基于线性内插型模糊神经网络的诊断方法
【技术领域】
[0001] 本发明设及一种基于线性内插型模糊神经网络的诊断方法，设及机械设备在线监 测和故障诊断技术领域。
【背景技术】
[0002] 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W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。
[0003] BP神经网络在它W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】
[0004] 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。
[000引发明的技术方案是：
[0006] -种基于线性内插型模糊神经网络的诊断方法，包括W下步骤：
[0007] 1、获取算法学习知识。
[0008] 首先从特征参量的概率密度函数中求得特征值Pi的可能性分布函数
[00川无和0分另鳩特征值Pi的均值和标准方差，其中X = X- 3灯~文+ 3江。
[0012]根据可能性分布函数可从求出特征值反映设备某种状态的可能性：
[001引 W = A 片風
[0014] 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W得到组合可能性，如下式所示：
[0015]设备某状态下的组合可能性为：
[0016] 其中Wfi(An)和Wpj.(A)分别是状态Am和状态Ak下的可能性，S是一种状态，0是空 集。
[0017] 得到的特征参量Pi和其对应设备状态的可能性为神经网络的学习知识。
[0018] 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。
[0019] 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。W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。
[0020] 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单元的数值：
[0021] 采用梯度下降法来调整权值，输出层的校正误差为:dk=(〇k-yk)yk(l-yk)，其中Ok 为训练样本的希望输出。隐含层各单元的校正误差为：6/ = CX=I邸尸过^把口 -的。对于 输出层至隐含层的权值校正量为：A VW = Q . dk . bj，隐含层至输入层的权值校正量为：A Wji = P ? Gj ? Xi,其中曰，0为学习系数。
[0022] 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。
[0023] 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xfW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：
[002引其中：Nm表示神经网络第m层的神经元的个数。xfW表示第一层第U个神经元的输 入值。xf+W表示第m+i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。
[0026] 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。
[0027] 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】
[002引图1 sigmoid激活函数线性化函数图
[0029] 图2线性内插型模糊神经网络的插值图
[0030] 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】
[0031] 如图3所示，W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：
[0032] 1、通过多信息融合获取算法学习知识。
[0033]通过可能性理论从特征值的概率密度函数中求得每步所选特征值Pi的可能性分 布函数WA) = Sf=I min化,如}。
[0036] X和O分别是特征值Pi的均值和标准方差，其中X = X - 3(T~X + 3(7。
[0037] 特征值Pi下的状态1和状态2的可能性分布函数为iii(pi)和化(Pi),那么其他未知状 态的可能性分布函数为Wun(Pi) =max{0，l-[jii(pi)+li2(pi) ]}。
[0038] 有了可能性分布函数我们就可W求出其可能性：
[004引 Wl、W2、Wun表示状态1、状态巧日其他未知状态的可能性，并且Wl+W2+Wun= 1。
[0043] 分=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：
[0044] 第一步:Wi(N)，Wi化），Wi化）；Ws(N)，Ws化），Ws化）；
[004引第二步:Wi(0) ,Wi(IR) ,Wi(U) ;Ws(0) ,Ws(IR)，Ws化）；
[0046] 第S步:Wi(I)，Wi(R)，Wi化）；W2(I)，W2(R)，W2化）。
[0047] 其中：N表示正常状态，B表示轴承有缺陷，U表示未知状态，0表示外轮伤，IR表示滚 动体伤。
[004引再用Dempster&Shafer理论将每步两个特征参数下的S种状态的可能性进行组 合，可W得到组合可能性。
[0049]第一步如下所示：
[0053] 第二步如下所示；
[0057]第=步如下所示：
[0061] 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。
[0062] 分别把第一步中的特征参数Pi，Ps和可能性W(N) ,W(B)，W化）；第二步中的特征参数 Pi，Ps和可能性W(O) ,W(IR)，W化）；第S步中的特征参数Pi，P2和可能性W(I) ,W(R) ,W(U)代入 算法进行学习。
[0063] 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。W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。
[0064] 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：机=/(?) =
[0065] 采用梯度下降法来调整权值，输出层的校正误差为:dk=(〇k-yk)yk(l-yk)，其中Ok 为训练样本的希望输出。隐含层各单元的校正误差为：气.=区Li邸-与0。对于 输出层至隐含层的权值校正量为：A VkJ = Q . dk ? bj，隐含层至输入层的权值校正量为：A Wji = P ? ej ? Xi,其中曰，0为学习系数。
[0066] 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。
[0067] 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xfW输入到第一层后，第m+i层上第V个神经元上的预测值由下式求出：
[0069]其中：Nm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。xfm+W表示第m+i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。
[0070] 将特征参量(A，A)输入到线性内插模糊神经网络后，得出设备状态的可能性Pe (如图2)，判断出设备处于某种状态。
[0071] W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。
【主权项】
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的可能性分布函数无和O分别是特征值Pi的均值和标准方差，其中X = f - 3σ~? + 3σ。 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Wpi(An)和M/p/dfc)分别是状态Am和状态Ak下的可能性，s是一种状态，0是空集。 二、 得到的特征参量Pi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，η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，vS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：外=/(?) =采用梯度下降法来调整权值，输出层的校正误差为：dk=(〇k-yk)y k(l-yk)，其中〇k为训 练样本的希望输出。隐含层各单元的校正误差为= A = %)。对于输出 层至隐含层的权值校正量为：Avkj = Ci · dk · b」，隐含层至输入层的权值校正量为：Awjl = β · ej · Xi，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:仏表示神经网络第m层的神经元的个数。表示第一层第u个神经元的输入值。 Xfn+1'10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。2. 根据权利要求1所述的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： 从特征值的概率密度函数中求得特征值P1的可能性分布函数μ(Ρ?) = Ad，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： 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：3. 根据权利要求1所述的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： 预测设备状态时将sigmoid激活函数线性化，当特征参量6(1'w)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：
【专利摘要】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。
【IPC分类】G06N3/08
【公开号】CN105528637
【申请号】CN201510836062
【发明人】赵宇, 李可, 陈鹏, 王华庆
【申请人】江南大学
【公开日】2016年4月27日
【申请日】2015年11月26日