（信号与信息处理专业论文）基于模糊神经网络（fnn）的故障智能诊断的研究.pdf

上海大学硕士学位论文 摘要 摘要 故障诊断是一门综合性技术，它涉及现代控制理论、信号处理与模式识 别、计算机科学、人工智能、电子技术、统计数学等学科。随着人工智能的 发展，基于人工智能的故障诊断技术也相应诞生，而基于人工神经网络和基 于模糊理论的诊断方法是其中的一个重要分支。由于神经网络与模糊理论各 有所长，将它们结合起来组成了模糊神经网络( f u z z y n e u r a ln e t w o r k - - f n n ) 技术。基于f n n 的故障智能诊断技术将充分体现神经网络和模糊理论各自 的优点，是一个具有前景的研究方向，并且其应用领域也越来越广。 孙斟技术重要的有两个方面，一是其学习算法，二是其模型的建立。学 习算法采用传统的基于梯度下降的b p 算法，针对其收敛速度慢和局部极小 等问题，现也出现了改进的b p 算法，比较有代表性的是动态自适应b p 算 法及添加惯性冲量b p 算法。本文基于这些算法进行研究并作了改进，通过 仿真来说明改进后的算法的优越性。本文提出了一个f n n 模型，并成功将 该模型应用于电子线路的故障诊断。通过实例说明改进后的b p 学习算法和 f n n 模型的可行性。试验结果表明改进后的b p 学习算法完全可以达到要求 并且诊断正确率也有提高。 本文的重点是改进b p 学习算法研究和电子线路故障诊断的f n n 模型的 建立与验证。电子线路特别是模拟电路的故障诊断存在一定困难，将f n n 应用于电子线路的诊断理论上来说是一种人工智能技术，它既有常规诊断装 置直接测量被测对象信息和运行速度快的优点，又具有多种信息来源，且具 有较高程度的推理能力和自我完善能力。这种智能型的故障诊断系统的性能 将会达到新的水平。但此法刚刚处于起步阶段，亦不完善。由于本论文的主 要方向是f n n 算法的研究，故只用了一个简单的电子线路来论证本文改进 的f n n 模型和算法的可行性。并没有对电子线路的故障智能诊断方法进行 深入的研究。 关键字：故障诊断人工智能模糊理沦神经网络模糊神经网络电子线路 b p 算法 圭塑查茎里主堂堡垒塞 垒! ! ! ! ! 竺 a b s t r a c t f a u l td i a g n o s i si sai n t e g r a t e dt e c h n i q u ea n di tr e l a t et om o d e mc o n t r o l t h e o r y , s i g n a lp r o c e s sa n dp a t t e r nr e c o g n i t i o n ，c o m p u t e rs c i e n c e ，a r t i f i c i a l i n t e l l i g e n c e ，e l e c t r o n i ct e c h n i q u ea n ds t a t i s t i c a lm a t h e m a t i c sa n ds 0o n t h ef a u l t d i a g n o s i st e c h n i q u eb a s e do na r t i f i c i a li n t e l l i g e n c ea p p e a r sa st h ed e v e l o p m e n to f a r t i f i c i a li n t e l l i g e n c e ，a n dt h ed i a g n o s i sm e t h o db a s e do na r t i f i c i a ln e u r a ln e t w o r k a n df u z z yt h e o r yi si t so n eo fi m p o r t a n t b r a n c h e s f u z z yn e u r a ln e t w o r kt e c h n i q u e f i n n ) i sc o m p o s e do fn e u r a ln e t w o r ka n df u z z yt h e o r yb e c a u s eo ft h e i ro w n a d v a n t a g e f a u l ti n t e l l i g e n td i a g n o s i sb a s e do nf n nw i l lr e p r e s e n tt h eo w n a d v a n t a g eo fn e u r a ln e t w o r ka n df u z z yt h e o r ye n o u g ha n di t i sap r o m i s i n g r e s e a r c hd i r e c t i o n i t sa p p l i c a t i o nf i e l db e c o m e sw i d em o r ea n dm o r e f n n t e c h n i q u eh a st w oi m p o r t a n ta s p e c t s o n ei sl e a r n i n ga l g o r i t h ma n dt h e o t h e ri sm o d e le s t a b l i s h m e n t ，t h el e a r n i n g a l g o r i t h m u s e st r a d i t i o n a lb p a l g o r i t h mb a s e do ng r a d i e n td e s c e n t t h ei m p r o v e da l g o r i t h ma p p e a r sb e c a u s et h e t r a d i t i o n a lb pa l g o r i t h m sr a p i d i t yo fc o n v e r g e n c ei ss l o wa n di tt r a p si nl o c a l m i n i m u me a s i l y t h e r e p r e s e n t a t i v ei m p r o v e da l g o r i t h m s a r e d y n a m i c s e l f - a d a p t i n gb pa l g o r i t h ma n da d d i t i v ei n e r t i a li m p u l s eb pa l g o r i t h m t h ep a p e r i m p r o v e st h e s ea l g o r i t h m sa n di l l u s t r a t e st h ei m p r o v e da l g o r i t h m sa d v a n t a g eb y e m u l a t i o n t h ep a p e rr a i s e saf n nm o d e la n di ti sa p p l i e dt ot h ef a u l td i a g n o s i s o fe l e c t r o n i cc i r c u i ts u c c e s s f u l l y i ti n d i c a t e st h a tt h ef e a s i b i l i t yo ft h ei m p r o v e d b pl e a r n i n ga l g o r i t h ma n dt h ef n nm o d e lb yt h ee x a m p l e t h ee x p e r i m e n t a l r e s u l t si n d i c a t et h a tt h en e wa l g o r i t h ma n df n nm o d e lc a nr e a c hr e q u i r e m e n t c o m p l e t e l ya n dc a na l s oi m p r o v et h ed i a g n o s i sp r e c i s i o n t h ee m p h a s i so ft h ep a p e ri st h ei m p r o v e db pl e a r n i n ga l g o r i t h mr e s e a r c h a n dt h ef n nm o d e lf o r t h ef a u l td i a g n o s i so fe l e c t r o n i cc i r c u i t t h ef a u l t d i a g n o s i so fe l e c t r o n i cc i r c u i te s p e c i a la n a l o gc i r c u i ti sn o te a s y t h ef n n t e c h n i q u ei sa p p l i e dt ot h ef a u l td i a g n o s i so fe l e c t r o n i cc i r c u i t ，w h i c hi sa n a r t i f i c i a l i n t e l l i g e n c et e c h n i q u ei nt h e o r y i th a sn o to n l yn o r m a ld i a g n o s i s 圭塑查兰翌兰兰堡堡苎 垒! ! 坚坐 e q u i p m e n tt om e a s u r et h eo b j e c ti n f o r m a t i o n ，f a s tr u n n i n gs p e e d ，a n dm a n y s o u r c e so fi n f o r m a t i o n ，b u ta l s oh a sg o o dc a p a b i l i t yf o rr e a s o n i n ga n d p e r f e c t i n g i t s e l f t h ep e r f o r m a n c eo f t h i si n t e l l i g e n td i a g n o s i ss y s t e mw i l lr e a c han e wl e v e l i ti sn o tp e r f e c tb e c a u s ei ti so nt h ei n i t i a ls t a r t i n gs t a g e b e c a u s et h em a i n r e s e a r c hd i r e c t i o no ft h i sp a p e ri st h ef n a l g o r i t h m ，i to n l yu s e sas i m p l e e l e c t r o n i cc i r c u i tt op r o v et h ef e a s i b i l i t yo ft h ed e wf n nm o d e la n d a l g o r i t h m i t d o e s n td or e s e a r c hf u r t h e rt ot h ei n t e l l i g e n tf a u l td i a g n o s i sm e t h o do fe l e c t r o n i c c i r c u i t k e y w o r d s ：f a u l td i a g n o s i s ，a r t i f i c i a li n t e l l i g e n t ，f u z z yt h e o r y , n e u r a ln e t w o r k f u z z yn e u r a ln e t w o r k ，e l e e t r o a i ce i l 臀u i t , b pa l g o r i t h m 原创性声明 本人声明：所呈交的论文是本人在导师指导下进行的研究工作。 除了文中特别加以标注和致谢的地方外，论文中不包含其他人己发表 或撰写过的研究成果。参与同一工作的其他同志对本研究所做的任何 贡献均已在论文中作了明确的说明并表示了谢意。 签名：半商豇日期麴：芏：1 本论文使用授权说明 本人完全了解上海大学有关保留、使用学位论文的规定，即：学 校有权保留论文及送交论文复印件，允许论文被查阅和借阅；学校可 以公布论文的全部或部分内容。 ( 保密的论文在解密后应遵守此规定) 签名：乏陋导师签名趣 日期：如一f 五 上海大学硬： 学位论文 第一章绪论 第一章绪论 本章摘要：本章首先回顾了故障诊断技术的发展历史，然后概述了神经网络和模 糊逻辑技术在故障诊断中的应用以及各自的优缺点，继而提出将两者结合起来应用于故 障诊断，最后概述本课题的研究内容和本论文的结构。 l _ 1 故障诊断的历史回顾 任何科学和技术的发展总是要经历一个从零星的、局部的和不系统的探 讨，到大量的、整体的和系统研究的历史发展过程，现代设备故障诊断技术 也是如此。回顾故障诊断技术的发展历程，大致可以分为两个阶段。第一 阶段是以传感器技术和动态测试技术为基础，以信号处理技术为手段的常规 诊断技术发展阶段。这一阶段的诊断技术已在实际中得到了大量的应用，产 生了巨大的经济效益，并推动了这一技术本身的发展。第二阶段是以人工智 能技术为核心的智能诊断技术发展阶段，它以常规诊断技术为基础，以人工 智能技术为核心，研究内容与实现方法与第一阶段相比已经发生了重大的变 化，诊断过程的知识化使得人们致力于研究诊断知识的获取、表示与组织、 推理方法、诊断模型以及诊断策略。显然，故障智能诊断技术代表了诊断技 术的发展方向。在故障智能诊断系统的概念体系、知识表示方法、推理策略、 系统的开发策略与方法、面向对象技术的应用、不确定性系统理论的应用、 神经网络技术的应用等许多方面有待于做深入系统的研究，本文就是基于这 样的研究背景的。 1 2 神经网络和模糊逻辑的出现 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 2 】。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，并已在许多系统中得到了成功的应用。但在客观世界中存在着许多模 糊的概念和现象，而模糊逻辑【3 擅长处理不确定知识及模拟两可的数据，具 有较强的结构化知识表达能力，对处理结构化信息更有效。神经网络实质上 是对人类大脑神经细胞的简单、近似的功能模拟。出于人脑对信息的加工处 理过程本质上具有模糊的性质，所以用神经网络进行功能模拟，本质上也具 有模糊性。从这点上来说，神经网络与模糊逻辑都通过对人脑思维的模拟来 处理现实世界中的不确定、不精确性问题，但模糊逻辑系统侧重于模拟人脑 的逻辑思维，而神经网络m 0 偏重于对人脑结构的摸拟。由于各自不同的特点， l 海大学硕士学位论文 第一章绪论 它们在应用中也有各自的优点和缺点。对于一些较为简单的问题，如果专家 能够提供相应的知识，则模糊逻辑系统更为适用，因为其计算量小、系统易 于实现，而且易于追踪和解释系统的推理过程与结论。然而对于复杂系统的 问题，由于模糊逻辑规则是依靠人的经验制定的，系统本身算不具备学习能 力，且模糊规则越多，系统结构就越复杂，规则建立以及规则推理的时间随 规则数增加将以指数形式增长，因此，将大大限制模糊逻辑系统的应用。神 经网络的自学习功能可以弥补先验知识不足所带来的困难，因而具有更大的 优势。 1 3 模糊神经网络的出现 由于神经网络与模糊逻辑系统各有所长，将它们结合起来组成了模糊神 经网络( f u z z y n e p a ln e t w o r k - - f n n ) 技术 4 1 ，f n n 技术实质上是对人脑结 构和思维功能的双重模拟，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。其显著特点体现在它充分吸引了模糊理论 与神经网络各自的优点、并由此来弥补各自的不足。比如，对于不少实际问 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，并不是人们可以事先明确决定的，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来确定这些规则、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。近年来关于模糊神经网络技术的研究得到了高度的重视，其 成果也己得到了广泛的应用。目前的研究主要集中在：研究模糊逻辑系统和 神经网络的对应关系，将模糊逻辑系统的调整和更新转化为对应的神经网络 学习问题，以及利用模糊逻辑系统对神经网络进行初始化；模糊神经网络的 快速学习算法；利用模糊理论加快神经网络的学习速度，并应用神经网络构 造高性能的模糊逻辑系统。在故障诊断领域，模糊神经网络技术也代表了一 个新的方向。 1 4 论文的内容及结构 本文对基于模糊神经网络( f n n ) 的故障智能诊断方法进行了研究，并对 其中的b p 学习算法进行了改进，通过仿真来比较改进前后的性能。同时提 出一种基于f n n 的诊断模型，并把改进的b p 学习算法应用于此模型中。最 后将此模型应用到电子线路的故障渗断中，再通过一个实例来论证本文改进 的b p 学习算法和提出的f n n 模型的可行性。 本文的结构与主要内容安排如下： 第二章：对故障诊断与故障智能诊断分别进行了溉述。旨先从故障的分 j ：海大学硕士学位论文 第一章绪论 它们在应用中也有各自的优点和缺点。对于一些较为简单的问题，如果专家 能够提供相应的知识，则模糊逻辑系统更为适用，因为其计算量小、系统易 于实现，而且易于追踪和解释系统的推理过程与结论。然而对于复杂系统的 问题，由于模糊逻辑规则是依靠人的经验制定的，系统本身并不具备学习能 力，且模糊规则越多，系统结构就越复杂，规则建立以及规则推理的时间随 规则数增加将以指数形式增长，因此，将大大限制模糊逻辑系统的应用。神 经网络的自学习功能可以弥补先验知识不足所带来的困难，因而具有更大的 优势。 1 。3 模糊神经网络的出现 由于神经网络与模糊逻辑系统各有所长，将它们结合起来组成了模糊神 经网络( f u z z y n e u r a ln e t w o r k - - f n n ) 技术【4 j ，f n n 技术实质上是对人脑结 构和思维功能的双重模拟，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。其显著特点体现在它充分吸引了模糊理论 与神经网络各自的优点、并由此来弥补各自的不足。比如，对于不少实际问 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，并不是人们可以事先明确决定的，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来确定这些规则、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。近年来关于模糊神经网络技术的研究得到了高度的重视，其 成果也已得到了广泛的应用。目前的研究主要集中在：研究模糊逻辑系统和 神经网络的对应关系，将模糊逻辑系统的调整和更新转化为刘应的神经网络 学习问题，以及利用模糊逻辑系统对神经网络进行初始化：模糊神经网络的 快速学习算法；利用模糊理沦加快神经网络的学习速度，并应用神经网络构 造高性能的模糊逻辑系统。在故障诊断领域，模糊神经网络技术也代表了一 个新的方向。 1 4 论文的内容及结构 本文对基于模糊神经网络( f n n ) 的故障智能诊断方法进行1 r 研究，并对 其中的b p 学习算法进行了改进，通过仿真来比较改进目口后的眭能。同叫提 出一种基于f n n 的诊断模型，并于巴改进的b p 学习算法应用于此模型中。最 后将此模型应用到电子线路的故障渗断中，再通过一个实例束论证本文改进 的b p 学习算法和提出的f n n 模型的可行性， 本文的结构与主要内容安排如下： 第二章：对故障渗断与故障智能渗断分别进仃了概述。首先从故障的分 第二章：对故障渗断与故障智能诊断分别进f ? 丁概述。酋先从故障的分 l 海大学硕士学位论文第一章绪论 类、故障诊断的方法、通用故障诊断过程及诊断相应的应用技术几个方面对 故障诊断进行了综述，接着概述了故障智能诊断的发展现状、现存问题、一 般结构模型、功能特点、知识分类以及知识获取等几个方面的内容。 第三章：首先对神经网络( a n n ) 进行了阐述，概述了将a n n 应用于故 障诊断时的研究现状与发展方向，提出了有待解决的问题和需要展开的工 作；然后对模糊逻辑推理方法的实质以及其在故障诊断中应用的优缺点进行 综述，最后对a n n 与模糊逻辑推理进行比较，并将两者结合成模糊神经网络 ( f n n ) 并将其应用于故障诊断。 第四章：主要是b p 算法的研究及改进。首先简单的介绍了b p 网络的结 构和训练过程，进而较为详细的回顾了b p 网络的学习算法和总结了b p 算法 的特点，接着提及了现有的两种改进的b p 算法：增加惯性冲量法以及增加 网络复杂性函数法。在此基础上，提出了本文改进的b p 学习算法，先对其 进行可行性理论分析，再通过一个实例进行仿真比较，最后得出结论。 第五章：对基于f n n 的故障诊断方法进行研究。首先简单的介绍了f n n ( 模糊神经网络) 的结构和设计步骤，接着详细的分析了f n n 学习算法，进 而提出了一个基于f n n 的诊断模型，再而概括了这个诊断模型的基本属性。 第六章：将f n n 应用于电子线路故障诊断中。首先分析了电子线路故障 诊断的主要困难，然后将f n n 学习算法和模型应用于电子线路的故障诊断， 并以一个高通滤波器为例，将f n n 学习算法和模型应用于此电路的故障诊断， 并给出了仿真结果，从实例上论证了本文改进的b p 算法和本文提出的f n n 模型在故障诊断应用中的可行性。 第七章：论文最后提出了智能化诊断技术有待解决的问题及其发展趋 势，然后对f n n 现状及发展趋势作了一个客观的评价与总结，再对电子线路 中的故障诊断技术的发展方向给予了展望。 上海大学硕士学位论文 第二章故障诊断与故障智能诊断技术概述 第二章故障诊断与故障智能诊断技术概述 本章摘要：本章第一部分从故障的分类故障诊断的方法，通用故障诊断过程及 诊断相应的应用技术几个方面对故障诊断进行了综述，第二部分概述了故障智能诊断的 发展现状，现存问题、一般结构模型、功能特点、知识分类以及知识获取。 2 1 故障诊断方法综述 故障诊断 5 , 6 1 是一门综合性新兴科学，从6 0 年代起受重视，3 0 多年来， 从以信号分析为基础的一般诊断方法发展到以知识处理为基础的智能诊断 系统。均以对象在工作过程中出现的外部特征为基础的，末涉及到诊断对象 的动力学本质。由于系统本身结构的复杂性，机、光、电、液、气之间的偶 合非线性、运动非线性等，使系统故障引起的外部特征可能减弱、消失、重 叠，因而现有诊断方法不能有效解决复杂系统的故障诊断问题，对强干扰、 并发故障的诊断、预测还有待研究。 2 1 1 故障的分类与主要性质( 见表2 1 ) 表2 - 1 故障的分类与主要性质 分类依据所分为的类别主要性质 故障发生时间历程突发性和渐进性故障 故障存在时间历程间歇性和永久性故障 层次性；时间性；相关性： 模糊性；随机性；未确定性； 故障显现状况潜在故障和功能故障 相对性。 故障原因内在故障和环境故障 2 1 2 故障诊断方法分类( 见图2 - 1 ) 厂百丽 基于数学模型 薷耋妻曩i1 基于 输入输出|l 状态 及信弓处il 估计 理 基于 过程 参数 估计 基于人工智能 基于 专家 系统 基于 案制 图2 1故障诊断方法分类示意图 基于 人：| _ = 神经 网络 基于 敞障 树 2 i 3 通用故障诊断过程 通用诊断过程大致可以分为三个步骤：信号测取( 测取特征信号) 、捱 上海大学硕士学位论文 第一二章故障诊断与故障智能诊断技术概述 兆提取、状态识别，如图2 2 所示。 图2 - 2 通用诊断过程 2 1 4 诊断流程及其应用技术关系 i i j 常 设 故障机理研究 信 信 处理 l 否 图2 3 设备诊断流程及其应用技术关系图 如图2 - 3 所示，可见故障诊断是一门紧密结合实际工程科学，具有广阔 的工程背景和实用价值，是，一门交叉学科。而且故障诊断是一一门综合性技术， 它涉及现代控制理论、信号处理与模式识别、计算机科学、人工智能、电子 技术、统计数学等学科。 一l 海大学硕士学位论文 第二二章故障诊断与故障智能谚断技术概述 2 2 故障智能诊断 故障智能诊断f 7 j 的目的都是通过使用领域知识，进行诊断推理，识别系 统状态，查明故障原因，这也是故障智能诊断的实质。 2 2 1 故障智能诊断发展现状 故障智能诊断系统的发展历史虽然短暂，但在电路与数字电子设备、机 电设备、军事设备等方面已取得了令人瞩目的成就，各个国家都已开发出适 用于相应领域的众多系统。近年来，人们已经研发出一些较成熟的诊断技术 及理论方法，如声发射红外测温、油液分析及各种无损监测等诊断技术以及 信号处理、模式识别、模糊推理等理论方法，然而工程实际中存在大量的多 故障、多过程，突发性故障及需要对庞大机器或工程系统进行监测和诊断， 上述技术局限性表现为： ( 1 ) 不能有效利用专家的知识和经验； ( 2 ) 缺乏推理能力，只能向前推理； ( 3 ) 不具备学习机制； ( 4 ) 对测试诊断结果缺乏解释，测试诊断程序的修改和维护性差。 随着人工智能技术的迅速发展，特别是知识工程、专家系统、a n n 在 诊断领域的应用，智能诊断系统应运而生，其定义为：它是由人、当代模拟 脑功能的硬件及必要的外部设备、物理器件以及软件组成的系统。该系统以 对诊断对象进行状态识别与状态预测为目的。诊断系统的智能即它可以有效 地获取、传递、处理、再生和利用诊断信息。分为两大类：一类是基于符号 推理的智能诊断方法，如传统人工智能：一类是基于数值计算的智能诊断方 向，如a n n 等。 2 2 2 现有故障智能诊断系统存在的问题 与传统的故障诊断方法相比，故障智能诊断方法具有如下优点： ( 1 ) 可模拟人脑的逻辑思维过程，可解决需要进行复杂推理的诊断问题： ( 2 ) 可以储存和推广领域专家宝贵的经验知识，更有效的发挥各种专门人 才的作用，使一般的维修人员也能掌握复杂设备的故障诊断知识； ( 3 ) 故障智能诊断系统在某些方面比人类专家更可靠、更灵活，可以在任 何时候、任何条件下提供高质量服务，不受外界干扰： ( 4 ) 故障智能诊断系统具有人机合作完成诊断任务的功能，它可以在诊断 过程中实现人机交互，通过人的参与使得诊断结果更加完备； ( j ) 故障智能诊断系统便于用户对知识库的修改和完善。先进的故障智能 诊断系统具有学习功能，能够在诊断过程中自动完善知识库，提高系统的诊 断能力。 在2 0 世纪8 0 年代，救障智能渗断系统被认为是诊断技术的重要发展方 上海大学颐：b 学位论文 第二章故障诊断与故障智能诊断技术概述 向。这是因为一方面其具有以上优点，另一方面，复杂设备的故障诊断在很 大程度上需要依赖专家的经验知识。故障诊断系统无论在理论上还是系统开 发方面都已取得了很大的进步，但真正投入使用并且功能完善的系统并不 多，大多数研究成果仍然处于实验室阶段，造成这种理论与实践脱节的原因 有二：一是由于理论研究所限定的条件与实际应用时的情况相差甚远。二是 由于对诊断对象缺乏深刻的认识和研究，而且作为人工智能技术本身也有待 于进一步发展和完善。 2 2 3 故障智能诊断系统的一般结构 领域专 知识工程 用户 人jk | n * 口i j j l 令 机 知识库卜t 纠 知识库p 诊 断 接数据库管理 解释机构h 推 理 令 口“ n n g - 获i r 令 “被诊断对象 图2 - 4 故障智能诊断系统的一般结构 如图2 - 4 所示，此模型含有6 个功能模块： ( 1 ) 人机接口模块整个系统的控制与协调机构； ( 2 ) 知识库和数据库管理模块一对诊断必需的知识和数据建立、增加、 删除、检索等： ( 3 ) 诊断推理模块一诊断系统核心，负责运用诊断信息和相关知识完成 诊断任务； ( 4 ) 诊断信息获耿模块一通过主动、被动和交互等方式获取有价值的诊 断信息； ( 5 ) 解释机构一向用户提供诊断咨询及诊断推理过程的中问结果，帮助 用户了解诊断对象及诊断过程； ( 6 ) 机器学习模块一用于完善系统的知识库，提高系统的渗断能力。 22 4 故障智能诊断系统的功能特点 根据以上的一股结构，故障智能诊断系统除了需要般专家的几个特性 以外，还应具备以下功能特点： ( 1 ) 碜断系统应能综合利用多种信息和多种诊断方法，以灵活的珍断策 上海大学硕i ：学位论文第二章故障诊断与故障智能诊断技术概述 略来解决诊断问题； ( 2 ) 诊断系统的结构应该模块化，使之可以很方便地调用应用程序； ( 3 ) 诊断系统应具有人机交互诊断的功能； ( 4 ) 诊断系统应具有多种诊断信息获取的途径； ( 5 ) 诊断系统的问题求解应当实时和准确； ( 6 ) 诊断系统具有学习的功能，这是现代故障智能诊断系统的一个重要 特点。 2 2 5 故障智能诊断系统中知识的分类 ( 1 ) 按作用层次分类，如图2 5 所示。 描述性知识 过程性知 与诊断对象有关的概念、状态、结构属性、术语等 诊断模型、信号处理的计算、特征提取、辅助程序等 经验性知识- 蚓专家求解问题的经验、结论与故障的因果关系等 数据流jl个控制信号 控制性知t 睁纠问题求解的控制策略，启用哪些知识推理策略与方式 图2 - 5 诊断知识按作用层次的分类 ( 2 ) 按深浅程度分类，如图2 - 6 所示。 经验知识1 专家的经验总结等，没有明显的理论依据和因果关系 数据流儿个控制信号 因果知识蚓前提与结沦之间有强烈的因果关系，具有普遍性 数据流1 1个控制信号 第一定律知汉蚓 理论、定律、公式、规律等，具有普遍性和通用性 图2 - 6诊断知识按深浅程度的分类 2 2 6 故障智能诊断系统中知识的获取方法 ( 1 ) 知识获驳是建造智能诊断系统的“瓶颈” 主要困难：如何恰当的把握领域号家所使用的概念和问题求解方法，即 上海大学硕士学位论文 第二章故障诊断与故障智能诊断技术概述 专家的个性知识。而个性知识的特点决定了知识获取成为专家系统建造中的 “瓶颈”： 个性知识难以描述和掌握，如直觉： 个性知识容易被忽视，常识性知识被下意识使用： 个性知识具有片面性、不完整性等不确定性。 ( 2 ) 故障智能诊断系统中知识获取的一般模型 交 互 式 获 取 方 式 学 习 直 接 获 取 方 式 图2 7 故障智能诊断系统中知识获取的一般模型 如图2 7 所示，诊断知识的获取、表示和组织是建造故障智能诊断系统 知识库最基本的过程，也是故障智能诊断系统的中心研究课题，任何一个给 定的问题都有许多等价的知识表示方法，但它们可能产生完全不同的效果。 上海大学硕士学位论文 第三章神经网络与模糊逻辑的结合 第三章神经网络与模糊逻辑的结合 本章摘要：本章首先对神经网络( a n n ) 进行了阐述，包括其发展，基本特征、 工作过程、优缺点及发展现状，概述了将a n n 应用于故障诊断时的研究现状与发展方 向，提出了待解决的问题和需要展开的工作。然后对模糊逻辑推理方法的实质以及其在 故障诊断中应用的优缺占、进行综述，最后对a n n 与模糊逻辑推理进行比较，并将两者 结合成模糊神经网络( f n n ) 后将其应用于故障诊断。 3 1 人工神经网络( a n n ) 简述1 8 - t 3 】 3 1 1 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，简称a n n ) 的发展 自1 9 4 3 年m c c u l l o c h 与p i a s 提出的第一个m p 神经元模型以来，a n n 经过了两次高潮： ( 1 ) 1 9 5 8 年，计算机科学家r o s e n b l a t t 基于m p 模型，增加了学习机制， 推广了m p 模型； ( 2 ) 以k o h o n e n 提出的自组织映射网络模型为标志。 3 ，1 2 基于a n n 的学习方式 通过向环境学习获取知识并改进自身性能是a n n 的一个重要特点。在 一般情况下，性能的改善是按某种预定的度量通过调节自身参数( 如权值) 随时间逐步达到的。a n n 的学习方式一般可以分成三种：有导师学习，无 导师学习，强化学习。具体介绍见参考文献【8 】。 3 1 3 a n n 模型 a n n 模型可以归成三大类：前向网络( f e e d f o r w a r dn n s ) ，反馈网络 ( f e e d b a c k n n s ) ，自组织网络( s e l f - o r g a n i z i n g n n s ) ，从这些网络的共同部 分和基本原理上看，它们的基本特征可归纳为以下五点： ( 1 ) 基本结构的单一性。使用大量非常简单的神经细胞模型( 神经元) 作为a n n 的基本计算单元，也称为节点； ( 2 ) 大量基本单元的互耦性。神经元之间广泛连接构成了各种形态的网 络： ( 3 ) 处理信息的并行性。每个神经元都是一个独立的信息处理单元，它 可以根据接收到的信息作独立的运算，然后传出输出结果； ( 4 ) 存储记忆的联想性和容错性； ( 5 ) 知识表达的分布性和获取知识的自学性。使用各种学习规则( 算法) 调整神经元之间的连接权值，这称为a n n 的自学习、自适应或自组织。 3 1 4a n n 的工作过程的两个阶段 ( 1 ) 学习期( 自适应期或设计期) ，此时各计算单元状态不变，各连接权 上海大学硕士学位论文 第三章神经网络与模糊逻辑的结合 值可修改( 通过学习样本等方法) ； ( 2 ) 工作期，此时各连接权值固定，计算单元的状态变化，以求达到稳 定状态。 总之，阶段( 2 ) 快，各单元的状态也称为短期记忆( s t m ) ，阶段( 1 ) 慢得多， 权值及连接方式也称为长期记忆( l t m ) 。 3 1 5 a n n 优点 ( 1 ) 可以充分逼近任意复杂的非线性关系； ( 2 ) 所有定量或定性的信息都等势分布于网络内的各神经元，故有很强 的鲁棒性和容错性； ( 3 ) 采用并行分布处理方法，使得快速进行大量运算成为可能； ( 4 ) 可学习和自适应不知道或不确定系统； ( 5 ) 能够同时处理定量、定性知识。 3 1 6 a n n 在故障诊断中的应用 由于a n n 具有如上优点，使其用于故障诊断成为可能，其过程是：首 先计算匹配度，然后将其送到第二级输出，再反馈到网络第一级，用学习算 法训练相应的网络权值，重复这个过程，直至达到期望目标为止。 ( 1 ) 目前常用于故障诊断的a n n 模型( 见图3 1 ) 图3 - 1常用于故障诊断的a n n 模型 ( 2 ) a n n 故障诊断研究现状与发展 人工神经网络( a n n ) 是人工智能的一个分支，其原理不同于基于知识 的专家系统【1 4 】，它可实时运行，也能直接使用时间序列数据，而专家系统需 将数据转换成符号信息，a n n 还可离线训练，在线服务，其故障诊断问题 可看成模式识别，通过过程参量测量，用a n n 从测量空间映射到故障空间， 实现诊断吲。 训练过的a n n 能存储有关知识，能直接从定量的、历史故障信息中学 习。a n n 在具有滤出噪声及在有噪声情况下得出正确结论的能力，它也 具有分辨原因及故障类型的能力。从这几个方面来看，a n n 比较适合于诊 断。 l 海夫学硕士学位论文 第三章神经网络与模糊逻辑的结台 a n n 应用于故障诊断领域时间不长，是一个非常活跃的课题，但也存 在着许多需要解决的问题： 由于a n n 的高度非线性，使得整个系统从数学上进行稳定性与收敛 性的证明仍然比较困难，需要寻求有效的分析手段； a n n 的学习速度一般都较慢，为满足实时诊断的要求，必须研究快 速学习算法，并行算法； a n n 尚缺乏系统化的设计方法； 缺乏硬件支持，难以真正发挥a n n 的优点： 缺乏比较适合诊断系统的网络结构和灵活的智能神经元。 总之，a n n 无论从理论上还是应用上都处于发展阶段。具体描述如下： 理论上，无论a n n 模型还是训练算法都不成熟，反向传播算法尽管在 一些领域获得成功，但存在收敛速度太慢，有时会遇到局部极小等问题，对 于大样本也很难收敛。 应用上，基于并行分布式处理的a n n 是前向进行的，对于目标驱动的 反向推理还显得无能为力。其次，由于信息的分布性，无法知道对一个输入 模式，系统是如何响应的，因此a n n 缺乏推理解释能力。此外a n n 完全依 靠样本学习，没有归纳、类比这样的高层逻辑模型支持，使得a n n 知识获 取显得教条化。 为了使a n n 网络在诊断领域的应用更加深入，需要开展以下几个方面 的工作： 开展a n n 诊断系统的稳定性、收敛性、鲁棒性和可靠性等理论的研 究。 开展a n n 的学习算法研究，研究新的快速学习算法，设计用于故障 诊断的新的网络模型和算法，改进现有的学习算法。在网络中加入先验知识， 减少计算量和学习次数，提高a n n 的智能水平。 研究a n n 与其他方法结合。如与模糊逻辑、遗传算法、小波算法等。 研究a n n 的硬件实现问题，促进其在诊断领域中的应用。 3 2 模糊逻辑推理简述【t 7 , 1 8 对于不确定的系统状态，可以用模糊集来描述，在充分了解系统规则的 基础上，首先建立起故障与故障原因的模糊关系矩阵曰，如果当前故障原因 向量的模糊隶属函数度为c ，则故障，通过模糊合成后进行确定，因此，故 障可表示为厅哦c 。 321 基于模糊逻辑推理的故障渗断方法实质 从。个输入信号论域u 到输出信号论域v 的非线性映刺，只要适当选择 隶属函数、模糊化与反模糊化算法以及模糊推理算法，模糊逻辑系统一可以在 上海太学硕一【：学位论文第三章神经网络与模糊逻辑的结合 任意精度上逼近某个非线性函数。其最大特点：其模糊规则库可以直接利用 专家知识构造，因此能够充分利用和有效处理专家的语言知识和经验。 3 2 2 模糊逻辑在故障诊断中的应用 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。此时模糊 规则库中的模糊规则可以一般化的表示成如下形式： r ”：矿x l ( w k l ) ，x 2 ( w k 2 ) ，x 。( w h ) t h e n ，i ( c 。) ，e ( c ：。) ，f 卅( 巴。)( k = 1 m ) 其中：五代表n 个故障征兆，f l 晶代表m 个相互独立的故障，它们 均已通过模糊化过程转化为模糊量；w k ；( i = 1 n ) 为权系数，表示各个故障征 兆墨对本条规则r ( 。的重要性；啄( ，= 1 坍) 也是权系数，反映了本条规则r 对各个故障f j 的重要性。权系数w “和c k 满足如下条件： f - l m 。i w k i = 1且f 0 c i k = 、a c m 2 0 ( 1 ) 模糊规则r ( 的网络表示 故障诊断模糊规则r ( 曲可用图3 2 所示的网络来表示。 图3 - 2 故障诊断模糊规则月( 2 的网络表示 对于模糊诊断规则库中的所有的m 条规则，按照图3 2 的连接方式，可 以进一步构成完整的故障诊断模糊规则网络。且可以发现，在模糊诊断规则 库中，一个故障可能同时与多条规则有关联，而某一故障征兆也可能同时作 为多条规则的模糊条件。征兆与故障之间的复杂关系体现在由多条规则组成 的完整规则网络之中。一旦建立了故障诊断模糊规则，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。故障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。 ( 2 ) 基于模糊逻辑推理的故障珍断方法的优点 不霭器建立精确的数学模型，适当地应f h 隶属函数和模糊数学舰则进 上海大学硕：l 学位论文 第三章神经网络与模糊逻辑的结合 行模糊推理就可以实现模糊诊断的智能化。 一个设计较好的模糊推理系统可以在任意精度上逼近某个非线性函 数，具有良好性能； 擅长处理不确定知识及模拟两可的数据，可用于描述高层的逻辑框 架： 具有较强的结构化知识表达能力，对处理结构化信息更有效。 ( 3 ) 基于模糊逻辑推理的故障诊断方法的局限性 对于复杂的诊断系统，要建立正确的模糊规则和隶属函数是非常困难 的，而且需要花费很长时间； 对于更大的模糊规则和隶属函数集合而言，难以找出规则与规则之间 的关系，也就是规则有“组合爆炸”的现象发生； 另外，由于系统的复杂性、耦合性，由时域、频域特性空间至故障模 式特征空间的映射关系常存在着较强的非线性，这时隶属函数形状不规则， 只能利用规范的隶属函数形状来加以处理，如利用三角形、梯形或直线等规 则形状来组合给予近似代替，从而使得非线性系统的诊断结果不够理想。 3 3 神经网络与模糊逻辑的结合一模糊神经网络( f n n ) 3 3 1 模糊逻辑推理与神经网络之异同 2 0 , 2 1 1 神经网络与模糊逻辑之间的异同可简单归纳为表3 1 。 表3 1神经网络与模糊逻辑系统的比较 名称结构优点缺点 多个神经元相互连接并行处理、容错性强、知识解释困难、初始 神经网络 而成的网络 有自学习能力权值设置任意性强 模糊逻辑能处理不确定的信息，无学习能力，推