神经网络有几种模型 基于模糊推理神经网络的诊断模型应用研究

　　摘要：模糊推理系统能处理和利用不精确的知识，是一种有效的智能建模方法。但是模糊推理系统缺乏有效的设计方法。 本文通用神经网络的自适应性和诊断的建模方法，建立了一种新的故障诊断模型―模糊神经网络诊断模型。
　　关键词：神经网络；故障诊断；智能诊断
　　中图分类号：TP389文献标识码：A文章编号：1009-3044(2007)18-31690-02
　　The Application of Fault Diagnosis Based on Fuzzy Neural Networks
　　GAO Huan-zhi,LI Jun,LI Fang
　　(Institute of Disaster Prevention Science and Technology,Sanhe 065201,China)
　　Abstract:Faintness" reasonning logically system can handle with make use of not accurate knowledge, is a kind of valid intelligence to set up a mold method.But the faintness reason logically system to lack a valid design method. Thesis in general use nerve network of set up the mold method from the adaptability and the diagnosis, build up a kind of new breakdown to examine a patient model-the misty nerve network examine a patient model.
　　Key words:Nerve network;Break down diagnosis;The intelligence examine a patient
　　
　　1 模糊推理神经网络诊断模型建立
　　
　　1.1通用网络模型自适应动态特性
　　比较两类典型的神经网络―前向BP网络与反馈Hopfied网络，可以发现其核心是单层神经网络，则两类网络可以用一个通用神经网络模型来描述。根据点集拓扑理论和人工神经网络空间概念，对这个通用神经网络模型的特征进行分析得出以下两个结论，证明从略［3］。
　　定理1神经网络空间在紧集上的连续函数空间C上以及按L2范数在平方可积函数空间I上都是稠密的。
　　推论1由通用神经网络模型所生成的任何开集可以一致逼近紧集上的连续映射函数f∈C(Rn，Rm)。
　　由推论1表明，通用网络模型所概括的任何开集(如BP网络、Hopfield网络、BAM网络)通过自学习都能一致逼近紧集上的连续映射函数f∈C(Rn，Rm)，因而具有良好的自学习、自适应动态特性。
　　1.2诊断建模方法
　　设xjn，(j=1，2，…，k)对应反映设备运行状态第n个观测样本的k个特征参数，yin，(i=1，2，…，l)对应第n个样本的l种故障模式，共有N个样本xjn∈RN，yin∈RN，(n=1，2，…，N)，则故障模式向量Y=｛yin，i=1，2，…，l｝与特征参数向量X=｛xjn，j=1，2，…，k｝间的内在关系用函数P表示，有：X=P(Y)。当N→∞时，函数P的逆函数存在，以函数S表示，有：Y=S(X)
　　诊断问题建模的实质就是根据有限的样本集，确定函数S(X)的一等价映射关系SS(X)，使得对于任意的ε＞0，满足：
　　‖S(X)-SS(X)‖=‖Y-YY‖＜ε
　　式中：YY=SS(X)为模型输出，Y=S(X)为标准输出，‖．‖为定义在样本空间R上的范数，ε表达了函数SS(X)的映射精度。
　　参照数学基础中的有关连续的定义，针对诊断建模问题得出以下3个结论，证明从略［3］。
　　定理2对于机械诊断问题，通过一定的数学变换，可得到X∈［0，1］k，Y∈［0，1］l，若映射S为定义在［0，1］k到［0，1］l上的实连续函数，又［0，1］k为RN的紧密子集，则映射S就能表征机械诊断问题，即：Y=S(X)
　　定理3对于机械诊断问题Y=S(X)，其中X∈［0，1］k，Y∈［0，1］l，若存在映射SS，使得对于有限样本集(X，Y)N中任意的X0∈[0,1]k有：
　　则映射SS建立了诊断问题的数学模型。
　　推论3若映射SS(X)一致逼近定义在紧集［0，1］k上的实连续函数，则映射SS建立了诊断问题的数学模型。
　　1.3模糊神经网络诊断模型
　　基于通用神经网络模型的自适应动态特性，根据推论3的结论，通用网络模型所概括的任何开集都能作为诊断问题的数学模型。即对某一具体诊断问题，配以相应的网络模型，通过网络自学习就能逼近诊断问题本身的映射关系。同时考虑诊断问题存在着不可逆性，须采用模糊方法予以处理， 本文建立了如图1所示的模糊神经网络诊断模型。
　　图1 模糊神经网络诊断模型
　　
　　2 模糊推理神经网络诊断模型的基本属性
　　
　　2.1智能诊断机理
　　模糊神经网络诊断模型是一种基于知识的诊断，它属于人工智能诊断的范畴。一般地，人工智能诊断系统应包含有以下几个方面的内容：(1)对诊断领域的现有知识进行学习、抽象、概括，以形成该领域的特有知识，并按一定存贮方式存入知识库；(2)在对具体对象进行诊断识别时，应对该对象进行了解以获得足够的关于该对象的故障征兆信息，并对这些信息进行分析，提出以形成有价值的特征；(3)将该诊断对象的特征模式与知识库中的模式相匹配，并进行推理分析，以得出是否存在故障，故障的性质、部位、严重程度怎样等。
　　从上所述的模糊神经网络诊断模型建立，足以表明它具有人工智能诊断的一般属性和基本内容，而且在知识产生、表达、获取及推理诸方面具有自己的独特之处。
　　在知识产生方面，它不仅含有对诊断领域现有知识的汇编，而且包括了计算机数字仿真生成知识的内容。可以用传递矩阵法建立机组振动响应力学模型，通过数值模拟得到常见故障的振动响应分布，再引入转子系统传递函数的概念，生成反映机组故障作用位置的传递函数矩阵，最后通过转置变换，即得到知识集。
　　在知识表达方面，它表现为浅层和深层两种形式，面向专家、知识工程师和用户的原始知识，经过LSFS模型的数学处理后得到一些学习范例，本文称之为浅知识。这种知识形式易于表达模糊性和不确定性；浅知识通过网络自学习转化为网络的内部编码，分布在网络结构上，最终是用大量神经元的互连方式及对各连接权重的分布来表达特定的概念或知识，这种形式是一种深层的隐含表达方式，本文称之为深知识或隐含知识。
　　在知识获取方面，针对知识表达的两种形式，它包括两个步骤。第一步是由原始知识转变为浅知识，通过LSFS模型来实现；第二步是将浅知识输入到ANN模型中，通过网络的自学习实现知识的隐式表达。为此，模糊神经网络诊断模型的知识获取应该包括知识的自身产生、网络结构(含网络模型、网络层数及其各层的单元数)选择、学习样本的组织、使用特定学习算法对网络训练以得到所需的权值分布4个基本内容。不难看出，这种知识获取方式存在：网络结构、权值与具体的某一案例联系不紧密，它们是一群样本或者说许多案例的综合作用的结果；网络的最后输出结果一般为［0，1］之间的值，具有一定的模糊诊断能力；当某种过程发生变化时，原始知识的产生、学习范例的组织都发生变化，通过修正网络和再学习，变化了过程就会很快地被学习和表达出来。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文 　　在知识推理方面，它主要表现在ANN模型的信息分类处理过程。一般由以下三部分组成：(1)将逻辑概念引入到输入模式的变换中，并根据论域的特点，确定变换规则，再根据相应规则，将目前的状态变换成神经网络的输入模式；(2)网络通过前向计算或动态演化，即可产生神经网络的输出模式；(3)随着论域的不同，必须按照相应的规则对输出模式进行解释。解释的主要目的是将数值向量转换成高层逻辑概念。
　　不难看出，这种知识推理方式不使用清晰语言描述分类逻辑标准，而只是通过数值向量的相似性来确定分类标准，且这种相似性的程度隐含在网络的权值分布上。因此，它有利于表达不确定性推理机制和自适应推理机制。
　　2.2突出特点
　　(1)模糊神经网络诊断模型重视了原始知识的产生问题。从某种意义上看，它体现了“正问题”求解与“反问题”求解相结合的诊断策略;同时为丰富原始知识的内容、研究原始知识的产生方法铺平了道路。
　　(2)模糊神经网络诊断模型考虑了大机组故障诊断中的不可逆性问题。它采用模糊方法(诸如模糊贴近度法、改进模糊贴近度法、基于自组织映射神经网络的模糊聚类法和复合KAF法)组织学习样本，从而使诊断模型能以模糊估计的方式给出诊断结果，具有模糊诊断能力。
　　(3)模糊神经网络诊断模型采用通用神经网络模型，使得它所概括的常见网络模型(BP网络、Hopfield网络、BAM网络)都能充当诊断模型中的ANN模型。由于ANN模型承担了诊断知识的隐式存储和特征数据信息的分类识别的重要角色，它是整个诊断模型的核心。因而模糊神经网络诊断模型的形式多样，诊断能力强。
　　(4)模糊神经网络诊断模型重视了诊断中特征提取的重要作用。目前，特征提取方面的技术发展很活跃，它的每一进步，通过改善原始知识的产生内容和提高故障特征信息的准确度来影响诊断模型的诊断效果。
　　(5)模型神经网络诊断模型是一个基于知识的通用诊断模型，它适合大机组故障诊断中所包含的任何基本诊断问题。针对某一具体诊断问题，可以选择相应的FKP、LSFS、ANN、CE模型，即能组成一个智能型的诊断系统。
　　
　　3 工程应用
　　
　　基于上述，从中取出可能存在的7种故障标准信息。传统BP网络在进行诊断时，先人为组织网络训练样本，且训练样本的输出取为0，1值，即在表达自身频谱的故障位置赋1，否则赋0；而模糊神经网络诊断模型则通过LSFS模型(本文为了获得明显的诊断效果，其采用改进模糊贴近度法，且贴近度系数CONST=2［3］)组织网络训练样本，其结果训练样本的输出取值于区间[0,1]。在初始条件完全相同的情况下，将各自的训练样本集分别输入同一结构的网络进行训练得出如图2所示的训练误差曲线比较图。
　　由图2可以发现，在一个误差精度要求不高的区域里，即系统误差error＞0.002时，传统BP网络的收敛速度低于模糊神经网络诊断模型，由于此精度区域一般没有工程意义，故不做分析讨论；而在误差精度要求高的区域里，传统BP网络的收敛速度却高于模糊神经网络诊断模型。这是因为传统BP网络的训练样本输出仅简单取为0，1值，而模糊神经网络诊断模型训练样本的输出取值于区间［0，1］，此相当于对输出进行了编码，从而增加了隐层节点的附加工作来完成这种编码功能，甚至需要增加隐层节点数或增加隐层才能满足要求。
　　图2 传统BP网络与模糊神经网络诊断模型训练误差曲线比较
　　
　　4 结论
　　
　　基于以上的分析、论述表明，本文所建立的模糊神经网络诊断模型理论，无论从建立的理论基础、方法体系，还是从建立的结果看，它都是正确的；且它在原始知识的产生方式、学习样本的合理组织以及在网络模型的自适应选取方面都具有突出特点。通过理论分析和工程实际应用表明，该模型理论的应用能提高诊断精度，具有诊断功能强、智能化程度高、便于实用推广的特点。
　　
　　参考文献：
　　[1]吴维库,唐锡宽.转子故障的精确诊断[C].92全国转子动力学学术会议论文集,青岛:1992,pp:536-539.
　　[2]杨叔子,史铁林,丁洪.机械设备诊断的理论、技术与方法[J].振动工程学报,1992,5(3):193-201.
　　[3]张小栋.模糊神经网络诊断原理和方法以及应用研究[J].西安交通大学,1995.
　　注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文