基于遗传算法和神经网络优化的故障诊断专家系统分析.pptVIP

基于遗传算法和神经网络优化的故障诊断专家系统 主要内容 故障诊断专家系统中的神经推理网络模型 遗传算法训练神经网络 基于规则的遗传神经网络专家系统的体系结构 结论 故障诊断专家系统中的神经推理网络模型 人工神经网络将已有的数据和已知的故障模式作为样本，通 过学习得出数据量与故障模式间的映射关系，在人工神经网 络中，信息的存储和处理是合为一体的，能从不完全、不精 确的信息联想出完整的信息，因而人工神经网络具有很强的 学习能力、信息处理能力以及学习过程中的完善性能，实现 了对人类思维模式的模拟。 故障诊断专家系统中的神经推理网络模型 但神经网络权重形式的知识表达方式难以理解，为使系统具 有良好的透明性，在神经网络的推理中，引用专家的规则推 理方法，这为神经网络系统建立良好的解释机制提供了方便， 且使得系统具有联想记忆和处理非线性问题的能力，其鲁棒性 和容错性好，处理模糊性、随机性的信息能力强，适于在线实 时控制，同时使系统具有良好的透明性。 故障诊断专家系统中的神经推理网络模型 神经网络采用具有模糊联想记忆的网络结构FNC（Fuzzy Neural Controller）,如图1所示： 故障诊断专家系统中的神经推理网络模型 系统利用误差反向传播来指导学习过 程，模糊推理控制器有两个输入e和 △e为误差（yd-y(t), yd是给定值， y(t)是被控对象输出值），△e是误 差的变化，输出为μ，将e和△e划分 为n个模糊子集，将其用高斯型隶属 函数表示： Xi : 表示输入变量 Cij: 表示隶属函数的中心 bj :表示隶属函数的宽度. 故障诊断专家系统中的神经推理网络模型 系统中知识的表示用产生式规则表示, 模糊神经推理网络由 如下的一组规则构成: Ri: 第i 条模糊规则 Ai1 和Ai2 为输入(e, △e) 的隶属函数 U *:总的输出 故障诊断专家系统中的神经推理网络模型 Wi：为第i 个模糊规则对于输出作用权值,且有 μi:第i条规则的隶属度 遗传算法训练神经网络 一般神经网络BP学习方法是一种建立和调整模糊推理控制系 统的良好方法，但这种方法本质上是一种只考虑局部区域的 梯度法，缺乏全局性，有可能仅优化到局部极值部分，其调 整的收敛性依赖于初始状态的选择。 遗传算法是一种基于生物进化过程的随机搜索的全局优化方 法，它通过交叉和变异大大减少了初始状态的影响，使搜索 得到最优化结果而不停留在局部最小处。 遗传算法训练神经网络 遗传算法不仅可优化模糊神经推理系统的参数, 而且可以优 化模糊神经推理系统的结构。使用遗传算法可以修正冗余的 隶属函数和网络的节点数, 以优化模糊推理规则。 因此，用GA算法优化具有全局性的参数和网络结构，用BP算 法调节和优化具有局部性的参数，这样GA算法作为一种离线 训练模糊神经推理控制器（粗略学习），用BP算法作为一种 在线调节神经网络的局部性参数（细调节）。 这两种方法的综合使用，大大提高了模糊神经推理控制系统 的自学习性能和鲁棒性。 遗传算法训练神经网络 模糊神经网络采用的高斯型隶属函数，其中心参数和宽度参 数（Cij，bj）是全局性的参数，用GA算法来调整和优化。 推理规则的结论部分中的权值较多的具有局部性，所以用BP 算法调节。 为了用GA算法学习调整模糊神经推理控制器的隶属度函数 (Cij，bj)值，将各参数用二进制串表示，假定参数的分量均 在预定的范围 内变化，则时刻参数串的表示值和 实际参数值之间的关系： 遗传算法训练神经网络 bin rep是由L位字符串所表示的二进制整数交叉率Pc和Pm变 异率采用自适应的方式，用适应度函数来衡量算法的收敛状 况： fmax：群体中最大适应度 ：平均适应度 fmax- 体现了群体的收敛程度，K1,K2=1为常数 遗传算法训练神经网络 如果从过程操作数据中,我们已经得到样本数据(e, △e, ui), 1 ≤ i ≤m , 那么对于上述的模糊神经推理控制器, 问题就 成为: 当输入e = ei, △e = △ei时, 则输出 ,寻找 最优模糊隶属函数参数 使得误差E 的最小值: ui ：希望输出值 ui*： FNC输出值 遗传算法训练神经网络 采用遗传算法训练模糊神经网络参数的步骤： （1）随机产生n 个二进制字符串, 每个字符串表示整个网络的一组参数。 （2）根据公式(6) 将各二进制字符串译码成网络的各参数. 然后根据下式计算每一组参数的适应度值f i（i=1，2，…，n）. 遗传算法训练神经网络 （3）按下列步骤产生新的群体，直到新群体中串的总数达到n：