目标是在开 发一套特定的专家系统基础上，验证用该类开发方法推广至一般设备故障诊断专 家系统的可能性。 本课题主要研究内容如下： 1 首先，对故障诊断所涉及的各种理论进行分析、对比，结合设备故障诊断 的特点，确定以神经网络、模糊系统作为本次研究的基础理论，形成专家系统。 2 其次，在构建神经网络模型的过程中，对多种神经网络基本模型进行对比， 为配合诊断设备故障的特点，初步选择反向传播b p 改进型网络、e l m a n 网络、r b f 第一章绪论 基于模糊神经网络的设备故障诊断专家系统 网络等三种神经网络模型，作为本次的神经网络分析参考模型。 3 确定待分析的神经网络模型后，以冷冻冷却水设备的主要系统参数作为神 经网络输入变量，以设备常见的故障原因作为神经网络的输出变量，借助m a t l a b 对b p 网络、e l a m a n 网络、r b f 网络分别建模，并逐一仿真试验。对比仿真结果 选择r b f 网络为本次的基础神经网络模型。 4 对建立的r b f 神经网络模型进一步扩展，通过对输入、输出参数分别加入 模糊化、去模糊化等运算，用i f t h e n 模糊规则实现输入、输出的传递与转换， 形成模糊神经网络系统，并进一步对系统相关参数进行优化。 5 最后，用v b 语言创建用户界面，通过调用m a t l a b 函数与e x c e l 样本数据， 实现用户与模糊神经网络系统的交互，完成设备故障辅助诊断过程。v b 创建的用 户界面集成数据交换、模糊神经网络分析，从而形成最终的专家系统。 1 4 本章小结 本章首先介绍了课题的实际意义，其次分析了目前主流的设备故障诊断理论 和方法，对其中部分理论进行对比，选择模糊理论和神经网络结合开发设备故障 诊断专家系统，再对本次研究主要内容和大致研究方法进行简要介绍。 6 基于模糊神经网络的设备故障诊断专家系统 第二章模糊神经网络的基础知识 第二章模糊神经网络的基础知识 2 1 神经网络理论基础 2 1 1神经元和网络结构 神经元是神经网络操作的基本信息处理单位。一个单输入神经元如图2 1 所示。 标量输入p 乘上标量权值w 得到叩，再将其送入累加；另一个输入1 乘上偏置值 b ，再将其送入累加器。偏置值b 的作用是根据其为正或负，相应地增加或降低传 输函数的网络输入。累加器输出n 通常被称为传输函数厂的净输入，当门被送入传 输函数厂时，在厂中产生神经元的标量输出a 。 输入通用神经元 输入多输入神经元 t 卜ft + l 图2 1 单输入神经元 f j l ， 图2 2 多输入神经元简化表示 若将这个简单模型与生物神经元相对照，则权值w 对应一突触的连接强度， 细胞体对应于累加器和传输函数，神经元输出口代表轴突的信号。神经元输出为： 口= f ( w p + 6 ) 。 当所设计的网络有几层神经元、每个神经元都有几个输入的多层网络时，经 常采用简化符号来表示多输入神经元如图2 2 所示。图中，左边垂直的实心条表示 输入向量p ，p 下面的变量r 1 表示p 的维数。这些输入被送入权值矩阵肌 有1 行尺列。常量1 则作为输入与标量偏置值b 相乘。传输函数厂的净输入是， 它是偏置值b 与积w p 的和。如果网络有多个神经元，则网络输出可能会是一个 向量。 实际输出取决于所选择的传输函数。工程和设计中运用的传输函数有很多， 常用传输函数如表2 1 。 佃母 第二章模糊神经网络的基础知识基于模糊神经网络的设备故障诊断专家系统 名称输脯出函数图标m a t l a b 函数 a = 0 ，1 1 0 ； 国 h a r d l i m硬极限函数 a = 1 ，7 l 0 ： 口= - 1 ，7 l 0 ： 囝 h a r d li r a s对称硬极限函数 口= + 1 ，n 0 ： 线性函数a = n 凶 p u r e l i n a = 0 ，n 1 ： a - - 一1 ，孢 1 对数s 形函数 1 幽 i o g s i g 口= 丽 e n e n 凶 t a n s l g 双曲正切s 形函数 口= 百i i a = 0 ，n 2 7 。c )中( 2 3 - 2 7 。c )低( 1 4 0 m 3 1 1 )中( 1 2 0 1 4 0 m 3 h ) 低( 6 2 b a r )中( 5 8 6 2 b a r )低( 2 7 。c ) 序号故障原因故障代码 内循环纯水水箱9 保温措施失效( 夏天) ，内部有泄漏，补水l 浮球阀损坏、 lf l 关闭或开度小 2纯水产水量小，补水2 流量大，冷冻水管路有泄漏 f 2 主机设备循环水泵机组8 水泵转速低，水泵转向相反，水泵吸不到水或 3f 3 吸水太浅，进水口堵塞，泵组中有泵故障未开启，泵组变频器故障， 基于模糊神经网络的设备故障诊断专家系统第三章冷冻冷却水系统分析 泵组出水阀门开度不够 4内循环水管路有泄漏f 4 板式换热器组6 换热不良，换热面积不够，换热片老化，换热片堵塞， 5f 5 换热片损坏 6冷冻机组4 冷冻量不足，设定冷冻温度过高，泵组中有机组未启动f 6 冷冻循环水泵机组5 供水流量小，水泵故障，变频器故障，管路补水少， 7f 7 管路堵塞 冷却循环水泵机组2 有机组未开启，冷却循环水泵机组吸水太少或吸不 8 f 8 到水 9冷却塔3 管路阀门开启太小f 9 10冷却水池l 补水不足f lo l l内循环温度传感器故障f 1 l 表3 2n 反馈值偏高故障原因及代码对照表 参数r l , 反馈值适中( 2 3 2 7 。c ) 序号故障原因故障代码 l系统正常f o 表3 3 乃反馈值适中故障原因及代码对照表 参数n ：反馈值较低( 14 0 m 3 h ) 序号故障原因 故障代码 l主机设备循环水泵8 开启台数多，泵组变频器故障，水泵气蚀等故障 f 1 2 2管路三通阀故障 fj6 3流量表故障 f l7 表3 5 q 1 反馈值偏高故障原因及代码对照表 参数q 1 ：反馈值适q j 0 2 0 1 4 0 m 3 h ) 序号故障原因故障代码 l系统正常 f o 表3 6 q 1 反馈值适中故障原因及代码对照表 参数q 1 ：反馈值较低( 6 2 b a r ) 序号故障原因故障代码 l主机内循环管路堵塞f l8 2内循环纯水水箱9 内部有泄漏，补水l 浮球阀损坏、关闭或开度小f l 主机设备循环水泵8 开启台数少，泵组变频器故障，水泵转速低，水泵 3转向相反，水泵吸不到水或吸水太浅，进水口堵塞，泵组出水阀门开度f 3 不够 4压力表故障f 1 9 表3 8p 1 反馈值偏高故障原因及代码对照表 基于模糊神经网络的设备故障诊断专家系统 第三章冷冻冷却水系统分析 参数p 1 ：反馈值适中( 5 8 6 2 b a r ) 序号故障原因故障代码 l系统正常f o 表3 9 p 1 反馈值适中故障原因及代码对照表 参数p 1 ：反馈值较低( 5 8 b a r ) 序号故障原因故障代码 l主机设备循环水泵8 开启台数多，泵组变频器故障，水泵气蚀等故障f 1 2 2管路三通阀故障f 1 6 3压力表故障f 1 9 表3 1 0p 1 反馈值偏低故障原因及代码对照表 从以上列表分类看出，在3 个工艺参数分别取值高、中、低时，共对应1 9 种故障 原因。将这些故障原因作为输出参数，工艺参数作为输入参数，通过对应关系，建立 故障原因样本如表3 1 l 。 其中将工艺参数乃、q 1 、p 1 取高、中、低三种状态可分别对应为： h 3 ，n 2 ，l 1 。 第三章冷冻冷却水系统分析基于模糊神经网络的设备故障诊断专家系统 样本 输入数据输出数据 序号 nq 1p 1 f of lf 2f 3f 4f 5f 6f 7f 8f 9f l of l lf 1 2 f 1 3f 1 4 f 1 5 f 1 6f 1 7f 1 8 f 1 9 l hhno llllllllllll o 0 o llo 0 2hhl0llllllllllllo0ollol 3h nhollllllllllloo0oo0lr 4h n nolllllllllllooooooo0 5hnlo1 lllll l lll l l ooo1ool 6 hl h o llllll l lll l 0 o o oo l1 l 7hln01llllllllllooo0ol00 8 nh n o o oo0 0 0 o ooo o i o ooll 00 9nhlooooooooooool0oo1lol l onnhol0l0oooooooooooooll l lnnnlo0oooooooooooooooo0 1 2 nnl0oo0o0o0oo0o l o00 l oo l 1 3nlh0lllloo0ooo0o0oo0lll 1 4 n l n o l lll o oo o0 o o 0 o000l0o 1 5lh noo0oo0oo0oolllllllo0 1 6lhlooooooooooolllllll0l 1 7lnhol0loo0o00olllllooll 1 8ln nooo0ooooooollllloooo 1 9 l n l0ooo o o0o0ool l lllloo l 2 0llh0llll 0 0 o 0 ool l lll0ll l 2 llln0llll00o000lllllol00 表3 1 1 输入、输出参数故障原因样本表 2 6 基于模糊神经网络的设备故障诊断专家系统第三章冷冻冷却水系统分析 3 4 本章小结 本章首先对本次研究对象冷冻冷却水系统项目概况、运行原理、工艺参数控制等 进行介绍，其后通过对工艺参数偏离正常值时，出现的故障所对应原因进行罗列，并 建立输入、输出参数对应故障样本表。 在后绪的章节中，将根据孔、q 1 、p 1 和对应的故障样本建立不同的神经网络模型， 通过这些模型组织对应算法，建立能自动分析工艺参数变化时可能存在的故障原因的 诊断系统。 2 7 第四章b p 神经网络模型的系统分析 基于模糊神经网络的设备故障诊断专家系统 第四章b p 神经网络模型的系统分析 4 1b p 神经网络模型 4 1 1网络原理 在感知器和线性神经网络中，理想输出与实际输出之差被用来估计神经元连接 权值的误差，这样当解决线性不可分问题而引入多级网络时，由于无法知道隐含层的 任何神经元的理想输出值，如何估计网络隐含层神经元的误差就成为难道。 r u m e t h a r t 、m c c l e l l a n d 等在1 9 8 5 年提出了b p ( b a c kp r o p a g a t i o n ) 网络误差反 向传播学习算法。b p 算法在于利用输出后的误差来估计输出层的直接前导层的误差， 再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各 层的误差估计。这样就形成了将输出层表现出的误差沿着与输入传送相反的方向逐级 向网络的输入层传递的过程。使用b p 算法进行学习的的多级非循环网络，属于前向 神经网络类型瞳5 1 。 4 1 2神经网络模型 输入层隐含层输出层 图4 1b p 神经网络模型 b p 网络模型如图4 1 所示。按照b p 算法的要求，这些神经元所用的激活函数必须 是处处可导的，一般都使用s 型函数。 单个神经元的网络输入表示为： n e t = 七1 1 + x 2 a j 2 + + 南( 4 - 1 ) 其中x l ，x 2 ，是神经元所接受的输z k ；0 3 1 ，o j 2 ，是神经元的连接 2 8 基于模糊神经网络的设备故障诊断专家系统第四章b p 神经网络模型的系统分析 权值。 该神经元的输出为： y = f ( n e t ) = 嘉 ( 4 - 2 ) 当n e t = 0 时，少取值为0 5 ，并j l n e t 落在区间( - o 6 ，0 6 ) 中时，y 的变化率较大， 而在( - 1 ，1 ) 之外，y 的变化率就非常小。 厂( n e t ) = 焉备= y ( 1 一y ) ( 4 - 3 ) y 的值域为( o ，1 ) ，从而厂( n e t ) 的值域为( o ，0 2 5 ) ，凯为0 5 时，厂( n e t ) 达到 最大值。对神经网络进行训练，应该将n e t 的值尽量控制在此收敛比较快的范围内。 4 2b p 网络标准学习算法 标准b p 算法是基于梯度下降法的学习算法，学习过程是通过调整权值和阈值【3 5 1 ， 使输出期望值和神经网络实际输出值的均方误差趋于最小而实现的。 b p 标准算法具体实现步骤如下： i ) 网络初始化。给( i ) _ i l 、i ) i i l o 、b 和b d 分别赋一个区间( - 1 ，1 ) 内的随机数，设 定误差函数p = 寻：1 ( d 。( 足) 一y o c k ) ) z ， ( 4 4 ) 给定计算精度和最大学习次数m 。 2 ) 随机选取第k 个输入样本x ( 七) = ( x 1 ( 忌) ，x 2 ( k ) ，( 七) ) 及对应的期望输 出d ( 七) = ( d l ( 七) ，d 2 ( 七) ，d q ( 七) ) 。 3 ) 计算隐含层各神经元的输, k h i h ( k ) ，然后利用h i j i l ( 尼) 和激活函数计算隐含层各 神经元的输出h o b ( k ) h i h ( k ) = ：lt o z a x z ( k ) 一b hh = 1 ，2 ，p( 4 - 5 ) h o b ( k ) = 厂( 九“( 良) ) h = 1 ，2 ，p ( 4 - 6 ) y i o ( 七) = 2 ( 0 h oh o b ( k ) 一b o0 = 1 ，2 ，p ( 4 - 7 ) y o o ( k ) = f ( y i o ( 恐) ) 0 = 1 ，2 ，p ( 4 8 ) 4 ) 利用网络期望输出向量d ( k ) = ( d l c k ) ，d 2 ( 七) ，d q ( 忌) ) ，网络的实际输出 y o d ( 七) ，计算误差函数对输出层的各神经元的偏导数如 ) ： 艿oc k ) = ( d o ) 一y o 。( 七) ) ) ，d 。( 良) ( 1 一y o o ( k ) ) 0 = 1 ，2 ，q ( 4 9 ) 第四章b p 神经网络模型的系统分析 基于模糊神经网络的设备故障诊断专家系竺 5 ) 利用隐含层到输出层的连接权值t o h o ( 七) 、输出层的酩( 忌) 和隐含层的输出 h o l ( 七) 计算误差函数对隐含层各神经元的偏导数瓦 ) ： 6 h ( k ) = 【：16 0 ( k ) t o 。 h o b ( k ) ( 1 一 ( 七) ) ( 4 l o ) 6 ) 利用输出层各神经元的配 ) 和隐含层各神经元的输出h d ) 来修正连接权值 t o h o ) 和阈值b d ( 七) ： c d 射1 ( 七) = t o j 2 | ：o ( k ) + r 1 6 0 ( k ) h o h ( k ) ( 4 - 1 1 ) 6 + 1 ( 忌) = 6 ( 七) + r 1 6 0 ( 七) ( 4 - 1 2 ) 。n 调整前；n + i 调整后；r 学习率，在( 0 ，1 ) 之间取值。 。 7 ) 使用隐含层各神经元的( 七) 和输入层各神经元的输入施( 恐) 修正连接权和阈值： 射1 = o 麓+ r 1 6 h ( k ) x t ( 良) ( 4 - 1 3 ) 6 + 1 ( k ) 壬b o ( k ) r l a o ( k ) 一 ( 4 - 1 4 ) 8 ) 计算全局误差e e 亍丽1 厶m 脯：1 ( d 。( 七) 一y o ( 七) 广 ( 4 - 1 5 ) 9 ) $ 1 j 断网络误差是否满足要求，当e - - j 样本及对应的期望输出，返回到3 ) ，进入下一 轮学习过程。 以上步骤中，各符号含义为： 输入向量z = ( x l ，x 2 ，) ； 隐含层输入向量h i = ( ，l f l ，h i 2 ，h i p ) ： 隐含层输出向量 口= ( j 1 0 1 ，| 1 0 2 ，h o p ) , 输出层输入向量y f = ( y f l ，y f 2 ，y i q ) ； 输出层输出向量y o = ( y d l ，y 0 2 ，) ，d q ) ； 期望输出向量d = ( a l ，d 2 ，d q ，) ； 输入层与中间层的连接权值t , o i h5 隐含层与输出层的连接权值 o ： 隐含层各神经元的阈值b _ i ； 输出层各神经元的阈值b o ； 样本数据个数k = 1 ，2 ，m ； 基于模糊神经网络的设备故障诊断专家系统第四章b p 神经网络模型的系统分析 一 一激活函数厂( ) 。 。_ _ 一，_ t 一。小：_ 4 3b p 神经网络学习算法的m a t l a b 实现 ? 4 3 im a t l a b 神经网络工具箱( b p 算法) 在m a t l a b 神经网络工具箱中，提供了与算法相关的b p 网络分析和设计的工 具函到3 。 主要函数和基本功能如表4 1 。 函数名功能函数名功能 n e w f f ( )生成一个前馈b p 网络 l o g s i g ( )对数s 型( l o g - s i g m o i d ) 传输函数 t a n s i g ( )双曲正切s 型传输函数t r a i n g d ( )梯度下降b p 训练函数 表4 1m a t l a b 中b p 神经网络的重要函数和基本功能 n e w f f ( ) 的使用格式为： n e t = n e w f f ( p r ，【s is 2 s n l ， t f it f 2 t f n l ) ，b t f ，b l f ，p f ) f 2 6 】 式中n e t 为创建的新b p 神经网络；p r 为网络输入取向量取值范围的矩阵；【s l s 2 s n i 】表示网络隐含层和输出层神经元的个数； t f it f 2 t f n l ) 表示网络隐含 层和输出层的传输函数，默认为t a n s i g ；b t f 表示网络的训练函数，默认为t r a i n l m ； b l f 表示网络的权值学习函数，默认为l e a r n g d m ；p f 表示性能数，默认为r o s e 。 该函数可以建立一个n 层前向b p 网络。各神经元权值和阈值的初始值函数为i n i t n w ， 网络的自适应调整函数为t r a i n s ，并根据指定的学习函数对权值和阈值进行更新。 4 3 2 b p 网络的m a t l a b 算法实现 根据表3 1 l 建立的设备故障样本模型，以设备工艺参数的三种取值状态作为神 经网络的输入参数，分别用3 替代h ，2 替代n ，l 替代l ，从表中得到输入向量p 。 用样本表中的2 0 种故障原因作为神经网络的输出参数，从表中得到输出向量t 。 输入向量p 和输出向量t 在m a t l a b 中录入如下1 2 9 】： p = 332 ；33l ；323 ； 322 ；321 ；3l3 ； 3l2 ；232 ；23i ； 223 ；222 ；221 ： 3 l 第四章b p 神经网络模型的系统分析 基于模糊神经网络的设备故障诊断专家系统 213 ；212 ；132 ； 121 ；123 ；122 ； 121 ；l13 ；l1 2 】i ；1 1 , t = 01 1 1 1 1 1 1 1 1 1 1 10001 100 ； 01 1 1 1 1 1 1 1 1 1 1 10001 101 ： 011i 1 1 1 1 1 1 1 1000000i1 ： 01 】ll l l 1 1 1 l 10 0000 00o ： 01 1 1 1 1 11 111 1 10001001 ： 01 1 l 1 1 1 1 1 1 1 1000001 ll ： 0l1 l 1l 1 1 1 1 1 100000100 ： 0000000000 0010001100 ： 00000000000010001 101 ： 010l00000000000000ll ： 10000000000000000 000 ： 00 0000000000100010 0i ： 0l1l 1000000000000l ll ： 0l l l l000000000000l0o ： 000000000 00l l l l l l l0o ： 00000000000l l l l l l l01 ： 0l0l0000000l l l l l0011 ： 00000000000l l l l l0000 ： 000000000 00l l l l l l0 01 ： 0l l l l000000l l ll l0l 1l ： 0ll ll0 000 0 0l 1 l 1l0l0o 】； 本次构建一个两层b p 神经网络，其输入向量是二维的，输入向量的取值范围为 05 ；05 ；05 】，经多次对比试验，第一层( 隐层) 取7 个神经元，传递函数为t a n s i g ( ) ； 第二层( 输出层) 是2 0 个神经元，传递函数为p u r e l i n ( ) 。 为弥补b p 网络误差曲面在复杂的多维空间训练过程中可能会陷入局部最小点 的缺陷1 3 6 3 7 3 羽，本次选用增加有附加动量和学习率的训练函数t r a i n g d m ，并指定显示 训练迭代过程为间隔5 0 次显示1 次，学习率选择唧为o 7 ，动量因子为0 9 ，最大训 基于模糊神经网络的设备故障诊断专家系统 第四章b p 神经网络模型的系统分析 一练饮数1 0 0 0 0 次i 训练精度l e 5 。- 一一” 一。生成神经网络的m a t l a b 代码如下：_ j 。n e t ：n e w f f ( i o5 i o5 ；o5 】，1 7 ，2 0 ； t a n s i g , p u t e l i n ) ，t r a i n g d m ) ； n e t t r a i n p a r a m s h o w = 5 0 ； n e t t r a i n p a r a m i t = 0 7 ； n e t t r a i n p a r a m 。m c = 0 9 ； n e t t r a i n p a r a m 。e p o c h s = l0 0 0 0 ； n e t t r a i n p a r a m g o a l = le 一5 ； 【n e t ，t r - - t r a i n ( n e t ，