D399柴油发电减振机组陆上振动分析.pdfVIP

基于FNN的船舶柴油机故障诊断方法 朱源汤天浩李杰仁 (上海海运学院上海200135) 擅蔓t本文介绍了一种新型模糊神经网络模型，对广义概率和、积算子进行了改进和扩展 并应用于船舶柴油机故障诊断系统，仿真试验表明谊网络模型的优越性． 关t词t模糊神经网络：故障诊断；广义模糊概率算干 O、引言 网络算法和网络结构是基于神经网络的智能系统的核心阊题，算法和结构的 优劣直接影响到系统的有效性和正确性。模糊神经网络(FNN)在故障诊断系统应用 中，将模糊逻辑与神经网络集成，可以克服模糊逻辑在模糊规则提取和模糊隶属函 数的表达等方面存在的不足，同时也能解决神经网络推理的“黑箱”问题。目前用 FNNf“，max—min模型虽然简单，但是缺乏自适应性使其难以表达复杂的推理关系： 而后两种模型虽然自适应性能好，但冗长的学习时间致使它们几乎不可能在大中型 系统中得到应用。因此一个实用的FNN首要的问题是如何缩短学习时间，使网络更 具有实用性。为了克服一般模糊神经网络难于应用于大型复杂系统，文献[41提出 了基于广义概率和、积算子的FNN模型，使其兼有max—min模型的简单和广义模糊 模型的自适应性。本文对广义概率和、积算子进行改进和扩展，并用其构成FNN诊 断模型，改进型广义概率和、积型FNN的算法更加简化，大大缩短了单步学习时间， 因而具有更好的收敛性能。 1、改进型广义概率和、积算子 改进型广义概率积(GPP)算子定义为： U。。B(x)=(U_(z)U。k沙 (1) 运算的基础上将数据压缩。 改进型广义概率和(GFS)算子定义为 431 U．。。(x)=1一【(1一U．(，))0一U，(x)圩 (2) 其中q为补偿度，q∈[0，+*)，q的大小表示“并”的程度，当q∈[O，1]时， 上式就退化为一般广义概率和算子，当q1时，上式就表示在概率和“并”运算 的基础上再压缩数据。 改进后的广义概率和、积FNN，当补偿度都大于1时，其网络各层的输出又有 新的变化，克服了一般广义概率和、积FNN当其补偿度变化接近i时，网络权值修 改缓慢的缺点。而补偿度大于i，其作用可改变神经元输出，使其脱离这类局部极 小，效率得到显著提高。． 2、改进型广义概率和、积FNN 2．1网络结构 由改进型广义概率和、积算子构成的FNN采用图i的结构，由三层神经元组成， 征兆层只具有分配输入的作用，规则层神经元采用改进型广义概率积FN，故障层 采用改进型广义概率和F}i。规则层和故障屡的输出分别为： 故障层(v) A 规则层(m) 征兆层(n) 图I模糊神经网络 (3) 妒 ： !!；! 其中： 再．4’_乞∈【0，+m)dl，．∈(吨+甸 凡=·一[童(·一彳，)。7]“ (4) 其中： ；—生 ^d2女，∈(一o。，+∞) c 吼∈【o，+∞) “ 至d2刍 J‘I 2．2学习算法： 改进型广义概率和、积FNN也采用有教师学习算法，权值、补偿度的修改量采用 梯度法计算。如果教师值与实际输出值之间存在误差，可按以下公式进行修改： ‰÷毫砉(啦列)2