CN105528637B - 基于线性内插型模糊神经网络的诊断方法 - Google Patents

Abstract

本发明涉及一种基于线性内插型模糊神经网络的诊断方法。具体包括以下步骤：采用可能性理论和Dempster & Shafer证据理论信息融合得出神经网络的学习知识来训练BP神经网络。将sigmoid激活函数线性化，预测设备故障状态的可能性来判断设备处于哪种故障状态。该方法有效解决了模糊特征参量与设备故障类型之间的关系。

Description

基于线性内插型模糊神经网络的诊断方法

技术领域

本发明涉及一种基于线性内插型模糊神经网络的诊断方法，涉及机械设备在线监测和故障诊断技术领域。

背景技术

在实际设备监测与故障诊断过程中，往往只是对设备运行状态信息中的某一种信息进行观测和分析，从中提取有关设备运行状态的征兆信息。我们所提取的任何一种诊断信息都是模糊的、不确定的，所以在诊断时单用一方面信息来反映其状态行为是不完整的。引入适用于故障诊断领域的信息融合技术，来充分挖掘信息的内涵，并对多诊断信息进行有效地融合利用，从而提高故障诊断的准确性、有效性和可靠性。

BP神经网络在它以高度的并行分布式处理能力、联想记忆、自组织能力、自学习能力和极强的非线性映射能力，在众多的领域中显示出了广阔的应用前景。但是在学习知识模糊时，神经网络训练很难收敛，精度也不高。

发明内容

针对上述现有技术存在的不足，本发明提供一种基于线性内插型模糊神经网络的诊断方法，该诊断方法能有效诊断和识别模糊特征参数和故障类型之间的关系。使用的算法具有收敛性且精度高。

发明的技术方案是：

一种基于线性内插型模糊神经网络的诊断方法，包括以下步骤：

1、获取算法学习知识。

和σ分别是特征值P_i的均值和标准方差，其中

根据可能性分布函数可以求出特征值反映设备某种状态的可能性：

然后再用Dempster&Shafer证据理论将不同特征参量下的设备各种状态的可能性进行组合，可以得到组合可能性，如下式所示：

设备某状态下的组合可能性为：

其中和分别是状态A_m和状态A_k下的可能性，S是一种状态，是空集。

得到的特征参量P_i和其对应设备状态的可能性为神经网络的学习知识。

2、将上一步骤得到的学习知识作为样本来训练BP神经网络。

BP神经网络属于误差逆传播算法，包括输入层，隐含层，输出层。以特征参量作为输入向量X，n为输入层单元个数，w为输入层到隐含层的权值，p为隐含层单元个数，设备状态的可能性作为输出向量Y，v为隐含层到输出层的权值，q输出层单元个数。

采用梯度下降法来调整权值，输出层的校正误差为：d_k＝(o_k-y_k)y_k(1-y_k)，其中o_k为训练样本的希望输出。隐含层各单元的校正误差为：对于输出层至隐含层的权值校正量为：Δv_kj＝α·d_k·b_j，隐含层至输入层的权值校正量为：Δw_ji＝β·e_j·x_i，其中α，β为学习系数。

3、将实际特征参量输入线性内插型模糊神经网络预测设备的状态。

当第二步训练结束后，算法收敛于激活函数。将sigmoid激活函数线性化(如图1)，当特征参量输入到第一层后，第m+1层上第v个神经元上的预测值由下式求出：

其中：N_m表示神经网络第m层的神经元的个数。表示第一层第u个神经元的输入值。表示第m+1层第v个神经元的值。表示第m层第u个神经元和第m+1层第v个神经元之间的权值。

将特征参量输入到线性内插模糊神经网络后，得出设备状态的可能性，判断出设备处于某种状态。

本发明的效益是：本发明提供一种基于线性内插型模糊神经网络的诊断方法，解决了模糊特征参量和设备故障类型之间的关系，提高了算法的收敛性和精度。

附图说明

图1 sigmoid激活函数线性化函数图

图2线性内插型模糊神经网络的插值图

图3线性内插型模糊神经网络诊断滚动轴承流程图

具体实施方式

如图3所示，以滚动轴承的故障诊断为例对本发明所提出的技术路线作进一步的解释和说明。滚动轴承的故障类型一般有内外圈故障和滚动体故障，具体的实施过程如下：

1、通过多信息融合获取算法学习知识。

和σ分别是特征值P_i的均值和标准方差，其中

特征值P_i下的状态1和状态2的可能性分布函数为μ₁(p_i)和μ₂(p_i)，那么其他未知状态的可能性分布函数为μ_un(p_i)＝max{0，1-[μ₁(p_i)+μ₂(p_i)]}。

有了可能性分布函数我们就可以求出其可能性：

w₁、w₂、w_un表示状态1、状态2和其他未知状态的可能性，并且w₁+w₂+w_un＝1。

分三步检测两个特征参数各自反映滚动轴承内轮伤，外轮伤，滚动体的可能性如下所示：

第一步：W₁(N)，W₁(B)，W₁(U)；W₅(N)，W₅(B)，W₅(U)；

第二步：W₁(O)，W₁(IR)，W₁(U)；W₅(O)，W₅(IR)，W₅(U)；

第三步：W₁(I)，W₁(R)，W₁(U)；W₂(I)，W₂(R)，W₂(U)。

其中：N表示正常状态，B表示轴承有缺陷，U表示未知状态，O表示外轮伤，IR表示滚动体伤。

再用Dempster&Shafer理论将每步两个特征参数下的三种状态的可能性进行组合，可以得到组合可能性。

第一步如下所示：

第二步如下所示：

第三步如下所示：

2、将上一步骤得到的学习知识作为样本来训练BP神经网络。

分别把第一步中的特征参数P₁，P₅和可能性W(N)，W(B)，W(U)；第二步中的特征参数P₁，P₅和可能性W(O)，W(IR)，W(U)；第三步中的特征参数P₁，P₂和可能性W(I)，W(R)，W(U)代入算法进行学习。

BP神经网络属于误差逆传播算法，包括输入层，隐含层，输出层。以特征参量作为输入向量X，n为输入层单元个数，w为输入层到隐含层的权值，p为隐含层单元个数，设备状态的可能性作为输出向量Y，v为隐含层到输出层的权值，q输出层单元个数。

采用sigmoid函数作为激活函数那么隐含层j单元的输出值为：同理计算出输出层第k个单元的输出值：

采用梯度下降法来调整权值，输出层的校正误差为：d_k＝(o_k-y_k)y_k(1-y_k)，其中o_k为训练样本的希望输出。隐含层各单元的校正误差为：对于输出层至隐含层的权值校正量为：Δv_kj＝α·d_k·b_j，隐含层至输入层的权值校正量为：Δw_ji＝β·e_j·x_i，其中α，β为学习系数。

3、将实际特征参量输入线性内插模糊神经网络预测设备的状态。

当第二步训练结束后，算法收敛于激活函数。将sigmoid激活函数线性化，当特征参量输入到第一层后，第m+1层上第v个神经元上的预测值由下式求出：

其中：N_m表示神经网络第m层的神经元的个数。表示第一层第u个神经元的输入值。表示第m+1层第v个神经元的值。表示第m层第u个神经元和第m+1层第v个神经元之间的权值。

将特征参量输入到线性内插模糊神经网络后，得出设备状态的可能性P_e(如图2)，判断出设备处于某种状态。

以上是对本发明方法进行了具体说明，但本发明并不限于所述实施例，对于故障诊断都适用。

Claims (1)

1.一种基于线性内插型模糊神经网络的诊断方法，其特征在于：包括以下步骤：

一、获取算法学习知识

首先，从特征值的概率密度函数中求得特征值P_i的可能性分布函数

和σ分别是特征值P_i的均值和标准方差，其中

根据可能性分布函数可以求出特征值反映设备某种状态的可能性：

最后再用Dempster&Shafer证据理论将不同特征参量下的设备各种状态的可能性进行组合，可以得到组合可能性，如下式所示：

设备某状态下的组合可能性为：

其中和分别是状态A_m和状态A_k下的可能性，S是一种状态，是空集

二、得到的特征参量P_i和其对应设备状态的可能性为神经网络的学习知识

将上一步骤得到的学习知识作为样本来训练BP神经网络

BP神经网络属于误差逆传播算法，包括输入层，隐含层，输出层。以特征参量作为输入向量X，n为输入层单元个数，w为输入层到隐含层的权值，p为隐含层单元个数，设备状态的可能性作为输出向量Y，v为隐含层到输出层的权值，q输出层单元个数

采用sigmoid函数作为激活函数那么隐含层j单元的输出值为： 同理计算出输出层第k个单元的输出值：

采用梯度下降法来调整权值，输出层的校正误差为：d_k＝(o_k-y_k)y_k(1-y_k),其中o_k为训练样本的希望输出，隐含层各单元的校正误差为：对于输出层至隐含层的权值校正量为：Δv_kj＝α·d_k·b_j，隐含层至输入层的权值校正量为：Δw_ji＝β·e_j·x_i，其中α，β为学习系数

三、将实际特征参量输入线性内插型模糊神经网络预测设备的状态

当第二步训练结束后，算法收敛于激活函数，将sigmoid激活函数线性化，当特征参量输入到第一层后，第m+1层上第v个神经元上的预测值由下式求出：

其中：N_m表示神经网络第m层的神经元的个数，表示第一层第u个神经元的输入值，表示第m+1层第V个神经元的值，表示第m层第u个神经元和第m+1层第v个神经元之间的权值

将特征参量输入到线性内插型模糊神经网络后，得出设备状态的可能性，判断出设备处于某种状态。