基于凸組合算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)觀測(cè)器的故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及神經(jīng)網(wǎng)絡(luò)的故障診斷方法，具體講是設(shè)及一種基于凸組合算法優(yōu)化前 饋神經(jīng)網(wǎng)絡(luò)觀察器的故障診斷方法，其屬于模式識(shí)別技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 故障診斷技術(shù)的發(fā)展主要經(jīng)歷了人工診斷、現(xiàn)代診斷和智能診斷等=個(gè)階段。發(fā) 展至今，故障診斷方法可劃分為基于解析模型的方法、基于信號(hào)處理的方法和基于知識(shí)的 方法等。隨著科技的發(fā)展，系統(tǒng)越來(lái)越復(fù)雜，單純依靠基于數(shù)學(xué)模型的傳統(tǒng)故障診斷方法 已不能滿足設(shè)備的可靠性要求，因此智能故障診斷技術(shù)越來(lái)越得到各領(lǐng)域的高度重視， 尤其是在控制領(lǐng)域內(nèi)，如美國(guó)的控制年會(huì)、IEEE的控制與決策會(huì)議、國(guó)際自動(dòng)控制聯(lián)合會(huì) (IFAC)等，都把智能故障診斷技術(shù)列為重要的討論專題。由于其更適合于現(xiàn)代科技的發(fā)展， 當(dāng)代前沿科學(xué)中的理論和方法也必然滲透到智能故障診斷技術(shù)中，如神經(jīng)網(wǎng)絡(luò)理論和粒子 濾波等。在最近幾年中，各類智能故障診斷方法都得到了快速的發(fā)展，例如基于神經(jīng)網(wǎng)絡(luò)、 神經(jīng)網(wǎng)絡(luò)自適應(yīng)觀測(cè)器W及支持向量機(jī)等診斷技術(shù)。其中神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)用于表達(dá)故障 診斷知識(shí)的連接權(quán)來(lái)實(shí)現(xiàn)故障與征兆之間復(fù)雜的非線性映射關(guān)系。
[0003] 由于具有W下的幾點(diǎn)優(yōu)勢(shì)，近年來(lái)，智能故障診斷方法日益受到故障診斷專家和 學(xué)者的青睞。
[0004] (1)不需要對(duì)象的精確數(shù)學(xué)模型。
[0005] (2)能夠有效地利用診斷專家的知識(shí)和經(jīng)驗(yàn)，匯集眾多專家知識(shí)對(duì)隨機(jī)發(fā)生的故 障進(jìn)行診斷。
[0006] (3)具有診斷專家般的推理能力，自動(dòng)實(shí)現(xiàn)從故障征兆到故障原因的映射。
[0007] (4)具有一定的聯(lián)想能力和抗干擾能力，具備學(xué)習(xí)機(jī)制，能夠從過(guò)去的診斷實(shí)例中 獲取診斷知識(shí)。
[000引 （5)對(duì)診斷結(jié)果具有解釋能力。
[0009] 專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊理論、粗趟集理論、數(shù)據(jù)融合理論、小波理論、故障樹W 及它們相互之間和它們與其它信息處理技術(shù)的融合是人工智能手段的主要表現(xiàn)方法，在診 斷領(lǐng)域中，它們?cè)絹?lái)越受到廣泛的重視。
[0010] (1)專家系統(tǒng)診斷方法；主要由知識(shí)庫(kù)、數(shù)據(jù)庫(kù)、推理機(jī)、解釋器、故障征兆獲取W 及人機(jī)交互等部分組成。主要是在專家知識(shí)庫(kù)、數(shù)據(jù)庫(kù)的基礎(chǔ)上，通過(guò)推理機(jī)綜合利用知識(shí) 庫(kù)中的知識(shí)按照一定的推理方法進(jìn)行故障診斷。專家系統(tǒng)已經(jīng)在航空航天、化工、核工業(yè)等 領(lǐng)域有了實(shí)際應(yīng)用，而且?guī)?lái)了巨大的社會(huì)、經(jīng)濟(jì)效益。
[0011] (2)神經(jīng)網(wǎng)絡(luò)診斷方法；由于神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，能準(zhǔn)確地模 擬復(fù)雜設(shè)備的故障征兆與故障原因之間的關(guān)系，并具有并行處理能力、自學(xué)習(xí)能力和記憶 能力，因而已成功地應(yīng)用于故障診斷領(lǐng)域。基于神經(jīng)網(wǎng)絡(luò)的故障診斷已應(yīng)用于工業(yè)、國(guó)防等 多個(gè)領(lǐng)域。
[0012] (3)模糊診斷方法：故障診斷是通過(guò)研究故障和征兆之間的關(guān)系來(lái)判斷設(shè)備狀態(tài) 的。由于實(shí)際因素的復(fù)雜性，故障與征兆之間很難用精確的數(shù)學(xué)模型來(lái)表示，不能用"有"和 "無(wú)"簡(jiǎn)單表示，而要求給出故障產(chǎn)生的可能性、故障位置和程度。此類問題用模糊邏輯能較 好的解決。模糊邏輯診斷方法能夠克服由于過(guò)程本身的不確定性、不精確性W及噪聲等所 帶來(lái)的困難，而且計(jì)算簡(jiǎn)單、應(yīng)用方便，因而在處理復(fù)雜系統(tǒng)的大時(shí)滯、時(shí)變及非線性方面， 顯示出其優(yōu)越性。模糊邏輯在故障診斷中的應(yīng)用大多是與其他方法結(jié)合使用的，如模糊神 經(jīng)網(wǎng)絡(luò)、模糊專家系統(tǒng)等。
[0013] (4)粗趟集診斷方法：粗趟集理論是基于不可分辨性的思想和知識(shí)簡(jiǎn)化的方法， 在保持分類能力不變的前提下，通過(guò)知識(shí)約簡(jiǎn)，從數(shù)據(jù)中推理邏輯規(guī)則作為知識(shí)系統(tǒng)的模 型。它在分類的意義下定義了模糊性和不確定性的概念。利用粗趟集理論對(duì)系統(tǒng)進(jìn)行故障 診斷決策表進(jìn)行約簡(jiǎn)處理，解釋系統(tǒng)各種故障表征內(nèi)在的冗余性，為系統(tǒng)故障診斷提供了 新的有效途徑。
[0014] (5)信息融合故障診斷方法；信息融合技術(shù)是利用多源信息，W獲得對(duì)同一事物 或目標(biāo)的更客觀、更本質(zhì)認(rèn)識(shí)的信息綜合處理技術(shù)。它是指利用多傳感器等手段采集并集 成各種信息源、多媒體和多格式信息，比如電信號(hào)、溫度、圖像、電磁福射等信息，從而生成 完整、準(zhǔn)確、及時(shí)和有效的綜合信息，再根據(jù)一定的判斷規(guī)則進(jìn)行故障診斷。信息融合技術(shù) 目前在軍事領(lǐng)域中已有廣泛的應(yīng)用。目前，數(shù)據(jù)融合故障診斷方法主要有Bayes推理、D-S 證據(jù)推理及神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合等。
[0015] 近年來(lái)，雖然智能故障診斷算法進(jìn)展快速，很多智能方法被提出，但依然存在一些 問題：
[0016] (1)知識(shí)庫(kù)龐大。目前智能故障診斷系統(tǒng)大多采用產(chǎn)生式規(guī)則來(lái)表示專家的經(jīng)驗(yàn) 知識(shí)，為了使診斷系統(tǒng)達(dá)到高效、實(shí)用的目標(biāo)，必然需要大量的專家知識(shí)組成龐大的知識(shí)規(guī) 則庫(kù)。越是大型設(shè)備的診斷系統(tǒng)，相應(yīng)的知識(shí)庫(kù)就越龐大，該給知識(shí)庫(kù)的整理、知識(shí)規(guī)則的 調(diào)用帶來(lái)不利影響。
[0017] (2)深、淺知識(shí)結(jié)合能力差。在具體的智能診斷系統(tǒng)中，在實(shí)現(xiàn)某領(lǐng)域的基本原理 和專家知識(shí)相結(jié)合時(shí)能力較差。一些深淺知識(shí)在相容性方面不夠好，難W在同一知識(shí)庫(kù)中 實(shí)現(xiàn)統(tǒng)一。
[001引 （3)系統(tǒng)更新能力差。系統(tǒng)在自動(dòng)獲取知識(shí)方面表現(xiàn)的能力還比較差，雖然加入了 一些機(jī)器自學(xué)習(xí)的功能，但是很難在運(yùn)行中發(fā)現(xiàn)和創(chuàng)造知識(shí)。神經(jīng)網(wǎng)絡(luò)雖然能夠緩解該個(gè) 矛盾，但是要求有大量的訓(xùn)練樣本難W獲得，而且隨著診斷對(duì)象的升級(jí)，整個(gè)神經(jīng)網(wǎng)絡(luò)理論 上要重新訓(xùn)練。
[0019] (4)故障樣本難W獲取。隨著自動(dòng)化水平的提高及計(jì)算機(jī)的飛速發(fā)展，對(duì)于大多數(shù) 設(shè)備來(lái)說(shuō)，大量的反映設(shè)備運(yùn)行狀態(tài)正常的數(shù)據(jù)容易獲取，而故障數(shù)據(jù)的獲取比較困難。

【發(fā)明內(nèi)容】

[0020] 本發(fā)明的目的在于提供一種基于凸組合算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)觀測(cè)器的故障診 斷方法，W解決前饋神經(jīng)網(wǎng)絡(luò)故障診斷方法中計(jì)算復(fù)雜等問題，該方法通過(guò)對(duì)網(wǎng)絡(luò)參數(shù)的 解禪與迭代得到所需權(quán)值，過(guò)程中沒有引入導(dǎo)數(shù)的計(jì)算，從而大大簡(jiǎn)化了網(wǎng)絡(luò)的計(jì)算，提高 了計(jì)算效率，為提供檢測(cè)效率及精確度提供了新方法。
[0021] 為實(shí)現(xiàn)上述目的，本發(fā)明提供的基于凸組合算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)觀測(cè)器的故障 診斷方法，主要步驟如下：
[0022] 1)、選取樣本系統(tǒng)的樣本輸入和樣本輸出；
[0023] 2)、將樣本系統(tǒng)的樣本輸入輸入前饋神經(jīng)網(wǎng)絡(luò)觀測(cè)器得到估計(jì)輸出；
[0024] 3)、根據(jù)估計(jì)輸出和實(shí)際輸出得到估計(jì)輸出殘差為：
[0025] e,.(〇 二 束(0
[0026] 式中，y(t)表不樣本輸出，y(。表不估計(jì)輸出；
[0027] 設(shè)誤差估計(jì)函數(shù)為 [002引
【主權(quán)項(xiàng)】
1. 基于凸組合算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)觀測(cè)器的故障診斷方法，其是在樣本系統(tǒng)數(shù)學(xué)模 型建立的基礎(chǔ)上進(jìn)行的，其特征在于：其過(guò)程如下： 1) 、選取樣本系統(tǒng)的樣本輸入和樣本輸出； 2) 、將樣本系統(tǒng)的樣本輸入輸入前饋神經(jīng)網(wǎng)絡(luò)觀測(cè)器得到估計(jì)輸出； 3) 、根據(jù)估計(jì)輸出和實(shí)際輸出得到估計(jì)輸出殘差為：
式中，y(t)表示樣本輸出，表示估計(jì)輸出； 設(shè)誤差估計(jì)函數(shù)為
式中，U為加權(quán)對(duì)角矩陣；其故障檢測(cè)規(guī)則為：
其中，T為故障檢測(cè)的閾值。
2. 根據(jù)權(quán)利要求1所述的基于凸組合算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)的故障診斷方法，其特 征在于：所述前饋神經(jīng)網(wǎng)絡(luò)觀測(cè)器為基于凸組合算法優(yōu)化神經(jīng)網(wǎng)絡(luò)觀測(cè)器，其優(yōu)化過(guò)程如 下： 1) 、構(gòu)成構(gòu)建單隱藏層前饋神經(jīng)網(wǎng)絡(luò)； (1) 、獲取η個(gè)非線性系統(tǒng)故障樣本的輸入和輸出；根據(jù)輸入值輸出值選擇隱藏層神經(jīng) 元數(shù)h ; (2) 、初始化聚類中心及權(quán)值矩陣（Vtl+, Wci)，從系統(tǒng)故障樣本中選擇h個(gè)取值不同樣本 為初始聚類中心； (3) 、計(jì)算η個(gè)樣本輸入與初始聚類中心的距離，其公式為： Xi-Cj I I = (Xi-Cj)T (Xi-Cj), i = I, 2,. . . , n, j = I, 2,. . . , h ； 式中：Xi表示樣本輸入，(^表示初始聚類中心； (4) 、利用模糊C均值聚類確定聚類中心，完成單隱藏層前饋神經(jīng)網(wǎng)絡(luò)； 2) 、采用凸組合算法優(yōu)化單隱藏層前饋神經(jīng)網(wǎng)絡(luò)； (1)、定義誤差函數(shù)E為：
式中，V+為權(quán)值矩陣V的偽逆，W = [wu]pXn為輸入層到隱藏層的權(quán)值矩陣，Cli表示期 望輸出，匕為單隱藏層前饋神經(jīng)網(wǎng)絡(luò)的基函數(shù)； 為了找到合適的V'Wi使得E (V'W#) = 0,求誤差函數(shù)對(duì)權(quán)值矩陣的偏導(dǎo)數(shù)
令從/f丨71 =O，可得 V+*= HDt (DDt) 式中，H = [h" h2,…，hn] pXn? D - [di，d2，...，dn]mXn; (2)對(duì)于樣本輸入與期望輸出（Xpdi)及任意初始聚類中心和權(quán)值矩陣（Vc^Wci), X為 輸入向量矩陣，則 定義
Zk=Vk+D 式中，k為迭代次數(shù)； 則 Z〇=V0+D 若Ztl= H ^，則誤差為0 ; 否則，按下式調(diào)整權(quán)值矩陣后重復(fù)步驟2);
式中，0 < α，β < 1。
3.根據(jù)權(quán)利要求1所述的基于凸組合算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)的故障診斷方法，其特征 在于：所述利用模糊C均值FCM聚類確定聚類中心為：把η個(gè)向量XiQ = 1，2, ···，]!)分為 c個(gè)模糊組，求每組的聚類中心，使得非相似性指標(biāo)的價(jià)值函數(shù)達(dá)到最?。籉CM用模糊劃分， 使得每個(gè)給定數(shù)據(jù)點(diǎn)用值在[〇，1]區(qū)間的隸屬度來(lái)確定其屬于各個(gè)組的程度；其具體過(guò)程 如下： (1) 數(shù)據(jù)歸一化，將樣本數(shù)據(jù)歸一化到[〇，1]; (2) 用值在[0, 1]間的隨機(jī)數(shù)初始化隸屬矩陣U ; (3) 計(jì)算聚類中心Cj，j = 1，…，h ; (4) 計(jì)算價(jià)值函數(shù)。如果它小于某個(gè)確定的閥值，或它相對(duì)上次價(jià)值函數(shù)值的改變量小 于某個(gè)閥值，則算法停止； (5) 計(jì)算新的U矩陣，返回步驟（2)。
【專利摘要】本發(fā)明提出了一種基于凸組合算法優(yōu)化單隱層前饋神經(jīng)網(wǎng)絡(luò)的故障診斷與檢測(cè)方法，用于智能故障診斷。該方法利用凸組合算法對(duì)單隱藏層前向神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化，通過(guò)迭代來(lái)更新權(quán)值以調(diào)整隱藏層的信息。同時(shí)引入了一個(gè)新的誤差函數(shù)來(lái)評(píng)價(jià)誤差性能，該函數(shù)通過(guò)對(duì)權(quán)值進(jìn)行解耦來(lái)求解優(yōu)化參數(shù)，提高了參數(shù)的計(jì)算速度，同時(shí)建立該神經(jīng)網(wǎng)絡(luò)狀態(tài)觀測(cè)器，對(duì)工程中抽象出來(lái)的非線性系統(tǒng)進(jìn)行觀測(cè)，并利用這個(gè)狀態(tài)觀測(cè)器的輸出值，進(jìn)行下一步的系統(tǒng)輸出預(yù)報(bào)，從而便可實(shí)現(xiàn)系統(tǒng)的故障診斷與檢測(cè)。
【IPC分類】G06N3-02
【公開號(hào)】CN104537417
【申請(qǐng)?zhí)枴緾N201410740495
【發(fā)明人】聞新, 張興旺
【申請(qǐng)人】沈陽(yáng)航空航天大學(xué)
【公開日】2015年4月22日
【申請(qǐng)日】2014年12月5日