第五章模糊理论及其在故障诊断中的应用解析.ppt

仿真系统的整体结构示意图如下图所示。 上图中，检测信号为工程描述中的15个参数的实际检测数据，模糊量化分别用常用的三角形隶属函数和正态型隶属函数进行量化处理。 根据测试和专家的实际经验，将转速、功率、温度等信号选为三角形隶属函数进行模糊量化，压力信号选为正态型隶属函数进行模糊量化。 以淡水温度这一参数的模糊量化为例： 根据专家的实际经验，船舶柴油机的淡水温度在70～800C时系统运行状态最好，所以我们将淡水温度的三角形隶属函数的参数分别选取为b=0,a=75,c=100。 这样，当淡水温度参数为750C时运行良好的隶属度为1，高于750C或低于750C运行良好的隶属度都将降低，当淡水温度参数为00C或1000C时出现系统运行的极限状况，此时系统运行良好的隶属度为0。 这样，通过隶属函数将淡水温度参数转换为[0,1]区间的运行良好的隶属度，这样的数据是比较适合作为神经网络的输入的。 通过上述过程，神经网络的输入是经过模糊处理的数据。下面进行神经网络的设计。 设计三层BP网络，输入层为15个神经元，输出层为3个神经元，隐含层神经元个数根据经验公式定为31个。隐含层的神经元数目并不固定，可以在实际仿真中根据需要进行动态调整。 隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig，训练函数采用traindx，总步长设为1000，全局误差设为0.01，学习率为0.01。在Matlab中实现的程序如下： Threshold=[0 1;0 1;0 1; 0 1;0 1;0 1; 0 1;0 1;0 1; 0 1;0 1;0 1; 0 1;0 1;0 1;] net=newff (threshold, [31 3], {‘tansig’, ‘logsig’}, ‘traingdx’); net.trainParam.epochs=1000; net.trainParam.goal=0.01; L.P.lr=0.1; 取9组模糊量化后的输入数据P和期望输出数据T对该网络进行训练： 经过147步训练后网络性能达到要求，训练曲线如下图所示。 再取6组实测数据对训练好的网络进行测试，其中第1组数据为单缸失火故障数据，第3组数据为漏油故障数据，第6组数据为雾化燃烧不良故障数据，其它数据为正常运行数据，模糊量化后数据如下： Matlab中测试运行结果如下： 从诊断数据Y可以看出，诊断结果的第1组数据、第3组数据、第6组数据已经分别准确诊断出了单缸失火故障，漏油故障，雾化燃烧不良故障。 诊断结果说明所设计的模糊神经网络系统能够满足应用需求，是一种实用的智能故障诊断方法。 模糊推理系统（FIS）编辑器为系统处理高层属性： 如确定多少输入和输出变量？它们的名字是什么？ 模糊逻辑工具箱不限制输入的数量。 但输入数量受所用计算机可用内存的限制。 隶属度函数编辑器用于定义对应于每个变量的隶属度函数的形状。 规则编辑器用于定义系统行为的一系列规则。 规则观察器和曲面观察器是不同于编辑器的用于查看FIS的工具。 规则观察器是一个基于MATLAB的用于显示模糊推理方框图的工具。 可以用作一个诊断工具，例如它可以： 曲面观察器用于显示一个输出与一个或两个输入之间的依赖情况，即它为系统生成和绘制输出曲面映射。 显示哪一条规则正在使用，或者单独的隶属度函数的形状是如何影响结果的等。 （二）应用简介 以建立一个双输入、单输出的关于小费的模糊逻辑系统来介绍模糊逻辑工具箱的应用。 基本小费问题：给定一个0至10之间的一个数表示饭店的服务质量（这里10表示非常好），另一个0至10之间的一个数表示饭店的食品质量（ 10表示非常好），以此来确定小费应是多少？ 基于饭店中个人多年经验有下列3条小费规则： 如果服务差或食品差，那么小费低； 如果服务好。那么小费中等； 如果服务极好或食品极好，那么小费高。 假设中等小费是15%，小费高是25%，小费低是5%。 那么，小费函数的形状可由下图来描述。 对于小费形状的模糊认识对模糊系统的建立非常有帮助。 图 小费函数形状 使用GUI构造模糊推理系统： （三）FIS编辑器 ① 表示这些菜单项允许使用5个基本GUI工具中的任何一个保存、打开或编辑模糊系统。 ② 表示系统名显示在这里，可以使用“Export－To Disk”来修改。 ③ 表示这些下拉菜单用于选择模糊推理函数，例如反模糊化方法。 ④ 表示此状态行描述了最近的当前操作。 ⑤ 表示双击输入变量图标打开隶属度函数编辑器。 ⑥ 表示双击系统方框图标打开规则编辑器。 ⑦ 表示双击输出变量图标打开隶属度函数编辑器。 ⑧ 表示此编辑框域用于命名和编辑输入和输出变量的名字。 对FIS编辑器进行相关操作，得到如下结果： 命名FIS为tipper；建立两个输