基于模糊神經(jīng)網(wǎng)絡的伺服驅(qū)動系統(tǒng)故障診斷模型

沈凱

摘要：利用神經(jīng)網(wǎng)絡的自學習能力和聯(lián)想能力；模糊邏輯模擬人腦的思維，以及具有較強的解釋能力，建立基于模糊神經(jīng)網(wǎng)絡的針對伺服驅(qū)動系統(tǒng)的故障診斷模型。介紹了模糊神經(jīng)網(wǎng)絡的原理及結(jié)構(gòu)，并通過Matlab訓練網(wǎng)絡模型，仿真結(jié)果表明該方法在伺服驅(qū)動系統(tǒng)的故障診斷中具有很好的決策力。

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡；伺服驅(qū)動系統(tǒng)；故障診斷

0 引言

現(xiàn)代伺服驅(qū)動系統(tǒng)采用最新的電力電子技術(shù)及數(shù)控技術(shù)，呈現(xiàn)出高度自動化、信息化、系統(tǒng)化和智能化的發(fā)展趨勢。由于運行中的各種客觀條件或人為因素，伺服驅(qū)動系統(tǒng)出現(xiàn)故障的可能性是不可避免的。在眾多故障診斷方法中，人工智能技術(shù)在現(xiàn)代伺服驅(qū)動系統(tǒng)的故障診斷中發(fā)揮巨大作用。其中，模糊神經(jīng)網(wǎng)絡具有很強的非線性處理能力，本文提出利用模糊神經(jīng)網(wǎng)絡技術(shù)來建立針對伺服驅(qū)動系統(tǒng)的故障診斷模型。

1 模糊神經(jīng)網(wǎng)絡的原理及結(jié)構(gòu)

1.1 模糊神經(jīng)網(wǎng)絡的原理

模糊神經(jīng)網(wǎng)絡是模糊邏輯和人工智能神經(jīng)網(wǎng)絡有機結(jié)合的產(chǎn)物，它是一種集模糊邏輯推理的強大結(jié)構(gòu)性、知識表達能力和神經(jīng)網(wǎng)絡的強大自學習能力于一體的新技術(shù)，由精確輸入、模糊化、模糊規(guī)則庫、推理機制、清晰化、精確輸出組成。模糊化將輸入空間向量中精確的點映射成模糊集合。模糊規(guī)則庫是由if-then規(guī)則集合所組成。推理機制即使用編制完成的模糊if-then規(guī)則將模糊輸入集合映射到模糊輸出集合。清晰化是把模糊輸出集合映射成精確輸出集合。

1.2 模糊神經(jīng)網(wǎng)絡的結(jié)構(gòu)

本文所采用模糊神經(jīng)網(wǎng)絡是一個五層網(wǎng)絡，分別為輸入層、模糊化層、BP隱含層、模糊輸出層和清晰化層。輸入層節(jié)點數(shù)為故障征兆數(shù)；模糊輸入層通過隸屬度函數(shù)實現(xiàn)故障征兆轉(zhuǎn)為以此隸屬度表示的模糊向量；BP隱含層實現(xiàn)BP輸入層到輸出層的映射；模糊輸出層輸出模糊化數(shù)值，任一節(jié)點代表一種故障原因，其值代表故障原因存在可能性的程度；清晰化層根據(jù)隸屬度最終確定故障原因。

2 BP神經(jīng)網(wǎng)絡隱含層節(jié)點數(shù)的確立

BP神經(jīng)網(wǎng)絡的隱含層節(jié)點數(shù)對BP神經(jīng)網(wǎng)絡預測精度有較大的影響：節(jié)點數(shù)太少，網(wǎng)絡不能很好地學習，需要增加訓練次數(shù)，訓練的精度也受影響；節(jié)點數(shù)太多，訓練時間增加，網(wǎng)絡容易過擬合。經(jīng)驗公式如下：

l

l<√（m+n）+a （2）

l=√（m﹒n） （3）

l=log2n （4）

式中：l代表隱含層神經(jīng)元個數(shù)；n代表輸入層節(jié)點數(shù)；m代表輸出層點數(shù)； a為0-10之間的常數(shù)。

3 模糊隸屬度函數(shù)

伺服驅(qū)動系統(tǒng)是一個非常復雜的綜合性系統(tǒng)，包含以下幾個子系統(tǒng)：總線通信；交流進線端；DC Bus；逆變輸出；內(nèi)部溫度檢測；伺服電機編碼反饋；帶抱閘伺服電機松閘檢測等。本文以奧地利貝加萊B&R公司的ACOPOS驅(qū)動器為案例，以上文列舉幾大子系統(tǒng)的常見故障，并結(jié)合外部接線常見錯誤和個別典型性故障作為研究對象，來建立對伺服驅(qū)動系統(tǒng)的模糊神經(jīng)網(wǎng)絡故障診斷模型。現(xiàn)代伺服驅(qū)動系統(tǒng)在發(fā)生故障時，往往能夠過人機操作界面或系統(tǒng)自帶的顯示面板輸出故障代碼，貝加萊公司的ACOPOS驅(qū)動系統(tǒng)同樣可以做到這點，故障代碼就是最好的故障征兆。伺服驅(qū)動系統(tǒng)的一種故障征兆可能是由多種故障原因造成的，而同一種故障原因可能引起多種故障征兆的出現(xiàn)，故障征兆和故障原因之間往往是n對m的一種復雜映射關(guān)系。想要根據(jù)故障征兆來判斷出哪些原因可能引起故障，并確立多種故障原因的可能性高低，需由預先設定模糊隸屬度函數(shù)來確定故障征兆與故障原因之間的隸屬度。伺服驅(qū)動系統(tǒng)的故障原因?qū)收险髡棕暙I大小，即隸屬度。

4 模糊神經(jīng)網(wǎng)絡模型的建立、訓練及其仿真

4.1 模糊神經(jīng)網(wǎng)絡模型的建立

4.1.1故障隸屬度分布

根據(jù)傳感器測量值與正常值比較和專家經(jīng)驗獲得貝加萊伺服驅(qū)動系統(tǒng)的故障隸屬度分布，共71條故障征兆，86條故障原因。

4.1.2故障征兆訓練樣本

該樣本是一個由71x71組成的矩陣：

4.1.3故障原因訓練樣本

該樣本是一個由86x71組成的矩陣：

4.2 模糊神經(jīng)網(wǎng)絡模型的訓練

使用Matlab R2014a的神經(jīng)網(wǎng)絡工具箱nnstart功能對模糊神經(jīng)網(wǎng)絡模型進行訓練。輸入層神經(jīng)元個數(shù)71個，使用經(jīng)驗公式（3）確定隱含層神經(jīng)元個數(shù)80個，輸出層神經(jīng)元個數(shù)86個。選用nnstart工具箱中的Fitting app方式訓練。經(jīng)過多次訓練得到最佳訓練效果，誤差曲線如圖。

4.3 模糊神經(jīng)網(wǎng)絡模型的仿真

基于模糊神經(jīng)網(wǎng)絡的伺服驅(qū)動系統(tǒng)故障診斷模型訓練完畢后，應采用適當?shù)臋z驗樣本對其進行仿真。選取貝加萊伺服驅(qū)動系統(tǒng)常見的3組故障征兆作為FNN的檢驗樣本。故障征兆X001 32189：CAN總線或powerlink網(wǎng)絡循環(huán)數(shù)據(jù)超時；X037 6019：驅(qū)動器輸出過流；X061 41031：驅(qū)動器輸出IGBT結(jié)節(jié)溫度模型過高警報。表2、表3和表4為基于模糊神經(jīng)網(wǎng)絡的伺服驅(qū)動系統(tǒng)故障診斷模型的仿真結(jié)果。三張表分別對應故障征兆X001、X037和X061的期望輸出、模糊神經(jīng)網(wǎng)絡模型的實際輸出和歸一化輸出的比較。從三張表可以看出，模糊神經(jīng)網(wǎng)絡模型的實際輸出在歸一化處理后與期望輸出基本相符，說明模糊神經(jīng)網(wǎng)絡模型能夠正確對貝加萊伺服驅(qū)動系統(tǒng)進行故障診斷，在故障診斷中具有很好的決策能力。

5 結(jié)束語

運用模糊神經(jīng)網(wǎng)絡的基本知識，充分發(fā)揮模糊邏輯模擬人腦的思維，以及具有較強的解釋能力；神經(jīng)網(wǎng)絡的自學習能力和聯(lián)想能力，將兩者以合理的方式融合，形成混合神經(jīng)網(wǎng)絡模型，建立了一個針對貝加萊伺服驅(qū)動系統(tǒng)的模糊神經(jīng)網(wǎng)絡故障診斷模型。