一种基于神经网络的故障诊断新方法研究*

肖 晶 吴学智

(海军工程大学电子工程学院 武汉 430033)

1 引言

目前,在针对电子设备的故障诊断中,人工智能的方法,即基于知识的故障诊断方法是研究热点。其主要思想是:在知识的层次上,以知识处理技术为基础,实现辩证逻辑与数理逻辑的集成,符号处理与数值处理的统一,推理过程与算法过程的统一。通过在概念和处理方法上的知识化,实现设备故障诊断智能化。基于知识的故障诊断方法主要可以分为:专家系统故障诊断方法、模糊故障诊断方法、故障树故障诊断方法、神经网络故障诊断方法、信息融合故障诊断方法等。故障诊断技术是一门新兴交叉的学科,目前它还没有形成完善、系统的理论体系。而且由于近年来计算机技术、信号处理、人工智能、模式识别技术的发展,促进了故障诊断技术的不断发展,特别是电子设备集成化智能故障诊断技术得到了广泛的重视。由于设备的复杂性和故障的不确定性,用一种方法进行故障诊断已不能满足现代设备的要求,因此必须集成多种方法对故障进行综合诊断,才能充分发挥各方法的优点和克服其局限性,以提高故障诊断的智能化水平。

2 模糊神经网络故障诊断方法

2.1 模糊故障诊断原理

故障诊断是通过研究故障与征兆(特征元素)之间的关系来判断设备状态。由于实际因素的复杂性,故障与征兆之间的关系很难用精确的数学模型来表示,随之某些故障状态也是模糊的。这就不能用“是否有故障”的简易诊断结果来表达,而要求给出故障产生的可能性及故障位置和程度如何。此类问题用模糊逻辑能较好的解决。这就产生了模糊故障诊断方法。在许多故障诊断问题中,故障诊断的机理非常适合用模糊规则来描述,模糊理论中的模糊集合、模糊运算、模糊逻辑系统对模糊信息的强大处理能力使它成为故障诊断的一种有力工具。应用模糊理论进行故障诊断的基本步骤为:

1)建立故障与征兆之间的模糊关系矩阵R,也叫隶属度矩阵。矩阵中的每个元素的大小表明了它们之间的相互关系的密切程度

式中:Y={y1,y2,…,yn}={yi|i=1,2,…,n}表示可能发生故障的集合,n为故障总数;X={x1,x2,…,xm}={xi|i=1,2,…,m}表示由上面这些故障所引起的各种特征元素(征兆)的集合,m为各种特征元素(征兆)总数。

2)测试待诊断对象待检状态的特征参数,提取特征参数向量矩阵X。

3)求解关系矩阵方程Y=X◦R,得到待检状态的故障向量Y,再根据一定的判断原则,如最大隶属度原则、阈值原则或择近原则等,得到诊断结果[1]。

2.2 神经网络故障诊断原理

人工神经元网络由于具有模拟任何连续非线性函数的能力和从样本中学习的能力,故在故障诊断中得到广泛重视。人工神经网络(A rtificial Neural Network,简称ANN)能通过训练存储关于过程的知识,能从定量的历史故障信息中学习,能根据正常工作状态的历史数据训练网络,然后将此信息与当前的操作数据进行比较,以确定故障原因。它最大的特点是网络具有自适应学习和调整网络大小的能力,兼有模式识别和特征提取的作用,具有一定的容错性。

2.3 模糊系统与神经网络的比较

基于模糊理论的模糊逻辑系统与人工神经网络相比,既有共同之处,又有各自的特点。首先,它们都是用于解决非线性系统的信息处理、控制、决策、故障诊断等问题所使用的方法,两者都采用数值方法建立输入与输出之间的非线性映射关系,因此不需要建立数学模型。其次,它们都可以用硬件来实现。再次,模糊系统和神经网络都能从不同角度增强信息处理能力,因而在人工智能领域起到重要的作用。模糊逻辑与神经网络在知识获取、存储方式、表达知识和推理解释方面存在明显的差别。神经网络由于是模拟人脑神经元功能,具有强大的学习能力和数据的直接处理能力,而模糊逻辑方法则模仿人脑的逻辑思维,具有较强的结构性知识表示能力。但是传统的神经网络不适于表示基于规则的知识,在应用于故障诊断时常常发生误诊现象,特别是当输入信息不精确或不确定时。模糊方法适用于测量值少且无法获得精确模型的系统,但该方法不具有自适应和自学习能力,无法进一步积累和修正诊断知识[2]。因此,将人工神经网络与模糊逻辑结合起来,实现故障诊断对不精确或不确定等模糊信息的处理,克服传统神经网络不能很好处理边界分类模糊数据的故障误诊问题,同时使得基于规则的结构性知识能够得到学习和调整。表1为模糊逻辑系统与神经网络的性能特点比较。

表1 模糊逻辑系统与神经网络的比较

2.4 模糊神经网络的构造

模糊逻辑系统与神经网络相互结合产生了“模糊神经网络(fuzzy neuralnetwork—FNN)技术”。模糊神经网络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。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[3]。其基本思想是在BPNN的输入层与输出层中间增加1～2层模糊层构造模糊神经网络,利用神经网络处理低层感知数据,利用模糊逻辑描述高层的逻辑框架,其故障诊断的效果优于单一的神经网络分类器。

模糊系统与神经网络的结合形态可分为五类:松散型结合、并联型结合、串联型结合、网络学习性结合和结构等价型结合[4]。这里我们采用串联型结合构造故障诊断的模糊神经网络,其拓扑结构如图1所示。

该网络共分四层:第一层为输入层,它的每一个节点代表一个输入变量;第二层为模糊化层,通过隶属函数将输入变量模糊化;第三层为隐含层,用于实现输入变量模糊值到输出变量模糊值的映射;第四层为输出层,每个神经元代表一种故障,它的值即代表故障存在的可能程度。对于多层前馈模糊神经网络,如果待诊断的故障有个,诊断参数(即故障征兆)有断参数xi在模糊化处理时被分成si个模糊集合,则相应的模糊神经网络系统将有入节点,m个输出节点,并且最多可以有 H中间层节点。模糊神经网络的隐含层实现常规模糊逻辑系统的规则库及其推理功能,通过对故障样本的学习,模糊神经网络获得了故障诊断的知识,这些知识隐性地表达在神经网络的拓扑结构、连接形式和权值分布之中。

图1 串联型模糊神经网络结构

图2为串联型模糊神经网络的框图,整个网络由模糊化处理和常规BP网络两个部分组成,网络输入与通常BP网络的输入相同,模糊处理部分的隶属函数将输入进行模糊化处理,经模糊化处理后的数据直接送给BP网络进行处理,输出数据与期望输出进行比较,根据均方误差反向调整BP网络的连接权。

图2 模糊神经网络框图

3 全信息理论在模糊神经网络故障诊断中的应用

3.1 全信息理论概述

对于信息的定义,根据不同的条件,可以区分不同的层次。最高层次,即没有任何约束条件的层次对信息的定义为:某事物的本体论层次信息,就是该事物运动的状态和状态变化方式的自我表述。假若对本体论层次信息定义引入一个约束—必须有主体(如人、机器或系统)且必须从主体的立场出发来定义信息,那么,本体论层次信息定义就转化为认识论层次信息定义。认识论层次信息定义是:主体关于某事物的认识论层次信息,是指主体所感知或表达的关于该事物的运动状态及其变化方式,包括状态及其变化方式的形式、含义和效用。事实上,人们只有在感知了事物运动状态及其变化方式的形式、理解了它的含义、判明了它的价值,才算真正掌握了这个事物的认识论层次信息,并作出正确的判断和决策。我们把这样同时考虑事物运动状态及其变化方式的外在形式、内在含义和效用价值的认识论层次信息称为“全信息”,而把仅仅计及其中的形式因素的信息部分称为“语法信息”,把计及其中的含义因素的信息部分称为“语义信息”,把计及其中效用因素的信息部分称为“语用信息”。换言之,认识论层次的信息乃是同时计及语法信息、语义信息和语用信息的全信息[5]。如图3。Shannon信息论或统计通信理论是基于概率型语法信息的信息理论,而语法信息只能解决通信工程这样一类传递信息的问题,而凡是有智能、有目的的系统,都必然要涉及到语义信息和语用信息的问题。对于我们已经熟悉的语法信息表示描述方法,在此不再赘述,下面介绍语义信息和语用信息的表示描述方法。

图3 全信息的图示

语义信息的描述采用指称逻辑的概念,设一个状态逻辑真实度参量,记为t,它应当满足

类似的,可以设置一个“状态效用度”参量,记为u,它应当满足

语义信息须以语法信息为基础,语用信息须以语义信息和语法信息为基础,这样就进一步引出综合逻辑真实度和综合效用度的概念。综合逻辑真实度:

综合效用度:

综合效用度空间:

3.2 基于全信息理论和模糊神经网络的故障诊断方法

目前人工神经网络基本上还只能利用语法信息而不能有效地利用语义和语用信息,这就意味着现行人工神经网络只能在比较浅的层次上模拟人的智能,如果希望它对人类智能的模拟深度有新的突破,就必须引入新的机制。本文就是尝试性的将包括语法、语义和语用信息在内的全信息应用于神经网络,构造了一种全新的模糊神经网络故障诊断系统,如图4所示。

图4 改进的模糊神经网络框图

4 结语

故障诊断是一门综合性发展中的学科,这一学科不断有新的理论和新的方法注入,是一个富有挑战性的研究领域,大量的工作还有待开发。故障诊断技术将进入信息社会的各个领域,发挥越来越大的作用,寻找方便快速实用的诊断方法是这一领域的当务之急。本文在这方面作出了尝试,探求了一种新型故障诊断方法,但其具体应用还有待于进一步研究。

[1]朱大奇,于盛林.基于知识的故障诊断方法综述[J].安徽工业大学学报,2002,19(3):197～204

[2]王海静.基于多传感器信息融合的码垛过程监控与故障诊断的研究[D].石家庄:河北工业大学,2007

[3]杨延平.基于模糊神经网络的采煤机智能故障诊断研究[D].东北大学,2007

[4]李国勇.神经模糊控制理论及应用[M].北京:电子工业出版社,2009

[5]钟义信.信息科学原理[M].北京:北京邮电大学出版社,2002