基于模糊聚类的神经网络方法及其应用在电子设备的故障诊断.docVIP

附录 英文文献1翻译 基于模糊聚类的神经网络方法及其应用在电子设备的故障诊断 摘要：本文提出模糊聚类方法样品处理研究了基于模糊聚类应用模糊提取样本然后诊断，最后进行了仿真研究。计算结果表明，所有上述方法是相当实用。关键词：神经网络;模糊聚类;电气设备;故障诊断1 .导言 利用模糊诊断在于它建立精确的数学模型，要隶属函数，模糊关系和模糊规则适用正确，然后进行模糊，我们可以实现智能化的模糊诊断。但对于复杂的诊断系统，创合适的模糊规则和隶属函数是非常困难的，需要很长的时间。由于复杂的电子设备故障，映射关系从时间或空间频域基本故障模式空间是强线性。在同一时间的隶属函数是极其不。只有正常的隶属函数可用于，但这样做限制了精度与范围，使非线性系统诊断结果不。 为了解决模糊诊断这些问题中，引入神经网络好的方。我们都知道，在故障诊断中的设备存在很多 。确定是否是正确研究。模糊诊断方法通常模糊关系矩阵 ，这是模糊诊断方法性质。这种方法已成为电子设备故障诊断。虽然许多学生已进行在这一领域，但它就创建学习型样品仍然在探索阶段。因此，本文强调了学习样本模糊处理方法，提出了基于神经网络模糊诊断方法，并进行了模拟研究。 2 .基于神经网络的模糊聚类结合模糊集理论与神经网络进行故障诊断是一个非常的诊断方法。当BP网络应用于模糊诊断，由已经的网络模糊映射关系，我们能输出故障原因隶属度值，显示的可能性，某些故障的 。[2]进行的应用模糊集理论研究，专家系统和神经网络变压器油中溶解气体分析和诊断，再模糊集理论与神经网络结合。从上述分析，我们可以看到，当BP网络应用于诊断，它的范围，密度极高要求的，分布在空间的样本数据一致性和统一性，否则，这将直接影响诊断模型。本节的示例程序使用方法基于模糊集理论，这也是重模糊集理论与神经网络进行诊断。 2.1 分类的样本为了减少网络的复杂性和研究困难程度，我们必须进行样本。假设样本空间的历史数据是（X和Y） ，数据样本 ，X1,Y1, X2,Y2……Xn,Yn,然后在群集的标准功能 （1） 在这种， K 开头是一些子样品;词是抽样; ü 是之一，它部分样本空间。如下算法。（1）数据。为了消除差异，每一个样本不同数量级，我们应该处理每一个正常化指标值，： （2） （2）样本空间：C= {C1, C2 ……Ck}, 然后，我们计算出每个样品距离达到集中心最短距离，这着样本Xi K 开头样本集，收到一些样品集Mk。（3）计算集的。如果，集束的质量小于给予一定的价值，事先分类结束后，以其他方式转让给下一个步骤。 （3） （4）选择一个样品‘ui(Mi≠1)’，移动‘u’到‘Гj(i≠j)’, 计算新的中心和标准功能。 （4） （5） （6） 如果△Jej(t) △Jei(t),我们不能得到Jej(t+1)Jei(t+1) 因为另一地位收集的转折点样本将不会影响其他种类。(i≠j),得出最小值，min△Jej(t)= △Jem(t),再把 ‘u’ 代入Гk, get Je(t+1). （5）如一些已经到达，否则转向步骤（4） 。多次，最后的的中心，每一个子集，通过，每个样品只有一个集的地位，从而分裂成K样本空间的子集。2.2 研究神经网络研究不同的子集，我们应采取算，整个网络（包括其结构和算法） ，分别采取相应的样本数据训练，得到了一套网络最后用K网络把测量样品将得到的结果K神经网络分开。2.3 同伴的结果测量样品，我们无法决定它是否属于正确的子集我们可以证实，以多大的程度，它属于某一分类，然后平均结果，最后获得最终的结果。在这种，Si（x）是测量样品每个样品子集，μi（x）是。3 .仿真研究为了验证模糊诊断神经网络的基础上提出方法。还需要变压器油中溶解气体的分析和模拟对象的诊断。以下是具体步骤：（1）创建初始样本 允许因素的种类等的影响，数量和环境的，根据该，我们收集30由不同的制造工厂和不同电压下运作的层次和差异变压器色谱测试记录和相应的故障结果为了便于比较，考虑[2]作为实验分析样品，此外，提7套30台随机，它们共同组成了最初的数据采集，然后通过前一节的初步分析样本模糊处理方法这里仍然采在[2]定量过程的试验数据，然后取得初步样本数据。，智能诊断和分析了变压器油中溶解气体，主要是通过气体含量和总烃值一氧化碳，氢气，甲烷，乙炔，乙烯，乙烷，作为输入参数，诊断和分析。根据综合考虑和比较，采取乙炔氢气甲烷作为参数总烃