论文部分内容阅读
【摘 要】本文通过在液压系统中埋入传感器实时监测系统的运行状态，充分利用模糊理论的信息处理能力和神经网络的自学习、函数逼近能力，进行液压系统状态参数的融合及其故障诊断。通过实例仿真实验发现模糊神经网络在液压系统故障诊断中具有操作简便、可靠性高、自动化程度高等优点。
【关键词】模糊神经网络 液压系统 故障诊断
随着模糊信息处理技术和神经网络技术研究的不断深入，将模糊技术与神经网络技术进行有机结合，从而构造出一种可“自动”处理模糊信息的模糊神经网络或称自适应模糊系统，已引起越来越多的科技工作者的研究兴趣和关注，成为当前一个重要的研究“热点”。[1]
液压系统是一个复杂的机电液综合系统，其故障具有多发性、不确定性和隐蔽性等特点。[2]这些特点使得液压系统故障诊断的难度很大。利用状态监测系统实时监测液压系统的特征信号，并利用模糊神经网络进行模糊信息融合，是当前液压系统故障诊断的一个主要发展方向。
一、模糊神经网络信息融合原理
将模糊集与BP神经网络相结合，构成一模糊神经网络系统，它是将模糊的概念结合在神经网络的各层中，其输入、输出都是具有语义性质的隶属度值。
二、模糊神经网络模型的建立
（一）建立系统模糊集合的数学模型
利用模糊神经网络进行多传感器信息融合及故障诊断中，用一个模糊集合来表示所有可能发生故障的元器件，记为： ， （1）
其中表示元器件故障的隶属度值，为故障原因种类的总数。
同样，用一个集合表示这些故障元器件所引起的各种征兆，记作：
， （2）
式中，表示第类传感器在各元器件处采集的信息，为传感器种类的总数。由于故障征兆是由各元器件故障引起的，其关系且是模糊的，因此在（2）式中要用征兆对各故障元器件的隶属度代替元素，这样所构成的故障征兆模糊向量为：
， （3）
式中表示第i类征兆对各元器件故障的隶属度值。
要将传感器采集的各类信息转换为网络输入的模糊集合还需引进隶属度函数。
， （4）
式中，为系统正常工作时被测元器件的标准参数值；为诊断元器件参数的正常变化范围，即容差；为待诊断元器件参数的极限偏差；为修正系数；为传感器测定被诊断元器件属于故障诊断的隶属度值；为传感器测得的实际数值。
这样就得到了模糊神经网络输入输出的模糊集合：和。
（二）BP神经网络模型的建立
BP（Error Back Propagation Network）是目前应用最为广泛和成功的神经网络之一。BP神经网络是由输入层、输出层和隐含层组成的前向神经网络模型，同层各神经元互不相连，相邻层的神经元通过权连接，具有极强的自学习能力，对于新的故障模式和故障样本可以通过权值的改变进行学习、记忆和存储，进而在以后的运行中能够判断出这些新的故障模式。
三、实例分析
（一）模糊集合的确定
系统输出模糊集合由元器件1（液壓泵）故障、元器件2（调压阀）故障和元器件3（调压阀）故障的隶属度值组成，即，其中表示第个元器件发生故障的隶属度值。
系统输入模糊集合由元器件4（压力传感器）、元器件5（流量传感器）和元器件6（温度传感器）在元器件1、2、3采集的信息的隶属度值组成，即，其中表示第类征兆对元器件1、2、3故障的隶属度值。比如，表示压力对元器件1、2、3故障的隶属度值。
（二）BP神经网络参数的确定
由系统输入输出的模糊集合可以确定系统有3类传感器，3个被诊断元器件。故网络的输入层有9个节点，输出层有3个节点，隐含层神经元数目取为15，其隐含层神经元数目的选取可以依据经验公式： ， （5）
式中取1～10，，分别为输入和输出层节点数。
另外，BP网络融合时，选学习效率为0.01，期望误差为0.00001。
（三）神经网络训练样本
试验时先利用各传感器测出系统正常工作时，各待测元器件附近的标准压力、流量和温度。当液压系统某元器件出现故障时，一般来说元器件附近的压力、流量和温度都会发生变化（升高或降低），因此诊断时再测试出各元器件的新的压力、流量和温度参数值，按前述的隶属度函数计算出各类信号待诊断元器件属于故障的隶属度值。为处理问题方便结合实际可取压力和流量传感器=1，温度传感器=10，=0，。本文通过建立仿真数据来仿真该神经网络的运行情况。将各仿真数据模糊化和归一化处理后得到。
四、结论
本文将模糊集合理论与神经网络相结合，充分利用神经网络的自学习和函数逼近功能，提高模糊系统的自适应能力，改善模糊模型的精度。完成了系统模糊集合和神经网络模型的建立，通过仿真实验发现利用模糊神经网络进行液压系统故障诊断具有操作简便，可靠性高，自动化程度高等优点，无论在理论或实际应用上都具有一定的借鉴价值。
【关键词】模糊神经网络 液压系统 故障诊断
随着模糊信息处理技术和神经网络技术研究的不断深入，将模糊技术与神经网络技术进行有机结合，从而构造出一种可“自动”处理模糊信息的模糊神经网络或称自适应模糊系统，已引起越来越多的科技工作者的研究兴趣和关注，成为当前一个重要的研究“热点”。[1]
液压系统是一个复杂的机电液综合系统，其故障具有多发性、不确定性和隐蔽性等特点。[2]这些特点使得液压系统故障诊断的难度很大。利用状态监测系统实时监测液压系统的特征信号，并利用模糊神经网络进行模糊信息融合，是当前液压系统故障诊断的一个主要发展方向。
一、模糊神经网络信息融合原理
将模糊集与BP神经网络相结合，构成一模糊神经网络系统，它是将模糊的概念结合在神经网络的各层中，其输入、输出都是具有语义性质的隶属度值。
二、模糊神经网络模型的建立
（一）建立系统模糊集合的数学模型
利用模糊神经网络进行多传感器信息融合及故障诊断中，用一个模糊集合来表示所有可能发生故障的元器件，记为： ， （1）
其中表示元器件故障的隶属度值，为故障原因种类的总数。
同样，用一个集合表示这些故障元器件所引起的各种征兆，记作：
， （2）
式中，表示第类传感器在各元器件处采集的信息，为传感器种类的总数。由于故障征兆是由各元器件故障引起的，其关系且是模糊的，因此在（2）式中要用征兆对各故障元器件的隶属度代替元素，这样所构成的故障征兆模糊向量为：
， （3）
式中表示第i类征兆对各元器件故障的隶属度值。
要将传感器采集的各类信息转换为网络输入的模糊集合还需引进隶属度函数。
， （4）
式中，为系统正常工作时被测元器件的标准参数值；为诊断元器件参数的正常变化范围，即容差；为待诊断元器件参数的极限偏差；为修正系数；为传感器测定被诊断元器件属于故障诊断的隶属度值；为传感器测得的实际数值。
这样就得到了模糊神经网络输入输出的模糊集合：和。
（二）BP神经网络模型的建立
BP（Error Back Propagation Network）是目前应用最为广泛和成功的神经网络之一。BP神经网络是由输入层、输出层和隐含层组成的前向神经网络模型，同层各神经元互不相连，相邻层的神经元通过权连接，具有极强的自学习能力，对于新的故障模式和故障样本可以通过权值的改变进行学习、记忆和存储，进而在以后的运行中能够判断出这些新的故障模式。
三、实例分析
（一）模糊集合的确定
系统输出模糊集合由元器件1（液壓泵）故障、元器件2（调压阀）故障和元器件3（调压阀）故障的隶属度值组成，即，其中表示第个元器件发生故障的隶属度值。
系统输入模糊集合由元器件4（压力传感器）、元器件5（流量传感器）和元器件6（温度传感器）在元器件1、2、3采集的信息的隶属度值组成，即，其中表示第类征兆对元器件1、2、3故障的隶属度值。比如，表示压力对元器件1、2、3故障的隶属度值。
（二）BP神经网络参数的确定
由系统输入输出的模糊集合可以确定系统有3类传感器，3个被诊断元器件。故网络的输入层有9个节点，输出层有3个节点，隐含层神经元数目取为15，其隐含层神经元数目的选取可以依据经验公式： ， （5）
式中取1～10，，分别为输入和输出层节点数。
另外，BP网络融合时，选学习效率为0.01，期望误差为0.00001。
（三）神经网络训练样本
试验时先利用各传感器测出系统正常工作时，各待测元器件附近的标准压力、流量和温度。当液压系统某元器件出现故障时，一般来说元器件附近的压力、流量和温度都会发生变化（升高或降低），因此诊断时再测试出各元器件的新的压力、流量和温度参数值，按前述的隶属度函数计算出各类信号待诊断元器件属于故障的隶属度值。为处理问题方便结合实际可取压力和流量传感器=1，温度传感器=10，=0，。本文通过建立仿真数据来仿真该神经网络的运行情况。将各仿真数据模糊化和归一化处理后得到。
四、结论
本文将模糊集合理论与神经网络相结合，充分利用神经网络的自学习和函数逼近功能，提高模糊系统的自适应能力，改善模糊模型的精度。完成了系统模糊集合和神经网络模型的建立，通过仿真实验发现利用模糊神经网络进行液压系统故障诊断具有操作简便，可靠性高，自动化程度高等优点，无论在理论或实际应用上都具有一定的借鉴价值。