基于模糊神經(jīng)網(wǎng)絡(luò)的ETV復(fù)雜故障診斷研究

邱建東 （蘭州交通大學(xué) 機電技術(shù)研究所，甘肅 蘭州730070）

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

0 引 言

航空貨運伴隨經(jīng)濟全球化進(jìn)程和日益激烈的企業(yè)競爭得到了飛速發(fā)展。航空貨運是高附加值高速高效的貨運手段，在貨物運輸總時間中，機場貨運站貨物處理時間占據(jù)了近80%，因此貨運站工作效率高低直接影響到航空貨運的效率。貨運站中物流裝備的工作效率及平均無故障運行時間是保障整體效率的關(guān)鍵因素之一。

升降式轉(zhuǎn)運車（Elevating Transfer Vehicle, ETV） 是大型機場貨運站內(nèi)結(jié)構(gòu)剛度、制作精度、安全性要求最高、貨物存取動作最多、控制策略最復(fù)雜的大型機電設(shè)備，是一個大型航空貨運站貨運能力的標(biāo)志。作為控制性核心設(shè)備，在ETV 發(fā)生較復(fù)雜故障時，能夠快速診斷并處理，就顯得尤為重要。

ETV 的基本結(jié)構(gòu)如圖1 所示，由于ETV 本身的復(fù)雜性，它的復(fù)雜性故障原因與征兆之間呈現(xiàn)出較復(fù)雜的邏輯關(guān)聯(lián)關(guān)系，呈現(xiàn)出“多因一果”、“多因多果”、“一因多果”等特點，很難用單一的判別函數(shù)進(jìn)行故障分離和解析。因此，考慮使用神經(jīng)網(wǎng)絡(luò)+模糊推理系統(tǒng)融合的模式進(jìn)行診斷判別研究。

1 模糊神經(jīng)網(wǎng)絡(luò)

模糊推理（Fuzzy System, FS） 技術(shù)和神經(jīng)網(wǎng)絡(luò)（Neural Network, NN） 能夠很好的融合，源于兩者的相似性。兩者均是具有并行處理能力的非線性輸入/輸出系統(tǒng)。FS 和NN 融合，將符號處理（物理符號機制） 和非符號處理（聯(lián)絡(luò)機制） 進(jìn)行了有效關(guān)聯(lián)，將不精確處理與精確處理做了很好的互補。因此，融合有助于提高模糊推理系統(tǒng)的自適應(yīng)能力，同時提高了NN 的全局性能與可觀測性。這里選用Mamdani 模型FS 和BP-NN 進(jìn)行融合。

Mamdani 模型選用極大—乘積復(fù)合推理范式，規(guī)則形式一般為：

圖1 機場升降式轉(zhuǎn)運車

圖2 BPNN-FS 結(jié)構(gòu)

堆垛機故障診斷屬于多輸入—多輸出（MIMO） 的模糊推理系統(tǒng)，為研究方便，可以將其分解成多個多輸入—單輸出（MISO） 的系統(tǒng)，給出系統(tǒng)結(jié)構(gòu)如圖2 所示。

該系統(tǒng)分成5 層，第一層為輸入層，第二層對應(yīng)模糊系統(tǒng)條件（IF），輸出輸入變量對應(yīng)模糊集的隸屬度函數(shù)，在本系統(tǒng)中，隸屬度生成函數(shù)使用高斯函數(shù)：

第三層是推理層，輸出對應(yīng)每條規(guī)則的適應(yīng)度，πi節(jié)點是乘法器。輸出為所有輸入的乘積，設(shè)為αi，αi的計算如（5） 所示：

由圖2 結(jié)構(gòu)看，該神經(jīng)模糊系統(tǒng)本質(zhì)和多層前饋神經(jīng)網(wǎng)絡(luò)是一致的，可以參考BP 神經(jīng)網(wǎng)絡(luò)的誤差反傳算法來調(diào)整參數(shù)。這里面主要需要調(diào)整的參數(shù)為隸屬度函數(shù)的寬度和中心值此外還有第四層輸出規(guī)則置信度wi。參數(shù)調(diào)整公式有：

式中，η 為學(xué)習(xí)率，一般取大于零的數(shù)。c為輸出的數(shù)據(jù)個數(shù)，mi是ui的模糊分割數(shù)。

2 故障征兆采集與模糊處理

根據(jù)現(xiàn)場試驗和專家維修經(jīng)驗，通過技術(shù)資料整理歸納，做出故障征兆信息的隸屬度分布。

對復(fù)雜故障，主要界定一級故障原因。堆垛機復(fù)雜故障一級原因主要有：y1檢測控制光電未報警失效；y2通信故障；y3軟件故障；y4變頻器故障；y5電機減速器滾筒故障；y6鋼結(jié)構(gòu)變形故障。同時確定故障的模糊范疇描述，如表1 所示：

表1 故障的模糊描述

根據(jù)設(shè)計人員、維修人員、工程專家及現(xiàn)場歸納，做出如表2 所示的故障征兆與故障原因?qū)?yīng)關(guān)系的模糊規(guī)則庫，同時該庫作為神經(jīng)模糊系統(tǒng)網(wǎng)絡(luò)的訓(xùn)練樣本。

表2 堆垛機故障征兆與原因?qū)?yīng)關(guān)系

3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練與故障診斷

神經(jīng)模糊系統(tǒng)結(jié)構(gòu)模型本質(zhì)是BP 神經(jīng)網(wǎng)絡(luò)，因此也存在著一些BP 神經(jīng)網(wǎng)絡(luò)固有的缺陷，例如容易陷入局部極值、收斂速度慢等。此外，隸屬度函數(shù)的參數(shù)a和以及規(guī)則權(quán)重值wi等都嚴(yán)重依賴專家經(jīng)驗，而BP 網(wǎng)絡(luò)訓(xùn)練時對初始權(quán)值和閾值非常敏感，容易造成優(yōu)化失敗。采用粒子群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)是目前比較通用的一種做法，它是利用粒子群算法經(jīng)驗參數(shù)依賴度低、全局搜索能力強、并行計算等優(yōu)點來提高BP 權(quán)值訓(xùn)練速度，避免陷入局部極小比，提升其推廣概括能力。

本文采用的粒子群優(yōu)化BPNN 的方式是：在確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，將BP 網(wǎng)絡(luò)的權(quán)值按統(tǒng)一的次序排列為一個向量的元素，將該向量作為粒子群中的一個粒子，然后將BP 神經(jīng)網(wǎng)絡(luò)正向傳播過程得到的誤差作為PSO 算法的適應(yīng)度函數(shù)，由BP 神經(jīng)網(wǎng)絡(luò)和PSO 算法的循環(huán)迭代來找到最佳的BP 網(wǎng)絡(luò)的權(quán)值。

采用PSO 優(yōu)化方法，其中粒子編碼長度為（5+5+3+5+3+5+3+2+2）×2+7×6=108。設(shè)定訓(xùn)練目標(biāo)均方誤差目標(biāo)為0.001，最大循環(huán)次數(shù)為10 000 次。PSO 的參數(shù)設(shè)定為：c1,c2分別設(shè)為2.5、1，慣性權(quán)重w采用由shi 提出的線性遞減權(quán)重策略，即：

式中：wmax=0.9，wmin=0.4，t為當(dāng)前迭代次數(shù)；最大限制速度Vmax。算法優(yōu)化網(wǎng)絡(luò)訓(xùn)練情況如圖3 所示。網(wǎng)絡(luò)的仿真輸出如表3 所示，采用PSO 優(yōu)化方法，經(jīng)過130 次左右的訓(xùn)練，誤差滿足要求，網(wǎng)絡(luò)訓(xùn)練成功。

系統(tǒng)輸出故障原型的隸屬度向量y，通過判斷分析y來確定故障原因。故障原因分析可以采用最大隸屬度原則，即將輸出層中最大隸屬度節(jié)點作為故障原因，這種方法雖然可行，但是和實際現(xiàn)場是有差異的。作為一臺機電一體化設(shè)備，堆垛機融合了計算機技術(shù)、通信技術(shù)、電子技術(shù)、控制理論等多門學(xué)科理論與技術(shù)，其復(fù)雜故障，往往不是一個單一的原因造成的，往往是由主要原因和輔助原因共同作用產(chǎn)生的結(jié)果，這就是“一果多因”的情況。因此需要根據(jù)輸出結(jié)果，綜合表1 設(shè)定的故障模糊輸出隸屬度，來綜合判定系統(tǒng)的輸出代表的故障類型。

表3 網(wǎng)絡(luò)仿真輸出與目標(biāo)輸出的對比

選擇一個非樣本輸入，檢測系統(tǒng)的容錯和泛化能力。輸入故障征兆：

得到網(wǎng)絡(luò)輸出為：

采用故障模糊隸屬度判斷，該故障主要原因應(yīng)該是電機故障，但是變頻器可能也有故障存在，優(yōu)化計算得到的結(jié)論與工程現(xiàn)場實際做出的判斷相符合。根據(jù)分析建立的故障診斷系統(tǒng)，加入了在北京首都國際航空貨運站中集天達(dá)空港工程有限公司堆垛機控制系統(tǒng)中，作為控制系統(tǒng)的一個獨立功能模塊存在。通過實際驗證，系統(tǒng)能夠有效準(zhǔn)確地對堆垛機復(fù)雜故障作出有效的故障原因分析，對復(fù)雜多原因的情況，能夠給出可能原因的置信度，使維修工作能夠有重點，同時不放過其他可能性，更加符合現(xiàn)場的實際應(yīng)用。

圖3 PSO 優(yōu)化BPNN 結(jié)果

4 總 結(jié)

經(jīng)現(xiàn)場統(tǒng)計，使用了該系統(tǒng)后，堆垛機的MTBF 從原設(shè)計的500 小時提升到了978 小時左右，說明該系統(tǒng)對故障的定位分析準(zhǔn)確。將故障處理在萌芽狀態(tài)，是提升MTBF 的有效途徑。同時由于建立了故障征兆信息實時提取系統(tǒng)，將定量的一些指標(biāo)參數(shù)實時輸入系統(tǒng)，其系統(tǒng)就具備了故障的預(yù)判功能，在征兆剛出現(xiàn)的時候，就能夠綜合判斷可能會發(fā)生的故障，從而為設(shè)備的維護保養(yǎng)提供了科學(xué)的參考依據(jù)。

[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] 李醫(yī)民，胡壽松. 模糊神經(jīng)網(wǎng)絡(luò)技術(shù)在故障診斷中的應(yīng)用[J]. 系統(tǒng)工程與電子技術(shù)，2005,27(5):948-952.

[4] 湯旻安. 基于軟計算融合的城市道路交通資源選址研究[D]. 蘭州：蘭州交通大學(xué)（博士學(xué)位論文），2011.

[5] 牛強. 語義環(huán)境下的礦井提升機故障診斷研究[D]. 徐州：中國礦業(yè)大學(xué)（博士學(xué)位論文），2010.

[6] 李國勇. 基于模糊神經(jīng)網(wǎng)絡(luò)的車用發(fā)動機智能故障診斷系統(tǒng)[J]. 系統(tǒng)仿真學(xué)報，2007,19(5):1034-1037.

[7] 李曉艷. 基于BP 算法的礦井提升機故障診斷系統(tǒng)的研究[D]. 青島：山東科技大學(xué)（碩士學(xué)位論文），2007.