基于凸組合算法優化前饋神經網絡觀測器的故障診斷方法
【技術領域】
[0001] 本發明設及神經網絡的故障診斷方法，具體講是設及一種基于凸組合算法優化前 饋神經網絡觀察器的故障診斷方法，其屬于模式識別技術領域。
【背景技術】
[0002] 故障診斷技術的發展主要經歷了人工診斷、現代診斷和智能診斷等=個階段。發 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。隨著科技的發展，系統越來越復雜，單純依靠基于數學模型的傳統故障診斷方法 已不能滿足設備的可靠性要求，因此智能故障診斷技術越來越得到各領域的高度重視， 尤其是在控制領域內，如美國的控制年會、IEEE的控制與決策會議、國際自動控制聯合會 (IFAC)等，都把智能故障診斷技術列為重要的討論專題。由于其更適合于現代科技的發展， 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中，如神經網絡理論和粒子 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展，例如基于神經網絡、 神經網絡自適應觀測器W及支持向量機等診斷技術。其中神經網絡通過學習用于表達故障 診斷知識的連接權來實現故障與征兆之間復雜的非線性映射關系。
[0003] 由于具有W下的幾點優勢，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學模型。
[0005] (2)能夠有效地利用診斷專家的知識和經驗，匯集眾多專家知識對隨機發生的故 障進行診斷。
[0006] (3)具有診斷專家般的推理能力，自動實現從故障征兆到故障原因的映射。
[0007] (4)具有一定的聯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)對診斷結果具有解釋能力。
[0009] 專家系統、神經網絡、模糊理論、粗趟集理論、數據融合理論、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的融合是人工智能手段的主要表現方法，在診 斷領域中，它們越來越受到廣泛的重視。
[0010] (1)專家系統診斷方法；主要由知識庫、數據庫、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、數據庫的基礎上，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。專家系統已經在航空航天、化工、核工業等 領域有了實際應用，而且帶來了巨大的社會、經濟效益。
[0011] (2)神經網絡診斷方法；由于神經網絡具有很強的非線性映射能力，能準確地模 擬復雜設備的故障征兆與故障原因之間的關系，并具有并行處理能力、自學習能力和記憶 能力，因而已成功地應用于故障診斷領域。基于神經網絡的故障診斷已應用于工業、國防等 多個領域。
[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系來判斷設備狀態 的。由于實際因素的復雜性，故障與征兆之間很難用精確的數學模型來表示，不能用"有"和 "無"簡單表示，而要求給出故障產生的可能性、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、應用方便，因而在處理復雜系統的大時滯、時變及非線性方面， 顯示出其優越性。模糊邏輯在故障診斷中的應用大多是與其他方法結合使用的，如模糊神 經網絡、模糊專家系統等。
[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，從數據中推理邏輯規則作為知識系統的模 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進行故障 診斷決策表進行約簡處理，解釋系統各種故障表征內在的冗余性，為系統故障診斷提供了 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、更本質認識的信息綜合處理技術。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，再根據一定的判斷規則進行故障診斷。信息融合技術 目前在軍事領域中已有廣泛的應用。目前，數據融合故障診斷方法主要有Bayes推理、D-S 證據推理及神經網絡數據融合等。
[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大多采用產生式規則來表示專家的經驗 知識，為了使診斷系統達到高效、實用的目標，必然需要大量的專家知識組成龐大的知識規 則庫。越是大型設備的診斷系統，相應的知識庫就越龐大，該給知識庫的整理、知識規則的 調用帶來不利影響。
[0017] (2)深、淺知識結合能力差。在具體的智能診斷系統中，在實現某領域的基本原理 和專家知識相結合時能力較差。一些深淺知識在相容性方面不夠好，難W在同一知識庫中 實現統一。
[001引 （3)系統更新能力差。系統在自動獲取知識方面表現的能力還比較差，雖然加入了 一些機器自學習的功能，但是很難在運行中發現和創造知識。神經網絡雖然能夠緩解該個 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，整個神經網絡理論 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展，對于大多數 設備來說，大量的反映設備運行狀態正常的數據容易獲取，而故障數據的獲取比較困難。
【發明內容】
[0020] 本發明的目的在于提供一種基于凸組合算法優化前饋神經網絡觀測器的故障診 斷方法，W解決前饋神經網絡故障診斷方法中計算復雜等問題，該方法通過對網絡參數的 解禪與迭代得到所需權值，過程中沒有引入導數的計算，從而大大簡化了網絡的計算，提高 了計算效率，為提供檢測效率及精確度提供了新方法。
[0021] 為實現上述目的，本發明提供的基于凸組合算法優化前饋神經網絡觀測器的故障 診斷方法，主要步驟如下：
[0022] 1)、選取樣本系統的樣本輸入和樣本輸出；
[0023] 2)、將樣本系統的樣本輸入輸入前饋神經網絡觀測器得到估計輸出；
[0024] 3)、根據估計輸出和實際輸出得到估計輸出殘差為：
[0025] e,.(〇 二 束(0
[0026] 式中，y(t)表不樣本輸出，y(。表不估計輸出；
[0027] 設誤差估計函數為 [002引
【主權項】
1. 基于凸組合算法優化前饋神經網絡觀測器的故障診斷方法，其是在樣本系統數學模 型建立的基礎上進行的，其特征在于：其過程如下： 1) 、選取樣本系統的樣本輸入和樣本輸出； 2) 、將樣本系統的樣本輸入輸入前饋神經網絡觀測器得到估計輸出； 3) 、根據估計輸出和實際輸出得到估計輸出殘差為：
式中，y(t)表示樣本輸出，表示估計輸出； 設誤差估計函數為
式中，U為加權對角矩陣；其故障檢測規則為：
其中，T為故障檢測的閾值。
2. 根據權利要求1所述的基于凸組合算法優化前饋神經網絡的故障診斷方法，其特 征在于：所述前饋神經網絡觀測器為基于凸組合算法優化神經網絡觀測器，其優化過程如 下： 1) 、構成構建單隱藏層前饋神經網絡； (1) 、獲取η個非線性系統故障樣本的輸入和輸出；根據輸入值輸出值選擇隱藏層神經 元數h ; (2) 、初始化聚類中心及權值矩陣（Vtl+, Wci)，從系統故障樣本中選擇h個取值不同樣本 為初始聚類中心； (3) 、計算η個樣本輸入與初始聚類中心的距離，其公式為： Xi-Cj I I = (Xi-Cj)T (Xi-Cj), i = I, 2,. . . , n, j = I, 2,. . . , h ； 式中：Xi表示樣本輸入，(^表示初始聚類中心； (4) 、利用模糊C均值聚類確定聚類中心，完成單隱藏層前饋神經網絡； 2) 、采用凸組合算法優化單隱藏層前饋神經網絡； (1)、定義誤差函數E為：
式中，V+為權值矩陣V的偽逆，W = [wu]pXn為輸入層到隱藏層的權值矩陣，Cli表示期 望輸出，匕為單隱藏層前饋神經網絡的基函數； 為了找到合適的V'Wi使得E (V'W#) = 0,求誤差函數對權值矩陣的偏導數
令從/f丨71 =O，可得 V+*= HDt (DDt) 式中，H = [h" h2,…，hn] pXn? D - [di，d2，...，dn]mXn; (2)對于樣本輸入與期望輸出（Xpdi)及任意初始聚類中心和權值矩陣（Vc^Wci), X為 輸入向量矩陣，則 定義
Zk=Vk+D 式中，k為迭代次數； 則 Z〇=V0+D 若Ztl= H ^，則誤差為0 ; 否則，按下式調整權值矩陣后重復步驟2);
式中，0 < α，β < 1。
3.根據權利要求1所述的基于凸組合算法優化前饋神經網絡的故障診斷方法，其特征 在于：所述利用模糊C均值FCM聚類確定聚類中心為：把η個向量XiQ = 1，2, ···，]!)分為 c個模糊組，求每組的聚類中心，使得非相似性指標的價值函數達到最小；FCM用模糊劃分， 使得每個給定數據點用值在[〇，1]區間的隸屬度來確定其屬于各個組的程度；其具體過程 如下： (1) 數據歸一化，將樣本數據歸一化到[〇，1]; (2) 用值在[0, 1]間的隨機數初始化隸屬矩陣U ; (3) 計算聚類中心Cj，j = 1，…，h ; (4) 計算價值函數。如果它小于某個確定的閥值，或它相對上次價值函數值的改變量小 于某個閥值，則算法停止； (5) 計算新的U矩陣，返回步驟（2)。
【專利摘要】本發明提出了一種基于凸組合算法優化單隱層前饋神經網絡的故障診斷與檢測方法，用于智能故障診斷。該方法利用凸組合算法對單隱藏層前向神經網絡進行了優化，通過迭代來更新權值以調整隱藏層的信息。同時引入了一個新的誤差函數來評價誤差性能，該函數通過對權值進行解耦來求解優化參數，提高了參數的計算速度，同時建立該神經網絡狀態觀測器，對工程中抽象出來的非線性系統進行觀測，并利用這個狀態觀測器的輸出值，進行下一步的系統輸出預報，從而便可實現系統的故障診斷與檢測。
【IPC分類】G06N3-02
【公開號】CN104537417
【申請號】CN201410740495
【發明人】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