地址：江苏省如皋市白蒲镇前进工业园区
电话：本站出售中
Email：atm@siteatm.com
联系人：沈先生
手机： 13646285454 |
| |
|
|
|
基于模糊神经网络的液压机液压故障诊断系统
|
| 发布时间：
2018/6/8 18:02:29 |
1．概述
液压机作业环境与工况恶劣，负载变化大，液压系统时常发生故障。液压机液压系统故障的产生并非单一因素的作用，而是多种因素共同作用的结果。这些因素包括具体的作业过程参数设定等，在每次作业和作业的每个环节中，其变化是不可预知的，因此在液压过程中液压机产生故障的原因具有不确定性。同时，机嚣发生故障时所表现出的征兆也可能处于轻微到严重之间的某一状态，很难通过物理特征量对故障征兆及其表现程度进行精确的描述。由于影响因素的不确定性，以及各因素间关系的复杂性，故障征兆和原因之间的关系难以确定。模糊技术和神经网络技术由于自身独特的优点被广泛应用于故障诊断领域。基于此，提出了一种基于模糊神经网络的智能专家系统模型。对液压机液压系统故障分析诊断过程中确定性的知识采用传统的知识处理方式，即基于规捌的形式表示和推理；而对其中不确定的、模糊的知识采用模糊神经网络来进行处理。在问题求解过程中，针对不同的推理阶段采取相应的推理方法，充分发挥两种推理方法的优势，弥补各自存在的不足，从而最大限度地找到问题的解，达到提高分析诊断的效率和准确率的目的。
2．系统结构
1)整体结构
系统主要由以下部分组成：人机交互界面、解释模块、推理机、神经网络学习模块、动态综合数据库、知识库和知识数据库管理模块等。系统整体结构如图1所示。
图1系统整体结构
2)人机交互界面
用户、知识工程师和领域专家通过人机交互界面与系统进行交流。
知识工程师通过它可以对神经网络学习模块、神经网络结构知识库、样本知识库等进行调整管理、维护更新。用户通过它提出问题并最终得到答案。
3)解释模块
解释模块是系统和用户(包括知识工程师和领域专家)之间沟通的桥梁。它负责将用户输入的故障征兆以及其他相关信息转化为系统能够识别的信息，以及将系统最后的输出结果(包括故障产生的原因、可信度和相应的解决方案)转化为用户能够理解的信息。
4)推理机
推理机使用系统已经具备的知识，结合动态综合数据库中包含的液压过程的具体设定参数信息进行推理，得出产生故障征兆的原因、可信度和解决方案。本系统的推理机包括神经网络推理模块和基于规则的推理模块两部分，如图2所示。“故障征兆”与“原因”之间使用神经网络推理模块，“故障原因”与“解决方案”之间使用基于规则的推理模块。
神经网络学习模块研究如何获取专家知识。学习模块提出所需神经网络的结构(包括网络层数，输入、输出和隐层节点个数)、组织待训练的学习样本、使用的神经网络学习算法等。通过对样本的学习，得到所需权值分布，从而完成知识获取。本系统针对液压机故障分析诊断的实际，采取模糊逻辑和神经网络结合的方法实现模糊神经网络，并运用BP算法实现液压机故障分析诊断知识向知识库中的转化。
6)知识库
本系统中包括样本知识库、神经网络结构知识库、故障描述知识库、产生原因知识库、解决方案知识库、各系统工作特性知识库和历史记录知识库，分别存放相应的知识。知识库是整个系统具有优越性能的基础。在本系统中，通过查阅大量文献以及结合液压机实际液压过程，总结液压机工作过程中常见的故障征兆、产生的原因和解决方案，并在此基础上确定神经网络的输入节点数、隐层节点数和输出节点数，归纳总结适合神经网络学习的样本。
7)知识数据库管理模块
知识数据库管理模块具有完善的数据库操作功能，能够实现对知识库的更新、维护和管理功能。本系统通过知识数据库管理模块，能够实现神经网络样本库及系统其他知识库的查询、添加、删除和修改等功能。
8)动态综合数据库
本系统中动态综合数据库主要存放所有与液压机故障相关的信息，包括液压机工作过程中各系统的状态信息，以及用户对液压机产生故障的语义描述。在系统推理过程中，动态综合数据库可以为推理机提供液压机产生故障时的相关信息，从而能够使系统的推理更加贴合液压机的工作实际，使推理结果更加精确。
9)故障分析诊断模块
在神经网络完成构建并经过对学习样本的学习后，系统具备了分析诊断能力，故障分析诊断模块能够针对用户的输入，通过神经网络的前向计算和规则推理，得出产生故障的原因和相应的解决方案。
本系统的工作过程可以分为两个部分：
①由“故障征兆”通过推理，得出所有可能的“故障产生原因”；
②在所有可能原因的范围内，根据神经网络推理结果，结合动态综合数据库中的信息，推理出符合液压机实际作业过程的故障成因，并由此结果推理“解决方案”。第一部分主要由模糊神经网络来完成推理，第二部分则依靠基于规则的推理。
3．神经网络推理模块
模糊BP神经网络是在BP神经网络中引入模糊逻辑，使其具有直接处理模糊信息的能力。它有多种形式，其中的一种形式是在一般BP神经网络的基础上构造模糊BP神经网络，即在一般BP神经网络的输入层之前和输出层之后分别加了一层模糊化层，其结构如图3所示。
本系统以一般BP神经网络为基础，结合液压机液压系统故障分析诊断的实际情况，构建了模糊BP神经网络模型，其输入、输出层都采用模糊量。整个网络由5层组成，分别为模糊化层、量化输入层、隐含层、量化输出层和去模糊化层，网络模型的结构如图4所示。
第2层 第3屡 第4屡
一般BP神经网络
图3模糊BP神经网络的一般结构 图4模糊BP神经网络模型结构
第1层：模糊化层。这一层主要是对用户输入的缺陷征兆表现程度进行模糊量化处理，通过对液压机故障表现程度的分析，确定描述故障的语义量词为“非常严重”、“很严重”、“比较严重”、“一般”、“轻微”、“无”6个，分别用隶属度1、0．8、0．6、0．4、0．2、0作为对应征兆表现程度的模糊化量值。
第2层～第4层：对应于一般BP神经网络中的输入层、隐层和输出层。
第5层：去模糊化层。主要对神经网络第4层的输出值进行去模糊化处理。例如，可以采用如下的去模糊化原则，设OutLayerl为第4层的输出值，OutLayer2为第5层的输出值，即
f确定原因，OutLayerl大于等于0.8 OutLayer2
k可能原因，0.5小于等于OutLayerl小于0.8
l排除原因，OutLayerl小于0.5
系统神经网络推理模块能够给出所有可能原因的可信度值，而在实际作业过程中要求能够给出确定的原因，因此系统根据神经网络推理结果，结合实际作业参数，重新对神经网络的推理结果进行基于规则的精确推理，给出最终输出的可信度值，系统的去模糊化正是在此基础上进行的。
系统在给出以上去模糊化处理后的结果的同时，给出具体的原因，并按其隶属度进行排序。同时，具体的隶属度值将作为后续推理模块中的输入值，进行“故障原因—解决方案”的推理。
对于模糊化BP神经网络的训练主要是对第2、3、4层构成的网络(即传统意义上的BP神经网络)进行训练。
4．规则推理模块
规则推理主要包括两个部分：一是通过对神经网络推理结果进行分析，找出符合实际作业过程的故障产生原因；二是由此推理结果找出解决方案。
在系统的实现中，由于神经网络的推理结果是这一部分推理的前提，因此在总结相关知识的基础上建立若干条规则，规则数与对应原因的神经网络输出节点数相等，并进行编号，使其与神经网络输出节点一一对应。规则推理模块的规则与神经网络输出节点一一对应，可以避免规则匹配中的“匹配冲突”问题，能够消除以往专家系统中因为规则匹配冲突而影响系统求解推理速度和准确性的问题。
同时，规则不仅仅是“then”关系的简单罗列，而是包含一定的推理操作的集合。对规则进行这样的处理，可以使程序结构清晰，易于将规则封装成程序模块，使规则在推理中的通用性得到提高。在程序中，直接调用规则，并结合相应的系统工作状态参数进行推理，就能够找出符合液压机实际作业情况的故障产生原因。
对于液压机液压系统故障产生原因的解决方案，由于其知识是确定的、易于表达的，因此将其归纳总结，直接对应于相应的故障产生原因，并采用基于规则的知识表示方法直接表达为对应于神经网络输出节点的规则。每条规则的具体形式： “如果(if)原因为真，则(then)对应的解决方案也为真”。
如果对应于神经网络输出节点的规则被激活，系统将综合动态综合数据库中的液压机实际作业过程参数的相关信息，结合知识库中的相应知识进行推理。在这一比较、推理的过程中，系统在找出符合实际作业过程的故障产生原因的同时，也相应地给出具体的、针对产生故障的各种实际作业参数修改的解决方案。因此，根据神经网络结果推理原因和根据原因推理解决方案这两个步骤并不是相对独立的，而是综合在一起的。推理模块中的规则，均被作为程序模块保存在整个程序中，用于规则推理的知识都以数据表的形式存储于数据库中。
5．推理机制
完备的知识库是整个系统性能优良的保证，但也应认识到合理的推理机制是问题求解的主要手段，因此应该根据液压机故障分析诊断的实际情况，确定合理的推理机制，使系统具有高准确率和效率，满足实时作业的需要。
在本系统的开发过程中，神经网络推理模块和规则推理模块均采用正向推理策略，具体步骤如下。
①对用户输入的故障征兆进行模糊化处理，并以此作为各子神经网络的输入模式。
②从神经网络结构知识库中读人各子网络的权值矩阵。
③结合各子网络输入层、隐层间的权值矩阵，计算各子网络输入层神经元的输出，并将输出作为隐层神经元的输入。
④结合各子网络隐层、输出层问的权值矩阵，计算输出层神经元的输出值。
⑤根据输出层神经元的输出值，结合动态综合数据库中的相关信息，进行规则推理模块的推理，确定产生故障的原因，给出可信度，并按可信度进行排序。
⑥根据最终确定的原因，结合相关信息给出对应予具体原因的合理解决方案。
⑦综合步骤⑤、⑥的推理结果，通过人机交互界面返回给用户。系统正向推理流程如图5所示。
图5系统正向推理流程
本系统中，神经网络模块的推理机制与传统的基于逻辑符号的推理机制不同。由于系统的知识库以权值矩阵的形式存在，因此，推理过程由以前的符号运算变为现在的数值运算，从而能够大大提高推理速度。神经网络的正向推理按照一定的算法，通过神经网络所含知识之间的关系，不断在问题求解空间进行并行“搜索”(计算)，直至得出一个满意的解，此时便对应一个稳定的神经网络输出。神经网络内部状态演变的轨迹与推理过程相对应，神经网络状态演变过程的结束也就对应于推理过程的结束。
同时，神经网络同一层的各个神经元之间完全是并行关系，而且同层内神经元的数目远大于层数，所以从总体上看，它是一种并行推理；而对应于每一个神经网络的输出节点的规则，相互间没有任何干扰和影响，彼此独立，因此其推理也可以看作是并行推理。由于系统采用并行推理取代传统人工智能的匹配搜索、回溯等过程，因而具有更高的推理效率。另外，神经网络的知识表示方法是隐式的，规则推理模块的规则也与神经网络输出节点一一对应，相互独立，因此能够克服传统专家系统中输人事实与多条规则相匹配时的冲突问题。 |
|
|
|
|
|
网站管理 