一種基于神經網絡的故障診斷新方法研究*

肖 晶 吳學智

(海軍工程大學電子工程學院 武漢 430033)

1 引言

目前,在針對電子設備的故障診斷中,人工智能的方法,即基于知識的故障診斷方法是研究熱點。其主要思想是:在知識的層次上,以知識處理技術為基礎,實現辯證邏輯與數理邏輯的集成,符號處理與數值處理的統一,推理過程與算法過程的統一。通過在概念和處理方法上的知識化,實現設備故障診斷智能化。基于知識的故障診斷方法主要可以分為:專家系統故障診斷方法、模糊故障診斷方法、故障樹故障診斷方法、神經網絡故障診斷方法、信息融合故障診斷方法等。故障診斷技術是一門新興交叉的學科,目前它還沒有形成完善、系統的理論體系。而且由于近年來計算機技術、信號處理、人工智能、模式識別技術的發展,促進了故障診斷技術的不斷發展,特別是電子設備集成化智能故障診斷技術得到了廣泛的重視。由于設備的復雜性和故障的不確定性,用一種方法進行故障診斷已不能滿足現代設備的要求,因此必須集成多種方法對故障進行綜合診斷,才能充分發揮各方法的優點和克服其局限性,以提高故障診斷的智能化水平。

2 模糊神經網絡故障診斷方法

2.1 模糊故障診斷原理

故障診斷是通過研究故障與征兆(特征元素)之間的關系來判斷設備狀態。由于實際因素的復雜性,故障與征兆之間的關系很難用精確的數學模型來表示,隨之某些故障狀態也是模糊的。這就不能用“是否有故障”的簡易診斷結果來表達,而要求給出故障產生的可能性及故障位置和程度如何。此類問題用模糊邏輯能較好的解決。這就產生了模糊故障診斷方法。在許多故障診斷問題中,故障診斷的機理非常適合用模糊規則來描述,模糊理論中的模糊集合、模糊運算、模糊邏輯系統對模糊信息的強大處理能力使它成為故障診斷的一種有力工具。應用模糊理論進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系矩陣R,也叫隸屬度矩陣。矩陣中的每個元素的大小表明了它們之間的相互關系的密切程度

式中:Y={y1,y2,…,yn}={yi|i=1,2,…,n}表示可能發生故障的集合,n為故障總數;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。

2)測試待診斷對象待檢狀態的特征參數,提取特征參數向量矩陣X。

3)求解關系矩陣方程Y=X?R,得到待檢狀態的故障向量Y,再根據一定的判斷原則,如最大隸屬度原則、閾值原則或擇近原則等,得到診斷結果[1]。

2.2 神經網絡故障診斷原理

人工神經元網絡由于具有模擬任何連續非線性函數的能力和從樣本中學習的能力,故在故障診斷中得到廣泛重視。人工神經網絡(A rtificial Neural Network,簡稱ANN)能通過訓練存儲關于過程的知識,能從定量的歷史故障信息中學習,能根據正常工作狀態的歷史數據訓練網絡,然后將此信息與當前的操作數據進行比較,以確定故障原因。它最大的特點是網絡具有自適應學習和調整網絡大小的能力,兼有模式識別和特征提取的作用,具有一定的容錯性。

2.3 模糊系統與神經網絡的比較

基于模糊理論的模糊邏輯系統與人工神經網絡相比,既有共同之處,又有各自的特點。首先,它們都是用于解決非線性系統的信息處理、控制、決策、故障診斷等問題所使用的方法,兩者都采用數值方法建立輸入與輸出之間的非線性映射關系,因此不需要建立數學模型。其次,它們都可以用硬件來實現。再次,模糊系統和神經網絡都能從不同角度增強信息處理能力,因而在人工智能領域起到重要的作用。模糊邏輯與神經網絡在知識獲取、存儲方式、表達知識和推理解釋方面存在明顯的差別。神經網絡由于是模擬人腦神經元功能,具有強大的學習能力和數據的直接處理能力,而模糊邏輯方法則模仿人腦的邏輯思維,具有較強的結構性知識表示能力。但是傳統的神經網絡不適于表示基于規則的知識,在應用于故障診斷時常常發生誤診現象,特別是當輸入信息不精確或不確定時。模糊方法適用于測量值少且無法獲得精確模型的系統,但該方法不具有自適應和自學習能力,無法進一步積累和修正診斷知識[2]。因此,將人工神經網絡與模糊邏輯結合起來,實現故障診斷對不精確或不確定等模糊信息的處理,克服傳統神經網絡不能很好處理邊界分類模糊數據的故障誤診問題,同時使得基于規則的結構性知識能夠得到學習和調整。表1為模糊邏輯系統與神經網絡的性能特點比較。

表1 模糊邏輯系統與神經網絡的比較

2.4 模糊神經網絡的構造

模糊邏輯系統與神經網絡相互結合產生了“模糊神經網絡(fuzzy neuralnetwork—FNN)技術”。模糊神經網絡技術實質上是對人腦結構和思維功能的雙重模擬,即大腦神經網絡的“硬件”拓撲結構和模糊信息處理的“軟件”功能的同時模擬。其顯著特點體現在它充分吸收了模糊理論與神經網絡各自的優點、并由此來彌補各自的不足。比如,對于不少實際問題,模糊邏輯系統中的模糊規則、隸屬函數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,而神經網絡的介入則為通過實際輸入、輸出數據的學習優化地確定這些規則、函數和決策算法提供了可能性;另一方面,雖然神經網絡本身所存儲的知識難以理解,但在模糊神經網絡中可以將神經網絡的學習結果轉化為模糊邏輯系統的規則知識,從而更加便于知識的解釋和利用[3]。其基本思想是在BPNN的輸入層與輸出層中間增加1～2層模糊層構造模糊神經網絡,利用神經網絡處理低層感知數據,利用模糊邏輯描述高層的邏輯框架,其故障診斷的效果優于單一的神經網絡分類器。

模糊系統與神經網絡的結合形態可分為五類:松散型結合、并聯型結合、串聯型結合、網絡學習性結合和結構等價型結合[4]。這里我們采用串聯型結合構造故障診斷的模糊神經網絡,其拓撲結構如圖1所示。

該網絡共分四層:第一層為輸入層,它的每一個節點代表一個輸入變量;第二層為模糊化層,通過隸屬函數將輸入變量模糊化;第三層為隱含層,用于實現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,每個神經元代表一種故障,它的值即代表故障存在的可能程度。對于多層前饋模糊神經網絡,如果待診斷的故障有個,診斷參數(即故障征兆)有斷參數xi在模糊化處理時被分成si個模糊集合,則相應的模糊神經網絡系統將有入節點,m個輸出節點,并且最多可以有 H中間層節點。模糊神經網絡的隱含層實現常規模糊邏輯系統的規則庫及其推理功能,通過對故障樣本的學習,模糊神經網絡獲得了故障診斷的知識,這些知識隱性地表達在神經網絡的拓撲結構、連接形式和權值分布之中。

圖1 串聯型模糊神經網絡結構

圖2為串聯型模糊神經網絡的框圖,整個網絡由模糊化處理和常規BP網絡兩個部分組成,網絡輸入與通常BP網絡的輸入相同,模糊處理部分的隸屬函數將輸入進行模糊化處理,經模糊化處理后的數據直接送給BP網絡進行處理,輸出數據與期望輸出進行比較,根據均方誤差反向調整BP網絡的連接權。

圖2 模糊神經網絡框圖

3 全信息理論在模糊神經網絡故障診斷中的應用

3.1 全信息理論概述

對于信息的定義,根據不同的條件,可以區分不同的層次。最高層次,即沒有任何約束條件的層次對信息的定義為:某事物的本體論層次信息,就是該事物運動的狀態和狀態變化方式的自我表述。假若對本體論層次信息定義引入一個約束—必須有主體(如人、機器或系統)且必須從主體的立場出發來定義信息,那么,本體論層次信息定義就轉化為認識論層次信息定義。認識論層次信息定義是:主體關于某事物的認識論層次信息,是指主體所感知或表達的關于該事物的運動狀態及其變化方式,包括狀態及其變化方式的形式、含義和效用。事實上,人們只有在感知了事物運動狀態及其變化方式的形式、理解了它的含義、判明了它的價值,才算真正掌握了這個事物的認識論層次信息,并作出正確的判斷和決策。我們把這樣同時考慮事物運動狀態及其變化方式的外在形式、內在含義和效用價值的認識論層次信息稱為“全信息”,而把僅僅計及其中的形式因素的信息部分稱為“語法信息”,把計及其中的含義因素的信息部分稱為“語義信息”,把計及其中效用因素的信息部分稱為“語用信息”。換言之,認識論層次的信息乃是同時計及語法信息、語義信息和語用信息的全信息[5]。如圖3。Shannon信息論或統計通信理論是基于概率型語法信息的信息理論,而語法信息只能解決通信工程這樣一類傳遞信息的問題,而凡是有智能、有目的的系統,都必然要涉及到語義信息和語用信息的問題。對于我們已經熟悉的語法信息表示描述方法,在此不再贅述,下面介紹語義信息和語用信息的表示描述方法。

圖3 全信息的圖示

語義信息的描述采用指稱邏輯的概念,設一個狀態邏輯真實度參量,記為t,它應當滿足

類似的,可以設置一個“狀態效用度”參量,記為u,它應當滿足

語義信息須以語法信息為基礎,語用信息須以語義信息和語法信息為基礎,這樣就進一步引出綜合邏輯真實度和綜合效用度的概念。綜合邏輯真實度:

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網絡的故障診斷方法

目前人工神經網絡基本上還只能利用語法信息而不能有效地利用語義和語用信息,這就意味著現行人工神經網絡只能在比較淺的層次上模擬人的智能,如果希望它對人類智能的模擬深度有新的突破,就必須引入新的機制。本文就是嘗試性的將包括語法、語義和語用信息在內的全信息應用于神經網絡,構造了一種全新的模糊神經網絡故障診斷系統,如圖4所示。

圖4 改進的模糊神經網絡框圖

4 結語

故障診斷是一門綜合性發展中的學科,這一學科不斷有新的理論和新的方法注入,是一個富有挑戰性的研究領域,大量的工作還有待開發。故障診斷技術將進入信息社會的各個領域,發揮越來越大的作用,尋找方便快速實用的診斷方法是這一領域的當務之急。本文在這方面作出了嘗試,探求了一種新型故障診斷方法,但其具體應用還有待于進一步研究。

[1]朱大奇,于盛林.基于知識的故障診斷方法綜述[J].安徽工業大學學報,2002,19(3):197～204

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

[3]楊延平.基于模糊神經網絡的采煤機智能故障診斷研究[D].東北大學,2007

[4]李國勇.神經模糊控制理論及應用[M].北京:電子工業出版社,2009

[5]鐘義信.信息科學原理[M].北京:北京郵電大學出版社,2002