基于模糊神经网络的ETV复杂故障诊断研究

邱建东 （兰州交通大学 机电技术研究所，甘肃 兰州730070）

QIU Jian-dong (Mechatronic T & R Institute, Lanzhou Jiaotong University, Lanzhou 730070, China)

0 引 言

航空货运伴随经济全球化进程和日益激烈的企业竞争得到了飞速发展。航空货运是高附加值高速高效的货运手段，在货物运输总时间中，机场货运站货物处理时间占据了近80%，因此货运站工作效率高低直接影响到航空货运的效率。货运站中物流装备的工作效率及平均无故障运行时间是保障整体效率的关键因素之一。

升降式转运车（Elevating Transfer Vehicle, ETV） 是大型机场货运站内结构刚度、制作精度、安全性要求最高、货物存取动作最多、控制策略最复杂的大型机电设备，是一个大型航空货运站货运能力的标志。作为控制性核心设备，在ETV 发生较复杂故障时，能够快速诊断并处理，就显得尤为重要。

ETV 的基本结构如图1 所示，由于ETV 本身的复杂性，它的复杂性故障原因与征兆之间呈现出较复杂的逻辑关联关系，呈现出“多因一果”、“多因多果”、“一因多果”等特点，很难用单一的判别函数进行故障分离和解析。因此，考虑使用神经网络+模糊推理系统融合的模式进行诊断判别研究。

1 模糊神经网络

模糊推理（Fuzzy System, FS） 技术和神经网络（Neural Network, NN） 能够很好的融合，源于两者的相似性。两者均是具有并行处理能力的非线性输入/输出系统。FS 和NN 融合，将符号处理（物理符号机制） 和非符号处理（联络机制） 进行了有效关联，将不精确处理与精确处理做了很好的互补。因此，融合有助于提高模糊推理系统的自适应能力，同时提高了NN 的全局性能与可观测性。这里选用Mamdani 模型FS 和BP-NN 进行融合。

Mamdani 模型选用极大—乘积复合推理范式，规则形式一般为：

图1 机场升降式转运车

图2 BPNN-FS 结构

堆垛机故障诊断属于多输入—多输出（MIMO） 的模糊推理系统，为研究方便，可以将其分解成多个多输入—单输出（MISO） 的系统，给出系统结构如图2 所示。

该系统分成5 层，第一层为输入层，第二层对应模糊系统条件（IF），输出输入变量对应模糊集的隶属度函数，在本系统中，隶属度生成函数使用高斯函数：

第三层是推理层，输出对应每条规则的适应度，πi节点是乘法器。输出为所有输入的乘积，设为αi，αi的计算如（5） 所示：

由图2 结构看，该神经模糊系统本质和多层前馈神经网络是一致的，可以参考BP 神经网络的误差反传算法来调整参数。这里面主要需要调整的参数为隶属度函数的宽度和中心值此外还有第四层输出规则置信度wi。参数调整公式有：

式中，η 为学习率，一般取大于零的数。c为输出的数据个数，mi是ui的模糊分割数。

2 故障征兆采集与模糊处理

根据现场试验和专家维修经验，通过技术资料整理归纳，做出故障征兆信息的隶属度分布。

对复杂故障，主要界定一级故障原因。堆垛机复杂故障一级原因主要有：y1检测控制光电未报警失效；y2通信故障；y3软件故障；y4变频器故障；y5电机减速器滚筒故障；y6钢结构变形故障。同时确定故障的模糊范畴描述，如表1 所示：

表1 故障的模糊描述

根据设计人员、维修人员、工程专家及现场归纳，做出如表2 所示的故障征兆与故障原因对应关系的模糊规则库，同时该库作为神经模糊系统网络的训练样本。

表2 堆垛机故障征兆与原因对应关系

3 神经网络训练与故障诊断

神经模糊系统结构模型本质是BP 神经网络，因此也存在着一些BP 神经网络固有的缺陷，例如容易陷入局部极值、收敛速度慢等。此外，隶属度函数的参数a和以及规则权重值wi等都严重依赖专家经验，而BP 网络训练时对初始权值和阈值非常敏感，容易造成优化失败。采用粒子群算法优化BP 神经网络是目前比较通用的一种做法，它是利用粒子群算法经验参数依赖度低、全局搜索能力强、并行计算等优点来提高BP 权值训练速度，避免陷入局部极小比，提升其推广概括能力。

本文采用的粒子群优化BPNN 的方式是：在确定神经网络结构的基础上，将BP 网络的权值按统一的次序排列为一个向量的元素，将该向量作为粒子群中的一个粒子，然后将BP 神经网络正向传播过程得到的误差作为PSO 算法的适应度函数，由BP 神经网络和PSO 算法的循环迭代来找到最佳的BP 网络的权值。

采用PSO 优化方法，其中粒子编码长度为（5+5+3+5+3+5+3+2+2）×2+7×6=108。设定训练目标均方误差目标为0.001，最大循环次数为10 000 次。PSO 的参数设定为：c1,c2分别设为2.5、1，惯性权重w采用由shi 提出的线性递减权重策略，即：

式中：wmax=0.9，wmin=0.4，t为当前迭代次数；最大限制速度Vmax。算法优化网络训练情况如图3 所示。网络的仿真输出如表3 所示，采用PSO 优化方法，经过130 次左右的训练，误差满足要求，网络训练成功。

系统输出故障原型的隶属度向量y，通过判断分析y来确定故障原因。故障原因分析可以采用最大隶属度原则，即将输出层中最大隶属度节点作为故障原因，这种方法虽然可行，但是和实际现场是有差异的。作为一台机电一体化设备，堆垛机融合了计算机技术、通信技术、电子技术、控制理论等多门学科理论与技术，其复杂故障，往往不是一个单一的原因造成的，往往是由主要原因和辅助原因共同作用产生的结果，这就是“一果多因”的情况。因此需要根据输出结果，综合表1 设定的故障模糊输出隶属度，来综合判定系统的输出代表的故障类型。

表3 网络仿真输出与目标输出的对比

选择一个非样本输入，检测系统的容错和泛化能力。输入故障征兆：

得到网络输出为：

采用故障模糊隶属度判断，该故障主要原因应该是电机故障，但是变频器可能也有故障存在，优化计算得到的结论与工程现场实际做出的判断相符合。根据分析建立的故障诊断系统，加入了在北京首都国际航空货运站中集天达空港工程有限公司堆垛机控制系统中，作为控制系统的一个独立功能模块存在。通过实际验证，系统能够有效准确地对堆垛机复杂故障作出有效的故障原因分析，对复杂多原因的情况，能够给出可能原因的置信度，使维修工作能够有重点，同时不放过其他可能性，更加符合现场的实际应用。

图3 PSO 优化BPNN 结果

4 总 结

经现场统计，使用了该系统后，堆垛机的MTBF 从原设计的500 小时提升到了978 小时左右，说明该系统对故障的定位分析准确。将故障处理在萌芽状态，是提升MTBF 的有效途径。同时由于建立了故障征兆信息实时提取系统，将定量的一些指标参数实时输入系统，其系统就具备了故障的预判功能，在征兆刚出现的时候，就能够综合判断可能会发生的故障，从而为设备的维护保养提供了科学的参考依据。

[1] Javier Garcia F, Virginia Izquierdo, Miguel Luis J.de, et al. Fault diagnostic system using analytical fuzzy redundancy[J]. Engineering Application of Artificial Intelligence, 2000,13(2):441-450.

[2] Vemuri AT, Marios M P. Neural network-based robust fault diagnosis in robotic systems[J]. IEEE Trans. on Neural Networks,1997,8(6):1410-1419.

[3] 李医民，胡寿松. 模糊神经网络技术在故障诊断中的应用[J]. 系统工程与电子技术，2005,27(5):948-952.

[4] 汤旻安. 基于软计算融合的城市道路交通资源选址研究[D]. 兰州：兰州交通大学（博士学位论文），2011.

[5] 牛强. 语义环境下的矿井提升机故障诊断研究[D]. 徐州：中国矿业大学（博士学位论文），2010.

[6] 李国勇. 基于模糊神经网络的车用发动机智能故障诊断系统[J]. 系统仿真学报，2007,19(5):1034-1037.

[7] 李晓艳. 基于BP 算法的矿井提升机故障诊断系统的研究[D]. 青岛：山东科技大学（硕士学位论文），2007.