基于神经网络预测与模糊度量的再融合诊断

第３７卷　第８期　Ｖ＿ｏ１．３７　・计算机工程　２０１１年４月　Ａｐｒｉｌ　２０１１　Ｎｏ．８　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　人工智能及识别技术・　文章编号：１ｏ０　４２８（２０ｌ１）０譬－’ｏ２２２—　３　文献标识码：Ａ　中圈分类号；ＴＰ１３９　基于神经网络预测与模糊度量的再融合诊断　张勇，张天永　（重庆工商大学机械工程学院，重庆４０００６７）　摘要：通过分析神经网络理论和模糊度量方法的特点，提出基于神经网络预测和模糊度量方法的故障再融合诊断方法。该方法采用多个　观测数据及主客观相结合的诊断方法，实现方法问的互补融合诊断，更全面、客观地辨识故障，提高故障定位能力，并给出一个液压设备　故障诊断实例验证了该方法的有效性。　关键诃：神经网络预测；模糊度量；Ｄ—Ｓ证据理论；再融合诊断；隶属度函数　Ｆｕｒｔｈｅｒ　Ｆｕｓｉｏｎ　Ｄｉａｇｎｏｓｉｓ　Ｂａｓｅｄ　０ｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　Ｐｒｅｄｉｃｔｉｏｎ　ａｎｄ　Ｆｕｚｚｙ　Ｍｅａｓｕｒｅｍｅｎｔ　ＺＨＡＮＧ　Ｙｏｎｇ，ＺＨＡＮＧ　Ｔｉａｎ－ｙｏｎｇ　（Ｓｃｈｏｏｌ　ｏｆ　Ｍｅｃｈａｎｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈｏｎｇｑｉｎｇ　Ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　Ｂｕｓｉｎｅｓｓ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ　４０００６７，Ｃｈｉｎａ）　［Ａｂｓｔｒａｃｔ｜Ｔｒａｉｔｓ　ｏｆ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｔｈｅｏｒｙ　ａｎｄ　ｆｕｚｚｙ　ｍｅａｓｕｒｅｍｅｎｔ　ｍｅｔｈｏｄ　ａｒｅ　ｄｉｓｃｕｓｓｅｄ．Ａ　ｍｅｔｈｏｄ　ｏｆ　ｔｈｅ　ｆｕｒｔｈｅｒ　ｆｕｓｉｏｎ　ｄｉａｇｎｏｓｉｓ　ｕｓｉｎｇ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ａｎｄ　ｆｕｚｚｙ　ｍｅａｓｕｒｅｍｅｎｔ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｔｈｅ　ｍｅｔｈｏｄ　ｕｓｅｓ　ｏｂｓｅｒｖａｔｉｏｎａｌ　ｄａｔａ，ｉｎｔｅｇｒａｔｅｓ　ｄｉａｇｎｏｓｉｓ　ｍｅｔｈｏｄｓ　ｗｉｔｈ　ｓｕｂｊｅｃｔｉｖｅ　ａｎｄ　ｉｍｐｅｒｓｏｎａｌ　ｉｎｆｏｒｍａｔｉｏｎ，ｗｈｉｃｈ　ｃａｎ　ｒｅａｌｉｚｅ　ｔｈｅ　ｃｏｍｐｌｅｍｅｎｔａｒｙ　ｆｕｓｉｏｎ　ｄｉａｇｎｏｓｉｓ，ｉｄｅｎｔｉｆｙ　ｆａｕｌｔ　ｍｏｒｅ　ｃｏｍｐｒｅｈｅｎｓｉｖｅ　ａｎｄ　ｏｂｊｅｃｔｉｖｅ，ａｎｄ　ｅｆｉｃｉｅｎｔｆｌｙ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｆａｕｌｔ　ｌｏｃａｔｉｏｎ　ｃａｐａｂｉｌｉｔｙ．Ａ　ｈｙｄｒａｕｌｉｃ　ｅｑｕｉｐｍｅｎｔ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｅｘａｍｐｌｅ　ｐｒｏｖｅｓ　ｔｈｅ　ｅｆｆｅｃｔｉｖｅｎｅｓｓ　ｏｆ　ｔｈｉｓ　ｍｅｔｈｏｄ．　［Ｋｅｙ　ｗｏｒｄｓ］ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｐｒｅｄｉｃｔｉｏｎ；ｆｕｚｚｙ　ｍｅａｓｕｒｅｍｅｎｔ；Ｄ—Ｓ　ｅｖｉｄｅｎｃｅ　ｔｈｅｏｒｙ；ｆｕｒｔｈｅｒ　ｆｕｓｉｏｎ　ｄｉａｇｎｏｓｉｓ；ｍｅｍｂｅｒｓｈｉｐ　ｆｕｎｃｔｉｏｎ　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００—３４２８　２０１　１．０８．０７７　１概述　随着现代科学技术和工业生产的发展，各种设备日趋复　隶属函数描述各传感器特征值映射的故障样本模式，获得　各传感器对故障的随机度量集。对观测样本也采用高斯隶属　杂化和精密化，导致故障发生的概率明显增大，对故障的定　位、分析、排除也更加困难。单一信息的采集或者多信息的　函数描述其分布，获得观测待检测模式，并由两者的匹配度　表征各证据体模糊可信度，也采用Ｄ～Ｓ证据理论对所获取　的证据进行推理，获得基于模糊方法的诊断可信度。由此获　得统一辨识框架命题的可信度，再基于Ｄ—Ｓ证据理论对２种　互补方法的诊断可信度进行融合处理。　简单处理都存在较多不足，需要对多信息进行融合处理。此　外，故障诊断系统中众多的传感器形成了传感器群。只有综　合利用这些特征信息才能诊断出故障。常采用神经网络…、　模糊方法　Ｉ、专家经验法及粗糙集方法　等，并结合Ｄ—Ｓ证　据理论　进行融合诊断。　菩　定卜　噩据Ｈ　Ｈ　主客观证　诊断　以上方法都存在一些局限，如采用单一的诊断网络会造　成网络结构复杂且难以确定，而且网络训练的可靠样本也不　据再融合ｒ＼决定　易获得，仍不可避免地存在矛盾性和随机性。而模糊隶属度　方法则具有较强的主观性和经验性，对故障特征证据的可信　度分配比较主观化，较依赖先验知识。　尊　３神经网络融合预测诊断　Ｈ　为了更全面、客观地辨识故障，减少因方法不同带来的　片面、不可靠影响，本文提出了基于神经网络预测和模糊度　量方法相结合的故障再融合诊断方法。　图１故障再融合诊●ｆ框架　２基于Ｄ－ｓ证据理论的故障再融合诊断框架　在Ｄ—Ｓ证据理论的辨识框架下，确定命题的基本可信度　是关键。对基本可信度的内涵进行了一定的延伸，不局限于　传感器的可信度，也包括诊断结果的可信度。建立的故障再　融合诊断框架如图ｌ所示，采用ＢＰ神经网络对已有故障案　例进行训练，并对当前的观测样本进行预测，获得多个预测　结果，并进行融合处理，得到基于客观测试样本的诊断可信　度。使得证据理论的基本可信度分配不再完全依赖专家、经　验的主观化赋值，同时可充分利用各种故障的冗余和互补　神经网络作为一项基本的数据挖掘、融合方法，有效解　决了基于经验或数学模型预测的不确定性及其其内在规律难　以掌握、理论性不强的预测问题。　本文从预测的角度利用ＢＰ神经网络作为动态预测模型　进行故障预测，较客观地得到一个故障证据体对不同命题的　基金项目：国家自然科学基金资助面上项目（５０６７５２３５）；重庆工商大　学青年基金资助项目（０８５２０１５）　作者倚介：张勇（】９７４－－），男，讲师、博士，主研方向：信息处理，　虚拟仿真；张天永，讲师、硕士　信息进行故障诊断。又采用基于先验知识和模糊理论的高斯　收稿日期：２０１０—１０—２０　Ｅ－ｍａｉｌ：ｚｈｙｐｉｇｅｒｌ１１６＠１６３．ｔｏｍ　第３７卷第８期　张勇，张天永：基于神经网络预测与模糊度量的再融合诊断　２２３　可信度分配，将各个的低维神经网络的输出值处理后作　为辨识框架上命题的基本可信度，经过证据理论的融合后得　到诊断结果。可以在一定程度上提高辨识的准确率，消除单　一数据源包含信息的不全面性以及模糊性等。　传统ＢＰ算法的收敛效果和收敛速度都不太理想，需要　进行一定的改进。图２为具有一个隐含层的ＢＰ神经网络，　从理论上讲，一个３层ＢＰ网络可以以任意精度逼近。实际　上为了加快收敛速度和提高模拟效果，ＢＰ网络的隐层数需要　根据具体问题确定。主要通过改变目标函数、修改作用函数、　改变搜索方向和步长、改进训练策略等来实现，这里主要改　变惯性项的添加和步长的动态调整。　输八层　隐含层（　）　输出层　图２　ＢＰ神经网络诊断预测结构　当ＢＰ网络由一个训练样本换成另一个训练样本做输入　时，一开始误差可能较大，易引起权重系数的过调，从而加　长调整时问，因此，可以引入一个惯性项来减少过调量，即：　ｗ（ｋ＋１）＝　，（　）＋　，ｘｋｊ＋ａ［ｗ￣／ｋ）一ｗｑ（　一１）１　（１）　其中，　为加权因子；　为学习步长。取０＜　，　＜１。　如果ＢＰ网络学习的步长选择足够小，就可以使网络的　总误差函数达到最小值。为了有效解决这个问题，可以动态　改变学习率，在不同情况下采用相应的学习率。如在误差曲　面较为平缓的区域使用较大的学习率并添加惯性项；而在误　差曲面陡峭的区域内改变神经元的非线性函数或选用不同的　输出误差测量方法。因此，可采用以下的权值修正公式：　（　＋１）　（　）＋Ａｗ￣ｊ（ｋ）　（２）　ａ　ｌ　ｗ　ｌ　Ａｗｉ，（　）＝一　＿　—　＋（　，（　一１）　（３）　ｏ　１　ｗｉｊ　Ｉ　△『＝　（　）一ｊ（ｋ一１）　（４）　当△『＜０，ｒ／（ｋ　ｑ－１）＝７７（　）妒，　＝　，　＞１。　当Ａｊ＞０，ｖ（ｋ＋１）＝ｖ（ｋ）ｌｆ，　＝０，∥＞１。　４模糊度量融合诊断　隶属度函数形式的确定主要考虑两方面因素：　（１）传感器自身的工作性能；　ｆ２）传感器工作中的各种干扰情况，如机械噪声、电磁波　等的影响。　由于传感器测量的时间、地点、场合以及当时的环境变　化，测出的参数就带有一定的模糊性。考虑了以上因素及传　感器的测量漂移，采用模糊性的高斯隶属度函数描述故障样　板模式。　本文也进一步结合待检模式的模糊性　。Ｊ，利用专家经　验、实验统计的方法得到２种模式的隶属度函数，然后基于　模糊信息的随机集表示得到ＢＰＡ，即２种模式的匹配程度，　以解决样板模式和待检模式同时具有模糊特征时的ＢＰＡ求　解问题，增进融合诊断决策的效果。　４．１故障样板模式与待检模式的描述函数　（１）故障样板模式的描述函数　设ｕ表示设备某一特征参数取值空间，如特征频率的幅　值，则可定义样板模式的隶属度函数／ａ　（　）：ｕ＿÷［０，１］，ＸＥ　Ｕ，　Ｆ标代表故障模式Ｆ。　采用对已有实际故障诊断案例的统计并结合专家经验求　取各传感器值针对不同故障类型的分布特性，即高斯隶属函　数的分布均值“和方差　，分布函数如卜：　唧　ｊ…　（Ｘ）　１　Ｕ　≤Ｘ≤ｇｂ　（５）　唧　ｊ…　其中，Ｘ表示传感器定值；“　“，，分别表示统计和专家确定的　最大和最小均值；　，　对应标准差。　（２）待检模式隶属度函数的确定　考虑传感器工作环境中干扰的影响，单独一次测量往往　难以对故障判断有很大的把握。设定设备在时间问隔△ｆ内运　行，在　内可以对设备进行多次观测，然后求取观测均值和　方差，得到形如式（５）的高斯概率密度作为待检模式的隶属度　函数，记为／ｌｏ（ｘ）：Ｕ＿÷１０，１ｌ，下标Ｏ代表观测，与单次测量　以及多次测量的均值相比，它能更全面客观地反映　内设备　故障特征参数的取值。　４．２基本可信度的表征　将待检模式和样板模式的隶属度函数进行匹配，可以得　到从采集信息中提取的特征对故障档案库中各个故障的支持　程度，将其作为ＢＰＡ用于融合。没一个在区间［０，１】上均匀分　布的随机数，并定义：　∑Ｆ三∑　（　）＝｛Ｘ∈Ｕ　Ｉ　≤　（ｘ）｝　（６）　表示一种随机集，即集合中元素的个数随取值随机变化。当　取定一个值时，是一个确定的集合，、也就是模糊集理论中的　截集。待检模式的随机集形式为：　０三∑　（　Ｄ）｛　∈ＵＩ　≤／－ｔｏ（　）｝　（７）　如果模糊故障特征０和　匹配，则可认为由观测中提取　的故障特征表征设备已发生故障Ｆ。０和Ｆ匹配说明两者不　冲突，亦即ＯＮ∑，≠妒。基于这一定义的匹配是一个概率似然　现象，可以给出一个似然测度：　ｐ（ＯｉＦ）＝Ｐｒ（ＯＦ１∑　≠　）　（８）　它是故障特征与产生该特征的故障Ｆ的匹配概率，其数　值上的大小反映了故障　发生时出现特征的似然程度。可以　得到：　ｐ（ｏｉ　）＝Ｐｒ（ＯＶＩ∑Ｆ≠妒）＝ｐ（ｄ≤（　＾　ｒ门）（　））＝　ｓｕｐ　ｍｉｎ｛／￣　（　）＾　，（　）｝　（９）　表示对每个变量　的／ａ　（　）和　，（　）进行取小运算，然后从运　算结果中找出最大的那个作为似然程度值。而不确定度可由　下式求解：　（　）＝１一ｍａｘ（ｐ（Ｏ／　）　（１ｏ）　设加工中心液压滑台液压缸的故障模式Ｆ　，　＝１，２，３，待　检模式的隶属函数为：　，　’、　／２ｏ（Ａ）：ｅｘｐ『＿　１，　＜ｂｔａ　…）　其中，ｐ（ＯＩ　），　＝１，２，３的取值分别是待检模式与３个样板模　式隶属度曲线交点纵坐标的最大值，如图３中３个“×”点纵　坐标　、　、　，表征为　小于这些纵坐标的概率，由于　服从［０，１】上的均匀分布，因此该概率即为交点处的取值。由　２２４　计算机工程　２０１１年４月２０日　待检模式均值Ｃ与样板模式均值取值范围［　，　】决定并　求解。　“ｌ　“Ｉ　／ｄ２　ｌｌ２ｈ　Ｉ１，３““３　Ｌ＿＿Ｊ、　Ｌ　Ｊ　一　待检／　｝　、／　；　１　．｜　Ｉ　｜　，　、　｜　ｌ｜　０．６　．／｜　ｔ　ｆ　＼　羹　ｆ　／　ｆ　＼　薹０４　．　ｆ　ｆ　ｆ　，　Ｉ｜　｜　／｜　ｆ　　Ｉ；　Ｉ　０　２　．｜　，，／　＼　．．　－＇＼、Ｏ　０　＇．＇＼、　、、　检测量ｚ　图３基于肓斯分布的模糊冱配度　５诊断实例　以测试设备液压系统液压缸故障为例，通过大量的数据　统计、分析，采用属性规约方法，获得其中关键的故障特征（证　据）为压力、温度、振动。主要故障表现形式为　密封处漏油，　活塞磨损严重，　油液中有气泡，Ｕ为不确定的故障情况。　（１）采用ＢＰ神经网络诊断预测　将已有３类故障（　，　，　）状态的各１０组实例数据网络　的误差设定为０．００２。另外在某工况下采集多次数据，获取　２组均值作为预测数据。经过神经网络训练方法，网络性能　很快就达到了规定的误差要求。　表１所示为各故障的２组预测结果。可以看出，序号１、　２、３检测组分别对应主要的故障　、　、　。对序号１的　２组预测数据归一化处理后，采用Ｄ—Ｓ证据理论规则融合，　结果如表２所示。　表１神经两络预测结果　表２融合诊断可信度昀预　结果　（２）采用模糊度量方法诊断　１）求取各样板模式。利用专家经验及统计观测得到形如　式（５）的样板模式隶属度函数。３种故障对应３种特征，共需　建立９个这样的隶属度函数。　２）求取各待检模式。采用前述工况，多次采集数据，得　到待检模式的隶属度函数，３种特征形成３个待检模式。　３）模式匹配与融合。利用模糊集的随机集表示，将两者　进行匹配，将匹配值加权后得到ＢＰＡ，并利用Ｄ—Ｓ证据基本　概率指派规则求得全集的ＢＰＡ，如表３所示。归一化并融合　处理得到如表４所示的诊断可信度结果。　表３匹配度结果　表４模糊信息融合诊断可信度　（３）主客观诊断可信度再融合诊断　以神经网络预测诊断可信度和模糊度量诊断可信度作为　统一辨识框架命题的基本可信度，采用Ｄ—Ｓ证据融合规则再　融合，得到如表５所示的结果。　表５再囊合结果　按照决策原则，选择门限Ｅｌ＝０．１和Ｅ２＝０．２，由融合后　ＢＰＡ，可推知　为诊断故障。该例说明２种方法诊断的结果　趋势一致，通过Ｄ—Ｓ证据融合规则再融合，进一步提高故障　的可信度，减少不确定性。另外，也可以解决２种方法诊断　结果不一致的判定问题，一定程度上克服因方法自身局限性　带来的诊断误差，实现主客观方法的互补融合诊断。　６结束语　现有的半监督分类方法较少考虑数据集的空间结构信　息。为此，本文提出了一种局部尺度转换方法，并建立了相　应的图拉普拉斯核分类器。通过对数据点在不同密度区域上　的结构信息加以利用，分类精度得以提高。如何将算法扩展　应用至半监督聚类和流形学习，有待进一步的研究。　参考文献　李　翔，苏　成，王韶君　基于模糊神经网络的综合评判方　法［ＪＩ．计算机工程，２００９，３５（６）：２００—２０１．　韩静，陶云刚．基于Ｄ—ｓ证据理论和模糊数学的多传感器数　据融合算法【ＪＪ．仪器仪表学报，２０００，２１（６）：６４４—６４７．　徐晓滨，文成林，王迎昌．基于模糊故障特征信息的随机集度　量信息融合诊断方法ＩＪＪ．电子与信息学报，２００９，３１（７）：１６３６—　１６３９．　庄静芸，徐中伟，喻钢．一种粗糙集属性约简算法【Ｊｊ．计算　机工程，２０ｏ９，３５（１５）：６７—６９．　任红卫，邓飞其．基于证据理论的信息融合故障诊断方法ＩＪＪ．　系统工程与电子技术，２００５，２７（３）：４７１４７３　编辑顾逸斐　１