第五章模糊理论及其在故障诊断中的应用重点分析.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