一種基于hbf神經(jīng)網(wǎng)絡(luò)觀測器的故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)計神經(jīng)網(wǎng)絡(luò)只能故障診斷與檢測方法，尤其設(shè)及一種基于皿F神經(jīng)網(wǎng)絡(luò) 觀測器的故障診斷方法，屬于模式識別技術(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、基于信號處理的方法和基于知識的 方法等。隨著科技的發(fā)展，系統(tǒng)越來越復(fù)雜，單純依靠基于數(shù)學模型的傳統(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)，如美國的控制年會、IEEE的控制與決策會議、國際自動控制聯(lián)合會 (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， 當代前沿科學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)觀測器W及支持向量機等診斷技術(shù)。其中神經(jīng)網(wǎng)絡(luò)通過學習用于表達故障 診斷知識的連接權(quán)來實現(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下的幾點優(yōu)勢，近年來，智能故障診斷方法日益受到故障診斷專家和 學者的青睞。
[0004] (1)不需要對象的精確數(shù)學模型。
[0005] (2)能夠有效地利用診斷專家的知識和經(jīng)驗，匯集眾多專家知識對隨機發(fā)生的故 障進行診斷。
[0006] (3)具有診斷專家般的推理能力，自動實現(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，具備學習機制，能夠從過去的診斷實例中 獲取診斷知識。
[000引 （5)對診斷結(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，它們越來越受到廣泛的重視。
[0010] (1)專家系統(tǒng)診斷方法；主要由知識庫、數(shù)據(jù)庫、推理機、解釋器、故障征兆獲取W 及人機交互等部分組成。主要是在專家知識庫、數(shù)據(jù)庫的基礎(chǔ)上，通過推理機綜合利用知識 庫中的知識按照一定的推理方法進行故障診斷。專家系統(tǒng)已經(jīng)在航空航天、化工、核工業(yè)等 領(lǐng)域有了實際應(yīng)用，而且?guī)砹司薮蟮纳鐣?、?jīng)濟效益。
[0011] (2)神經(jīng)網(wǎng)絡(luò)診斷方法；由于神經(jīng)網(wǎng)絡(luò)具有很強的非線性映射能力，能準確地模 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、自學習能力和記憶 能力，因而已成功地應(yīng)用于故障診斷領(lǐng)域?；谏窠?jīng)網(wǎng)絡(luò)的故障診斷已應(yīng)用于工業(yè)、國防等 多個領(lǐng)域。
[0012] (3)模糊診斷方法：故障診斷是通過研究故障和征兆之間的關(guān)系來判斷設(shè)備狀態(tài) 的。由于實際因素的復(fù)雜性，故障與征兆之間很難用精確的數(shù)學模型來表示，不能用"有"和 "無"簡單表示，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程本身的不確定性、不精確性W及噪聲等所 帶來的困難，而且計算簡單、應(yīng)用方便，因而在處理復(fù)雜系統(tǒng)的大時滯、時變及非線性方面， 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簡化的方法， 在保持分類能力不變的前提下，通過知識約簡，從數(shù)據(jù)中推理邏輯規(guī)則作為知識系統(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。利用粗趟集理論對系統(tǒng)進行故障 診斷決策表進行約簡處理，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獲得對同一事物 或目標的更客觀、更本質(zhì)認識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、溫度、圖像、電磁福射等信息，從而生成 完整、準確、及時和有效的綜合信息，再根據(jù)一定的判斷規(guī)則進行故障診斷。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，雖然智能故障診斷算法進展快速，很多智能方法被提出，但依然存在一些 問題：
[0016] (1)知識庫龐大。目前智能故障診斷系統(tǒng)大多采用產(chǎn)生式規(guī)則來表示專家的經(jīng)驗 知識，為了使診斷系統(tǒng)達到高效、實用的目標，必然需要大量的專家知識組成龐大的知識規(guī) 則庫。越是大型設(shè)備的診斷系統(tǒng)，相應(yīng)的知識庫就越龐大，該給知識庫的整理、知識規(guī)則的 調(diào)用帶來不利影響。
[0017] (2)深、淺知識結(jié)合能力差。在具體的智能診斷系統(tǒng)中，在實現(xiàn)某領(lǐng)域的基本原理 和專家知識相結(jié)合時能力較差。一些深淺知識在相容性方面不夠好，難W在同一知識庫中 實現(xiàn)統(tǒng)一。
[001引 （3)系統(tǒng)更新能力差。系統(tǒng)在自動獲取知識方面表現(xiàn)的能力還比較差，雖然加入了 一些機器自學習的功能，但是很難在運行中發(fā)現(xiàn)和創(chuàng)造知識。神經(jīng)網(wǎng)絡(luò)雖然能夠緩解該個 矛盾，但是要求有大量的訓練樣本難W獲得，而且隨著診斷對象的升級，整個神經(jīng)網(wǎng)絡(luò)理論 上要重新訓練。
[0019] (4)故障樣本難W獲取。隨著自動化水平的提高及計算機的飛速發(fā)展，對于大多數(shù) 設(shè)備來說，大量的反映設(shè)備運行狀態(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皿F神經(jīng)網(wǎng)絡(luò)觀測器的故障診斷方法，W解決傳 統(tǒng)神經(jīng)網(wǎng)絡(luò)故障診斷方法中泛化能力較差，計算復(fù)雜等問題，降低了網(wǎng)絡(luò)的神經(jīng)元數(shù)量及 復(fù)雜度，為提供檢測效率及精確度提供了新方法。
[0021] 為實現(xiàn)上述目的，本發(fā)明提供的皿F神經(jīng)網(wǎng)絡(luò)故障檢測方法其過程如下：
[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)的樣本輸入輸入超基函數(shù)神經(jīng)網(wǎng)絡(luò)觀測器得到估計輸出；
[0024] 3)、根據(jù)估計輸出和實際輸出得到估計輸出殘差為：
[0025] e^() = )it)~ y{f)
[0026] 式中，y (t)表示樣本輸出，的表示估計輸出；
[0027] 設(shè)誤差估計函數(shù)為 [002引
【主權(quán)項】
1. 一種基于HBF神經(jīng)網(wǎng)絡(luò)觀測器的故障診斷方法，其是在樣本系統(tǒng)數(shù)學模型建立的基 礎(chǔ)上進行的，其特征在于：其過程如下： 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)的樣本輸入輸入超基函數(shù)神經(jīng)網(wǎng)絡(luò)觀測器得到估計輸出； 3) 、根據(jù)估計輸出和實際輸出得到估計輸出殘差為： M,) = ·>，(，)-》(,） 式中，y(t)表示樣本輸出，V⑴表示估計輸出； 設(shè)誤差估計函數(shù)為
式中，U為加權(quán)對角矩陣；其故障檢測規(guī)則為： 其中，T為故障檢測的閾值。
2. 根據(jù)權(quán)利要求1所述的基于超基函數(shù)神經(jīng)網(wǎng)絡(luò)觀測器的故障診斷方法，其特征在 于：所述超基函數(shù)神經(jīng)網(wǎng)絡(luò)觀測器的過程如下： 1) 、獲取nx個非線性系統(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)J ; 2) 、用"決策樹葉"表示決策區(qū)域^，其表示為：
計算樣本輸入在決策域識y的網(wǎng)絡(luò)中心0 ，其公式為： Cij= (min (X "Ο+max (Xij))/2i = 1，…，nx 計算決策域內(nèi)核寬度，其公式為： 〇 ij= (max (X "Ο -min (Xij)) /2i = 1，· · ·，nx 3) 、計算所有輸入樣本在決策域?qū)?yīng)的基函數(shù)值； 首先采用Mahalanobis-Iike計算樣本輸入與網(wǎng)絡(luò)中心的距離：
式中：為正定方陣；
則相應(yīng)的基函數(shù)計算為：
4) 、定義輸出誤差 設(shè)χμ，μ = 1，...，M為訓練樣本集的特征向量與目標向量；則誤差函數(shù)為： E (W) = I IHW-YI 12 其中，W為輸出層的權(quán)值矩陣；H= (Ημρ = (hj(X'Cj，〇j))，Hwj為第 μ個輸入向量 χ??應(yīng)的第j個基函數(shù)的輸出；Y= (Υ μ」），Ywj第μ個目標向量y μ的第j個分量； 5)求解輸出權(quán)值向量 根據(jù)誤差最小化原則，求解輸出權(quán)值向量；對于滿足要求的誤差，按下式求解權(quán)值向量 W = H+Y 其中H+為矩陣H的偽逆；對于不滿足要求的誤差，按如下公式調(diào)整權(quán)值，跳轉(zhuǎn)步驟4);
【專利摘要】本發(fā)明提出了一種基于HBF神經(jīng)網(wǎng)絡(luò)觀測器的故障診斷方法，用于智能故障診斷。該方法采用HBF神經(jīng)網(wǎng)絡(luò)，通過采用Mahalanobis-like距離來表示向量間的相似度，簡化了神經(jīng)元數(shù)目及計算速度，同時建立該神經(jīng)網(wǎng)絡(luò)狀態(tài)觀測器，對工程中抽象出來的非線性系統(tǒng)進行觀測，并利用這個狀態(tài)觀測器的輸出值，進行下一步的系統(tǒng)輸出預(yù)報，從而便可實現(xiàn)系統(tǒng)的故障診斷與檢測。
【IPC分類】G06N3-02, G06K9-66, G06F11-22
【公開號】CN104537416
【申請?zhí)枴緾N201410740464
【發(fā)明人】聞新, 張興旺
【申請人】沈陽航空航天大學
【公開日】2015年4月22日
【申請日】2014年12月5日