基于模糊神经网络的ETV复杂故障诊断研究.docVIP

基于模糊神经网络的ETV复杂故障诊断研究 　　 摘 要：堆垛机是较复杂的物流装备，其复杂故障呈现出故障原因与征兆之间的模糊关系。文中采用神经模糊系统解决堆垛机复杂故障的诊断问题。结合现场专家的维修经验，划定征兆隶属度，将BP神经网络融合Mamdani模糊系统并使用粒子群优化参数。仿真结果表明该系统能有效判别复杂故障原因，提高了设备维护保养效率。 　　 关键词：神经模糊系统;堆垛机;故障诊断 　　 中图分类号：F253.9 文献标识码：A 　　Abstract： Stacker is a kind of complex logistics equipment， its complex fault showing fuzzy relationship between the cause and symptom. Neuro-fuzzy system is used to diagnose the complex fault of the stacker in this paper. Fusion the BP neural network and Mamdani fuzzy system， combined experience of the experts in the maintenance field to sign the membership of fault symptoms， and using PSO to optimize BP-NN parameters. Simulation results show that the system can effectively determine the cause complexity， improve equipment maintenance efficiency. 　　Key words： neuro-fuzzy system; stacker; fault diagnose 　　0 引 言 　　 航空货运伴随经济全球化进程和日益激烈的企业竞争得到了飞速发展。航空货运是高附加值高速高效的货运手段，在货物运输总时间中，机场货运站货物处理时间占据了近80%，因此货运站工作效率高低直接影响到航空货运的效率。货运站中物流装备的工作效率及平均无故障运行时间是保障整体效率的关键因素之一。 　　 升降式转运车（Elevating Transfer Vehicle， ETV）是大型机场货运站内结构刚度、制作精度、安全性要求最高、货物存取动作最多、控制策略最复杂的大型机电设备，是一个大型航空货运站货运能力的标志。作为控制性核心设备，在ETV发生较复杂故障时，能够快速诊断并处理，就显得尤为重要。 　　 ETV的基本结构如图1所示，由于ETV本身的复杂性，它的复杂性故障原因与征兆之间呈现出较复杂的逻辑关联关系，呈现出“多因一果”、“多因多果”、“一因多果”等特点，很难用单一的判别函数进行故障分离和解析。因此，考虑使用神经网络+模糊推理系统融合的模式进行诊断判别研究。 　　1 模糊神经网络 　　 模糊推理（Fuzzy System， FS）技术和神经网络（Neural Network， NN）能够很好的融合，源于两者的相似性。两者均是具有并行处理能力的非线性输入/输出系统。FS和NN融合，将符号处理（物理符号机制）和非符号处理（联络机制）进行了有效关联，将不精确处理与精确处理做了很好的互补。因此，融合有助于提高模糊推理系统的自适应能力，同时提高了NN的全局性能与可观测性。这里选用Mamdani模型FS和BP-NN进行融合。 　　 Mamdani模型选用极大―乘积复合推理范式，规则形式一般为： 　　 设U■，U■，…，U■为n个有界论域，记U■=a■，b■。每个论域按一定规则划分为l个凸模糊子集R■，其隶属度函数记为μ■x■。模糊规则集表示为： 　　M■： if x■ is R■ and x■ is R■ and 　　… and x■ is R■ then y is y■ 　　 其中j=1，2，…，m，m为模糊规则数。结论“y is y■”由前提和第j条模糊规则得到。 　　 μ■=μ■x■?μ■x■…μ■x■?μ■ （2） 　　 最终系统的输出可以用“重心法”求得，其中ε■为第j条规则权重（重要度）。 　　 y=■ （3） 　　 堆垛机故障诊断属于多输入―多输出（MIMO）的模糊推理系统，为研究方便，可以将其分解成多个多输入―单输出（MISO）的系统，给出系统结构如图2所示。 　　 该系统分成5层，第一层为输入层，第二层对应模糊系统条件（IF），输出输入变量对应模糊集的隶属度函数，在本系统中，隶属度生成函数使用高斯函数：