自适应模糊推理系统下柴油机故障诊断探究.docVIP

自适应模糊推理系统下柴油机故障诊断探究 　　摘要：当前，为了对柴油机故障诊断问题进行有效处理，通过自适应模糊推理系统来构建其故障诊断模型，并使用减法聚类法来对模型初始结构进行确定，同时结合梯度下降算法以及最小二乘算法来构成有效的混合学习算法优化模型参数.通过文中实验数据检验得出，所构建的模型故障识别值与其实际值之间的误差值最大为1016%，误差最小值为0.115%.其误差平均值为2.26%，其识别精度最高为97.74%. 关键词：柴油机；模型；自适应模糊推理系统；梯度下降算法 自适应神经模糊推理系统（ANFIS）是一种将神经元网络与模糊逻辑有效结合的、科学的推理系统结构，由于它具备任意精度迫近相应非线性函数的能力，因此拥有推广能力较强以及收敛速度过快等诸多特点。 1.故障诊断模型及其分析方法 本文结合ANFIS来构建柴油机故障诊断模型。 文章假设有一个为n维空间的样本集，并包含N个样本数据点： Xi=[X（i），y（i）] 公式里，x=（x1，x2，...xn），其中n代表着样本数据维数；y则对应输出。 西方著名学者Jong提出的相应ANFIS，其实是Sugeno型模糊系统，对于典型的两个输入y以及x，其单输出?的一阶Sugeno模型系统具备以下两种规则： I? x is A1 and y is B1 then f1=P1x+q1y+r1 ? x is A2 and y is B2 then f2=P2x-q2y+r2 （2） ANFIS的结构可分为5层 1.1.输入变量模糊化，此外输出与模糊集隶属度相对应。以下列节点A1为例，利用高斯函数进行传递函数，具体表示为： Qj=μA1（x）=exp[-（xj-dij）/ ] （3） 其中公式中， μA1代表着隶属函数：xf（j=1.2）为节点j的有效输入： σij、dij分别代表着隶属度函数宽度以及中心，又被称作前提参数；其中i代表着隶属度函数所在的实际层数，即（i=1），而j则代表着层中的有效节点数。因此可以将A1看成是与该节点函数值有关的语言变量。 1.1.1.通过相应的乘法规则来将每条规则使用度进计算出来： O2，i=ωi=μ A1（x）?μBi（y） i=1.2 （4） 其中该层的相应节点都将其标记成为II固定节点。 1.1.2.计算适用度归一化值 O3.i= =ωi /S， S= i=1，2 （5） 其中该层所有节点都可标记成为N的固定节点。 1.1.3.对每天规则输出进行计算 O4，i= ?i i=1，2 （6） 通过重心法加权求和，其中，?i中的ri、qi以及pi为结论参数，其中每个层的节点都可看作是自适应节点。 1.1.4.对模糊系统全部输入信号的整体输出进行计算 O5，i= = ?i/S i=1，2 （7） 结论参数以及前提参数均为未知参数，通过使用相应的混合算法训练ANFIS，能够依据特定指标获得该类参数值。从而构建该模糊模型。 1.2.参数优化 首先，对前提参数进行固定，采取线性最小二乘估计算法对神经网络的相应结论参数进行优化，通过上述公式（2）―（7）中，可以将系统总输出显示成为结论参数线性组合，也就是： ?=（ X）Pi+（ Y）qi+ ri+（ X）P2+（ y）q2+ r2=φ?D 其中，公式中{p1，q1，r1，p2，q2，r2}组成了列向量为D；且 φ、D、 ?的矩阵。它的维数实际为P*6、6*1、P*1；且P为相应的训练数据组数。 如果将误差指标函数设定为J（D）=1/2|| ?-φD||2，在依据相应的最小二乘法原理，确保J（D）达到最小值，所以： D=[φTφ]-1φT ? 对参赛进行优化的第二步就是，结合固定结论参数对误差进行计算，并使用帝都下降误差对前提参数进行训练。 通过定样本数据，对相关优化步骤进行重复优化，直至确保误差符合相应要求或者达到了最大训练次数。 2.柴油机故障诊断实例 2.1.训练样本与测试样本 文章以常见的190A柴油机活塞-缸套磨损故障为例，对其在几种活塞裙部-缸套间隙下，实施故障诊断。由于该机身在运行过程中获得了相应的24组加速度信号，因此可以提出故障特征频率中的相应功率谱以及总功率参数来作神经网络诊断模型中的测试样本以及训练样本。 在对ANFIS诊断模型进行构建时，应选择高斯型隶属度函数。此外，为了简化模型，则利用减法聚类法对相应的训练数据空间实施非线性划分，并生成一个有效的sugeno模型作为相应的模糊推理系统结构。同时选择使用混合学习算法来对模型参数进行优化。 ANFIS模型可以