一种改进模煳神经网络及其在故障诊断中的应用.pdfVIP

第 16 卷第 1 期 振　动　工　程　学　报 V o l. 16 N o. 1 2003 年 3 月 Jou rn a l o f V ib rat ion En g in eer in g M ar. 2003 一种改进模糊神经网络及其在故障诊断中的应用 何成兵　顾煜炯　杨　昆 (华北电力大学动力系　北京, 102206) 摘　要　构造了一种改进模糊神经网络模型, 该网络由四层神经元构成, 第二层为模糊化层, 文中给出了该层的通 用隶属函数表达式。计及否定规则的影响, 提出了扩展通用隶属函数的概念, 并结合汽轮发电机组振动故障的不同 特征征兆, 给出了其具体表达式。在该网络的第二层与第四层间建立了部分直接连接关系, 根据不同征兆对故障诊 断结果的重要度不同, 赋予了部分连接的优先权值, 阐述了建立部分连接的依据和优先权值的确定方法。给出了网 络的具体学习算法, 并从单故障和多故障识别两个角度, 比较了该模型与某改进B P 网络的诊断结果, 证明了该模 型具有较强的故障识别能力。 关键词: 故障诊断; 神经网络; 模糊数学; 汽轮发电机 中图分类号: TH 165. 3; T P 18 　　神经网络和模糊系统都属于非数学模型的函数 点的直接连接是在输出节点与相应故障征兆输入节 估计器和动力学系统 , 它们以一种不精确方式处理 点间建立的。根据征兆的重要度, 赋予不同的连接优 比较精确的信息。神经网络模仿人脑神经元的功能, 先权值, 其值既可从故障样本中利用统计分析得到, 具有强大的自学习能力和数据处理能力, 但它不擅长 也可以根据专家经验确定。对于故障的主要征兆, 优 处理模糊性信息; 模糊系统主要模仿人脑的逻辑思 先权值为 1; 其它辅助征兆根据它对故障诊断结果 维, 具有较强的结构性知识表达能力, 但其模糊规则 的贡献大小, 赋值 0～ 1 间的小数, 贡献越大赋值越 集和隶属函数等参数只能靠经验设计。为综合神经网 大, 贡献越小赋值越小。 络与模糊理论的优缺点, 有必要将二者结合起来[ 12 ] 。 本文按传统神经网络模糊化方法, 构造了一种改进模 糊神经网络( Im p roved Fuzzy N eu ra l N etw o rk , 简称 IFN N ) , 阐述了该 IFN N 的模型结构、隶属函数和网 络学习算法, 并用实例验证了其优越性。 1　用于故障诊断的改进模糊神经网络 1. 1　改进模糊神经网络模型结构 　　IFN N 的模型结构如图 1 所示, 图中未连线表 示权重始终为 0。可以看出: 模型结构分为四层, 第 图 1　IFNN 的模型结构 一层为输入层, 该层各节点直接与输入量连接; 第二 1. 2　改进模糊神经网络的隶属函数 层为模糊化层, 该层的每个节点对应一个语义变量 取值, 它完成一个输入隶属函数的计算, 对于不同的 1. 2. 1　通用隶属函数的确定及扩展 故障输入征兆, 描述它的模糊子集分类和隶属函数 在工程应用中, 模糊集合的隶属函数通常取三 ( ) 表达式各不相同; 第三、四层分别为隐含层和输出 角型、梯型、高斯型或其它指数型 如戒上、戒下型 r 层, 输出表