一種基于神經(jīng)網(wǎng)絡(luò)的故障診斷新方法研究*

肖 晶 吳學(xué)智

(海軍工程大學(xué)電子工程學(xué)院 武漢 430033)

1 引言

目前,在針對(duì)電子設(shè)備的故障診斷中,人工智能的方法,即基于知識(shí)的故障診斷方法是研究熱點(diǎn)。其主要思想是:在知識(shí)的層次上,以知識(shí)處理技術(shù)為基礎(chǔ),實(shí)現(xiàn)辯證邏輯與數(shù)理邏輯的集成,符號(hào)處理與數(shù)值處理的統(tǒng)一,推理過(guò)程與算法過(guò)程的統(tǒng)一。通過(guò)在概念和處理方法上的知識(shí)化,實(shí)現(xiàn)設(shè)備故障診斷智能化?；谥R(shí)的故障診斷方法主要可以分為:專(zhuān)家系統(tǒng)故障診斷方法、模糊故障診斷方法、故障樹(shù)故障診斷方法、神經(jīng)網(wǎng)絡(luò)故障診斷方法、信息融合故障診斷方法等。故障診斷技術(shù)是一門(mén)新興交叉的學(xué)科,目前它還沒(méi)有形成完善、系統(tǒng)的理論體系。而且由于近年來(lái)計(jì)算機(jī)技術(shù)、信號(hào)處理、人工智能、模式識(shí)別技術(shù)的發(fā)展,促進(jìn)了故障診斷技術(shù)的不斷發(fā)展,特別是電子設(shè)備集成化智能故障診斷技術(shù)得到了廣泛的重視。由于設(shè)備的復(fù)雜性和故障的不確定性,用一種方法進(jìn)行故障診斷已不能滿(mǎn)足現(xiàn)代設(shè)備的要求,因此必須集成多種方法對(duì)故障進(jìn)行綜合診斷,才能充分發(fā)揮各方法的優(yōu)點(diǎn)和克服其局限性,以提高故障診斷的智能化水平。

2 模糊神經(jīng)網(wǎng)絡(luò)故障診斷方法

2.1 模糊故障診斷原理

故障診斷是通過(guò)研究故障與征兆(特征元素)之間的關(guān)系來(lái)判斷設(shè)備狀態(tài)。由于實(shí)際因素的復(fù)雜性,故障與征兆之間的關(guān)系很難用精確的數(shù)學(xué)模型來(lái)表示,隨之某些故障狀態(tài)也是模糊的。這就不能用“是否有故障”的簡(jiǎn)易診斷結(jié)果來(lái)表達(dá),而要求給出故障產(chǎn)生的可能性及故障位置和程度如何。此類(lèi)問(wèn)題用模糊邏輯能較好的解決。這就產(chǎn)生了模糊故障診斷方法。在許多故障診斷問(wèn)題中,故障診斷的機(jī)理非常適合用模糊規(guī)則來(lái)描述,模糊理論中的模糊集合、模糊運(yùn)算、模糊邏輯系統(tǒng)對(duì)模糊信息的強(qiáng)大處理能力使它成為故障診斷的一種有力工具。應(yīng)用模糊理論進(jìn)行故障診斷的基本步驟為:

1)建立故障與征兆之間的模糊關(guān)系矩陣R,也叫隸屬度矩陣。矩陣中的每個(gè)元素的大小表明了它們之間的相互關(guān)系的密切程度

式中:Y={y1,y2,…,yn}={yi|i=1,2,…,n}表示可能發(fā)生故障的集合,n為故障總數(shù);X={x1,x2,…,xm}={xi|i=1,2,…,m}表示由上面這些故障所引起的各種特征元素(征兆)的集合,m為各種特征元素(征兆)總數(shù)。

2)測(cè)試待診斷對(duì)象待檢狀態(tài)的特征參數(shù),提取特征參數(shù)向量矩陣X。

3)求解關(guān)系矩陣方程Y=X?R,得到待檢狀態(tài)的故障向量Y,再根據(jù)一定的判斷原則,如最大隸屬度原則、閾值原則或擇近原則等,得到診斷結(jié)果[1]。

2.2 神經(jīng)網(wǎng)絡(luò)故障診斷原理

人工神經(jīng)元網(wǎng)絡(luò)由于具有模擬任何連續(xù)非線(xiàn)性函數(shù)的能力和從樣本中學(xué)習(xí)的能力,故在故障診斷中得到廣泛重視。人工神經(jīng)網(wǎng)絡(luò)(A rtificial Neural Network,簡(jiǎn)稱(chēng)ANN)能通過(guò)訓(xùn)練存儲(chǔ)關(guān)于過(guò)程的知識(shí),能從定量的歷史故障信息中學(xué)習(xí),能根據(jù)正常工作狀態(tài)的歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),然后將此信息與當(dāng)前的操作數(shù)據(jù)進(jìn)行比較,以確定故障原因。它最大的特點(diǎn)是網(wǎng)絡(luò)具有自適應(yīng)學(xué)習(xí)和調(diào)整網(wǎng)絡(luò)大小的能力,兼有模式識(shí)別和特征提取的作用,具有一定的容錯(cuò)性。

2.3 模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的比較

基于模糊理論的模糊邏輯系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò)相比,既有共同之處,又有各自的特點(diǎn)。首先,它們都是用于解決非線(xiàn)性系統(tǒng)的信息處理、控制、決策、故障診斷等問(wèn)題所使用的方法,兩者都采用數(shù)值方法建立輸入與輸出之間的非線(xiàn)性映射關(guān)系,因此不需要建立數(shù)學(xué)模型。其次,它們都可以用硬件來(lái)實(shí)現(xiàn)。再次,模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)都能從不同角度增強(qiáng)信息處理能力,因而在人工智能領(lǐng)域起到重要的作用。模糊邏輯與神經(jīng)網(wǎng)絡(luò)在知識(shí)獲取、存儲(chǔ)方式、表達(dá)知識(shí)和推理解釋方面存在明顯的差別。神經(jīng)網(wǎng)絡(luò)由于是模擬人腦神經(jīng)元功能,具有強(qiáng)大的學(xué)習(xí)能力和數(shù)據(jù)的直接處理能力,而模糊邏輯方法則模仿人腦的邏輯思維,具有較強(qiáng)的結(jié)構(gòu)性知識(shí)表示能力。但是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不適于表示基于規(guī)則的知識(shí),在應(yīng)用于故障診斷時(shí)常常發(fā)生誤診現(xiàn)象,特別是當(dāng)輸入信息不精確或不確定時(shí)。模糊方法適用于測(cè)量值少且無(wú)法獲得精確模型的系統(tǒng),但該方法不具有自適應(yīng)和自學(xué)習(xí)能力,無(wú)法進(jìn)一步積累和修正診斷知識(shí)[2]。因此,將人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯結(jié)合起來(lái),實(shí)現(xiàn)故障診斷對(duì)不精確或不確定等模糊信息的處理,克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不能很好處理邊界分類(lèi)模糊數(shù)據(jù)的故障誤診問(wèn)題,同時(shí)使得基于規(guī)則的結(jié)構(gòu)性知識(shí)能夠得到學(xué)習(xí)和調(diào)整。表1為模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的性能特點(diǎn)比較。

表1 模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的比較

2.4 模糊神經(jīng)網(wǎng)絡(luò)的構(gòu)造

模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相互結(jié)合產(chǎn)生了“模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neuralnetwork—FNN)技術(shù)”。模糊神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)質(zhì)上是對(duì)人腦結(jié)構(gòu)和思維功能的雙重模擬,即大腦神經(jīng)網(wǎng)絡(luò)的“硬件”拓?fù)浣Y(jié)構(gòu)和模糊信息處理的“軟件”功能的同時(shí)模擬。其顯著特點(diǎn)體現(xiàn)在它充分吸收了模糊理論與神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點(diǎn)、并由此來(lái)彌補(bǔ)各自的不足。比如,對(duì)于不少實(shí)際問(wèn)題,模糊邏輯系統(tǒng)中的模糊規(guī)則、隸屬函數(shù)以及模糊決策算法的最佳方案選擇,并不是人們事先可以明確決定的,而神經(jīng)網(wǎng)絡(luò)的介入則為通過(guò)實(shí)際輸入、輸出數(shù)據(jù)的學(xué)習(xí)優(yōu)化地確定這些規(guī)則、函數(shù)和決策算法提供了可能性;另一方面,雖然神經(jīng)網(wǎng)絡(luò)本身所存儲(chǔ)的知識(shí)難以理解,但在模糊神經(jīng)網(wǎng)絡(luò)中可以將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)結(jié)果轉(zhuǎn)化為模糊邏輯系統(tǒng)的規(guī)則知識(shí),從而更加便于知識(shí)的解釋和利用[3]。其基本思想是在BPNN的輸入層與輸出層中間增加1～2層模糊層構(gòu)造模糊神經(jīng)網(wǎng)絡(luò),利用神經(jīng)網(wǎng)絡(luò)處理低層感知數(shù)據(jù),利用模糊邏輯描述高層的邏輯框架,其故障診斷的效果優(yōu)于單一的神經(jīng)網(wǎng)絡(luò)分類(lèi)器。

模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合形態(tài)可分為五類(lèi):松散型結(jié)合、并聯(lián)型結(jié)合、串聯(lián)型結(jié)合、網(wǎng)絡(luò)學(xué)習(xí)性結(jié)合和結(jié)構(gòu)等價(jià)型結(jié)合[4]。這里我們采用串聯(lián)型結(jié)合構(gòu)造故障診斷的模糊神經(jīng)網(wǎng)絡(luò),其拓?fù)浣Y(jié)構(gòu)如圖1所示。

該網(wǎng)絡(luò)共分四層:第一層為輸入層,它的每一個(gè)節(jié)點(diǎn)代表一個(gè)輸入變量;第二層為模糊化層,通過(guò)隸屬函數(shù)將輸入變量模糊化;第三層為隱含層,用于實(shí)現(xiàn)輸入變量模糊值到輸出變量模糊值的映射;第四層為輸出層,每個(gè)神經(jīng)元代表一種故障,它的值即代表故障存在的可能程度。對(duì)于多層前饋模糊神經(jīng)網(wǎng)絡(luò),如果待診斷的故障有個(gè),診斷參數(shù)(即故障征兆)有斷參數(shù)xi在模糊化處理時(shí)被分成si個(gè)模糊集合,則相應(yīng)的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)將有入節(jié)點(diǎn),m個(gè)輸出節(jié)點(diǎn),并且最多可以有 H中間層節(jié)點(diǎn)。模糊神經(jīng)網(wǎng)絡(luò)的隱含層實(shí)現(xiàn)常規(guī)模糊邏輯系統(tǒng)的規(guī)則庫(kù)及其推理功能,通過(guò)對(duì)故障樣本的學(xué)習(xí),模糊神經(jīng)網(wǎng)絡(luò)獲得了故障診斷的知識(shí),這些知識(shí)隱性地表達(dá)在神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、連接形式和權(quán)值分布之中。

圖1 串聯(lián)型模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖2為串聯(lián)型模糊神經(jīng)網(wǎng)絡(luò)的框圖,整個(gè)網(wǎng)絡(luò)由模糊化處理和常規(guī)BP網(wǎng)絡(luò)兩個(gè)部分組成,網(wǎng)絡(luò)輸入與通常BP網(wǎng)絡(luò)的輸入相同,模糊處理部分的隸屬函數(shù)將輸入進(jìn)行模糊化處理,經(jīng)模糊化處理后的數(shù)據(jù)直接送給BP網(wǎng)絡(luò)進(jìn)行處理,輸出數(shù)據(jù)與期望輸出進(jìn)行比較,根據(jù)均方誤差反向調(diào)整BP網(wǎng)絡(luò)的連接權(quán)。

圖2 模糊神經(jīng)網(wǎng)絡(luò)框圖

3 全信息理論在模糊神經(jīng)網(wǎng)絡(luò)故障診斷中的應(yīng)用

3.1 全信息理論概述

對(duì)于信息的定義,根據(jù)不同的條件,可以區(qū)分不同的層次。最高層次,即沒(méi)有任何約束條件的層次對(duì)信息的定義為:某事物的本體論層次信息,就是該事物運(yùn)動(dòng)的狀態(tài)和狀態(tài)變化方式的自我表述。假若對(duì)本體論層次信息定義引入一個(gè)約束—必須有主體(如人、機(jī)器或系統(tǒng))且必須從主體的立場(chǎng)出發(fā)來(lái)定義信息,那么,本體論層次信息定義就轉(zhuǎn)化為認(rèn)識(shí)論層次信息定義。認(rèn)識(shí)論層次信息定義是:主體關(guān)于某事物的認(rèn)識(shí)論層次信息,是指主體所感知或表達(dá)的關(guān)于該事物的運(yùn)動(dòng)狀態(tài)及其變化方式,包括狀態(tài)及其變化方式的形式、含義和效用。事實(shí)上,人們只有在感知了事物運(yùn)動(dòng)狀態(tài)及其變化方式的形式、理解了它的含義、判明了它的價(jià)值,才算真正掌握了這個(gè)事物的認(rèn)識(shí)論層次信息,并作出正確的判斷和決策。我們把這樣同時(shí)考慮事物運(yùn)動(dòng)狀態(tài)及其變化方式的外在形式、內(nèi)在含義和效用價(jià)值的認(rèn)識(shí)論層次信息稱(chēng)為“全信息”,而把僅僅計(jì)及其中的形式因素的信息部分稱(chēng)為“語(yǔ)法信息”,把計(jì)及其中的含義因素的信息部分稱(chēng)為“語(yǔ)義信息”,把計(jì)及其中效用因素的信息部分稱(chēng)為“語(yǔ)用信息”。換言之,認(rèn)識(shí)論層次的信息乃是同時(shí)計(jì)及語(yǔ)法信息、語(yǔ)義信息和語(yǔ)用信息的全信息[5]。如圖3。Shannon信息論或統(tǒng)計(jì)通信理論是基于概率型語(yǔ)法信息的信息理論,而語(yǔ)法信息只能解決通信工程這樣一類(lèi)傳遞信息的問(wèn)題,而凡是有智能、有目的的系統(tǒng),都必然要涉及到語(yǔ)義信息和語(yǔ)用信息的問(wèn)題。對(duì)于我們已經(jīng)熟悉的語(yǔ)法信息表示描述方法,在此不再贅述,下面介紹語(yǔ)義信息和語(yǔ)用信息的表示描述方法。

圖3 全信息的圖示

語(yǔ)義信息的描述采用指稱(chēng)邏輯的概念,設(shè)一個(gè)狀態(tài)邏輯真實(shí)度參量,記為t,它應(yīng)當(dāng)滿(mǎn)足

類(lèi)似的,可以設(shè)置一個(gè)“狀態(tài)效用度”參量,記為u,它應(yīng)當(dāng)滿(mǎn)足

語(yǔ)義信息須以語(yǔ)法信息為基礎(chǔ),語(yǔ)用信息須以語(yǔ)義信息和語(yǔ)法信息為基礎(chǔ),這樣就進(jìn)一步引出綜合邏輯真實(shí)度和綜合效用度的概念。綜合邏輯真實(shí)度:

綜合效用度:

綜合效用度空間:

3.2 基于全信息理論和模糊神經(jīng)網(wǎng)絡(luò)的故障診斷方法

目前人工神經(jīng)網(wǎng)絡(luò)基本上還只能利用語(yǔ)法信息而不能有效地利用語(yǔ)義和語(yǔ)用信息,這就意味著現(xiàn)行人工神經(jīng)網(wǎng)絡(luò)只能在比較淺的層次上模擬人的智能,如果希望它對(duì)人類(lèi)智能的模擬深度有新的突破,就必須引入新的機(jī)制。本文就是嘗試性的將包括語(yǔ)法、語(yǔ)義和語(yǔ)用信息在內(nèi)的全信息應(yīng)用于神經(jīng)網(wǎng)絡(luò),構(gòu)造了一種全新的模糊神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng),如圖4所示。

圖4 改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)框圖

4 結(jié)語(yǔ)

故障診斷是一門(mén)綜合性發(fā)展中的學(xué)科,這一學(xué)科不斷有新的理論和新的方法注入,是一個(gè)富有挑戰(zhàn)性的研究領(lǐng)域,大量的工作還有待開(kāi)發(fā)。故障診斷技術(shù)將進(jìn)入信息社會(huì)的各個(gè)領(lǐng)域,發(fā)揮越來(lái)越大的作用,尋找方便快速實(shí)用的診斷方法是這一領(lǐng)域的當(dāng)務(wù)之急。本文在這方面作出了嘗試,探求了一種新型故障診斷方法,但其具體應(yīng)用還有待于進(jìn)一步研究。

[1]朱大奇,于盛林.基于知識(shí)的故障診斷方法綜述[J].安徽工業(yè)大學(xué)學(xué)報(bào),2002,19(3):197～204

[2]王海靜.基于多傳感器信息融合的碼垛過(guò)程監(jiān)控與故障診斷的研究[D].石家莊:河北工業(yè)大學(xué),2007

[3]楊延平.基于模糊神經(jīng)網(wǎng)絡(luò)的采煤機(jī)智能故障診斷研究[D].東北大學(xué),2007

[4]李國(guó)勇.神經(jīng)模糊控制理論及應(yīng)用[M].北京:電子工業(yè)出版社,2009

[5]鐘義信.信息科學(xué)原理[M].北京:北京郵電大學(xué)出版社,2002