基于粗糙集与模糊神经网络的多级压缩机诊断研究

江书荣

摘 要：模糊神经网络已经广泛地应用在多级压缩机故障诊断中，但是，在应用的过程中，还存在很多的问题，需要进一步的研究与分析。粗糙集在数据简约、规则等方面都具有很大的优势，可以有效地解决模糊神经网络结构中的问题与不足。通过对模糊神经网络的分析与推理，结合网络神经技术，建立了故障诊断模型，有效地证明了故障诊断的可行性与科学性。

关键词：粗糙集；模糊神经网络；多级压缩机；诊断

多级压缩机具有多因素、强耦合、强非线性，很难建立模糊系统，当发生故障的时候，工作人员很难找到故障发生的原因，诊断工作受到很大的限制。将粗糙集与模糊神经网络应用到故障的诊断中，需要进行有效的学习阶段，大量的诊断数据给学习带来了实际性的困难。有效地扩展粗糙集的理论，实现域到域的映射。

1 粗糙集与模糊神经网络诊断模式

1.1 粗糙集理论

粗糙集是以数据作为理论分析，通过指定的研究对象的基本特征与特征值的描述，对知识系统做出准确的定义，用公式表示：S=，其中，U表示对象集合，C∪D=A表示属性集合，子集G与D分别表示条件属性与结论属性，V=∪a？缀AVa表示属性值集合，Va表示属性a？缀A的范围，f、g表示函数，f指定U中的每一个对象x的属性值，g是公式S=的G与D的映射：g：C→D，这种知识的具体表达系统可以用“条件-行为”来表示，属于是列表示属性，行表示论域中的对象，依据粗糙集决策表表示为：“if…then…”规则进行描述。决策表的有效使用，将知识进行了简单化的处理，保证人民获取更多的知识。但是，这种表的缺点是学习能力不强，很难处理好新添加的知识含量。

1.2 模糊神经网络的本质

模糊神经网络的本质是更好地研究人脑科学的新途径，是现在社会非常热门的研究话题，克服了传统的模糊逻辑与神经网络的缺陷，并得到了广泛的应用。模糊神经网络有很多的类型，但是，从整体上可以分为两种，一种是由模糊规则直接构成的网络，另一种是通过对非模糊神经网络直接模糊化得到的网络。

2 基于误差反馈的节点函数特性变化模糊神经网络（NVFNN）

2.1 模糊神经网络的结构

神经元的活动既表现出节点间权值的变化，又体现出节点自身的特点的变化，也是节点函数特性的变化情况。基于传统模糊神经网络的基础，对模糊神经网络的节点函数特征变化情况进行了有效的反馈。这种函数既符合生物物理的基础特征，有加快收敛的速度与稳定性，属于非常好的万能型的逼近器，图1表示的是NVFNN的结构模型。其隐含层的借点书和模糊区间数相同，并且各节点上的接受函数是对应模糊区间的隶属度函数，如图1所示，x为输入，y为网络逼近输入，f（x）是待逼近函数，e为误差，W=（w1，w2，…，wn）为权系数，a=（a1，a2，…，an）为节点函数，在这里使用了高期函数：

2.2 节点函数特性

文章简单了论述一下模糊神经网络逼近器可以随意逼近任意一个连续的函数f（x）。

平均反模糊化器，使用的是乘积推理规则。上述理论术语是高斯型模糊逻辑系统，因此，这个系统可以逼近任意的连续函数，证明完毕。

3 神经网络的算法

模糊逻辑神经网络属于是一个包含了三层的前馈自组织神经网络，将低就一层设置为p个输入数据特征的神经元。第一层设置为c个数的聚类类别，它的作用是为了更好地实现输入样本和各聚类中心的匹配计算。

计算模糊聚类的步骤如下：

（1）定原始数据集Xk={xk1，xk2，…，xkp}，经过数据的与处理之后，可以得到Xk={xk1，xk2，…，xkp}，其中k是第k个的样本。（2）设固定输入层的个数是p，隐层与输出层的个数是c，p是输入矢量维数，c是聚类类别的个数。将误差常数设置为？着，总的循环次数是tmax，初始学习的系数是a0。（3）随机初始化的输入层与隐层神经元之间的全连接是：wij？缀[0，1]，其中1？燮i？燮r，1？燮j？燮p。（4）设t时刻输入的训练样本是Xk，当t=1，2，……tmax时，计算出学习系数at。

4 实验案例

多级压缩机的故障诊断问题，存在了很多年，其中气阀是损坏最多的重要元件之一，其性能质量直接影响到压缩机的排气、功率的消耗、安全等问题，假如气阀发生泄露，会导致压缩机出口气体温度升高，气压发生变化，制约了图案设计的正常运行。文章使用6种状态的数据，105组数据，每一组数据有8个参数，因此，构建的知识系统是：S=（U，R，V，f），U={x1，x2，…，x105}，R=C∪D，C∩D=？准，c={c1，c2，...，c8}，D={d1，d2，…，d6}。将聚类数值设置为6，经过数据简约以后的最佳属性子集是{c3，c5}，最简规则数目是12，得到模糊神经网络的结构。

5 结束语

综上所述，文章结合了神经网络、模糊集、粗糙集的理论，并发挥出它们的特点与优势，弥补了传统故障诊断的不足。同时，文章还提出了新的神经网络逼近器与数据的浓缩评价指标。通过具体的实验证明与理论分析，得出逼近器的速度快，精准度高。拥有合理的数据浓缩指标，提高了故障诊断的准确率。有效地分离了诊断学习与诊断过程，保证了诊断的有效性、科学性。

参考文献

[1]杜海峰，王孙安，丁国锋.基于粗糙集与模糊神经网络的多级压缩机诊断[J].西安交通大学学报，2009（9）：123-125.

[2]刘超.一种新的模糊神经网络的多级离心压缩机性能预测方法[J].计算机测量与控制，2013（9）：73-75.

[3]陈岚萍，潘丰.基于多级模糊神经网络的故障诊断在化工生产过程中的应用[J].自动化与仪器仪表，2013（4）：26-30.