基于粗糙集与人神经网络的风机故障诊断.docVIP

基于粗糙集与人工神经网络的风机故障诊断 舒服华武汉理工大学机电工程学院摘要：提出了一种粗糙集理论与神经网络集成的风机故障诊断方法试验结果该方法可以有效提高风机故障诊断的精度和效率。 关键词：风机 故障诊断粗糙集 神经网络 中图分类号TP118 文献标识码 文章编号 Trouble Diagnosis Based on Rough Set and Artificial Neural Network for Fan Abstract: A new method of rough set and neural network for fan trouble diagnosis is presented. Test result shows: this method can improved the accuracy and efficiency of fan trouble diagnosis. Key words: Fan Trouble diagnosis Dough set Neural network 0 引言 近几年来随着人工神经网络（ANN）技术成熟和完善极大推动了故障诊断技术的发展。它具有大规模的并行处理和分布式的信息存储能力、良好的自适应性、自组织性及很强的学习、联想、容错和抗干扰能力能以任何精度逼近复杂非线性系统。但是,人工神经网络拓扑结构的确定缺乏严格的理论依据通常依靠经验选取,如果网络的规模过大不仅导致训练时间过长而且限于局部极小[1]。粗糙集理论（Rough Sets,RS）是一种处理模糊性与不确定性的软计算基础理论它不需要任何验知识,仅利用数据本身提供的信息就能够表达和处理不完备信息能在保留关键信息的前提下对数据的属性进行约简并求得知识的最小表达,从中发现隐含知识揭示潜在的规律[4]。文献[1]提出了基于人工神经网络的风机工作状态智能检测方法文献[2]提出了基于粗糙集理论的设备故障诊断技术,但都存在一定的局限性。本文提出了一种RS理论和ANN融合的风机故障诊断方法。应用粗糙集理论对神经网络的输入数据进行预处理消除冗余信息,提取关键成分以达到减少输入神经元节点简化网络结构的目的这样可以缩短网络训练时间提高识别精度。因此利用先进的技术进行风机运行状态监测及时查清设备隐患采取相应的措施具有重要意义。 1诊断模型 1.1基本思想在情况下由于各种传感器等探测设备获得的并不是很精确的数据信息而是一些不完善、不一致或相对粗略的信息。这些粗糙的信息集合中含有大量的冗余信息甚至包含一些错误的信息如果直接运用这些数据信息进行故障诊断决策,往往会增加计算的复杂性和影响诊断的精确性。因此将粗糙集理论与神经网络技术结合起来充分利用粗糙集挖掘数据的能力和人工神经网络高度泛化的能力。即先利用自组织映射（SOM）神经网络对连续属性故障诊断系统数据进行离散处理然后借助粗糙集理论利用遗传算法对决策系统进行属性约简提取诊断规则用于故障识别最后在约简的故障诊断决策系统的基础上,建立径向基函数（RBF）神经网络利用其模式识别能力完成风机故障诊断。 1.2主要技术 1.2.1数据离散化 RS只能处理离散属性值而原始故障诊断系统的属性值是连续的因此必须对决策系统中的数据进行离散化处理。目前对连续量离散化的方法很多采用自组织映射神经网络方法。它是一种无监督自组织竞争学习型前馈神经网络能通过自组织方式利用大量的训练样本数据来调整网络权值分类结果较为客观反映数据的实际分布情况。具体步骤[3]：（1）给定SOM网络初始权值m=2（2）给定条件属性初始维数d=1（3）将第d维条件属性按大小排序（4）用SOM网络对排序后的第d维条件属性值进行分类（5）把相邻两类边界属性值的均值作为二类的分界值（6）用条件属性量化参数对该维条件属性进行量化（7）赋值d=d+1返回步骤（3）直到最后一维条件属性（8）检查数据表是否相容若相容停止否则令m=m+1, 返回步骤（2）。 1.2.2知识属性约简 属性约简基本思想是采用某种衡量标准确定不同属性的重要程度,构造最小子集。基于RS理论的知识约简方法分两个步骤一是从决策表删除一些列；二删除冗余的行。约简的方法比较多但算法的代价比较高采用遗传算法对属性进行约简,它具有比较好的通用性、鲁棒性、全局搜索性。 （1）参数编码 编码形式采用二进制基因的每一位代表区分矩阵的一项,即两个对象的区分属性集某位0表示该属性不存在1表示该属性存在。每个基因的长度等于条件属性的个数N。 （2）适用度函数 决策约简的目标是用尽量少的属性来尽可能多的个体为了达到这一目的,适用度函数设计为[2] F(x)= (1) 式中N为决策表中条件属性的个数L(x)为候选约简x所涉及到的属性数量