基于模糊推理神经网络诊断模型应用研究.docVIP

基于模糊推理神经网络诊断模型应用研究 　　摘要：模糊推理系统能处理和利用不精确的知识，是一种有效的智能建模方法。但是模糊推理系统缺乏有效的设计方法。 本文通用神经网络的自适应性和诊断的建模方法，建立了一种新的故障诊断模型―模糊神经网络诊断模型。 　　关键词：神经网络；故障诊断；智能诊断 　　中图分类号：TP389文献标识码：A文章编号：1009-3044(2007)18-31690-02 　　The Application of Fault Diagnosis Based on Fuzzy Neural Networks 　　GAO Huan-zhi,LI Jun,LI Fang 　　(Institute of Disaster Prevention Science and Technology,Sanhe 065201,China) 　　Abstract:Faintness reasonning logically system can handle with make use of not accurate knowledge, is a kind of valid intelligence to set up a mold method.But the faintness reason logically system to lack a valid design method. Thesis in general use nerve network of set up the mold method from the adaptability and the diagnosis, build up a kind of new breakdown to examine a patient model-the misty nerve network examine a patient model. 　　Key words:Nerve network;Break down diagnosis;The intelligence examine a patient 　　 　　1 模糊推理神经网络诊断模型建立 　　 　　1.1通用网络模型自适应动态特性 　　比较两类典型的神经网络―前向BP网络与反馈Hopfied网络，可以发现其核心是单层神经网络，则两类网络可以用一个通用神经网络模型来描述。根据点集拓扑理论和人工神经网络空间概念，对这个通用神经网络模型的特征进行分析得出以下两个结论，证明从略［3］。 　　定理1神经网络空间在紧集上的连续函数空间C上以及按L2范数在平方可积函数空间I上都是稠密的。 　　推论1由通用神经网络模型所生成的任何开集可以一致逼近紧集上的连续映射函数f∈C(Rn，Rm)。 　　由推论1表明，通用网络模型所概括的任何开集(如BP网络、Hopfield网络、BAM网络)通过自学习都能一致逼近紧集上的连续映射函数f∈C(Rn，Rm)，因而具有良好的自学习、自适应动态特性。 　　1.2诊断建模方法 　　设xjn，(j=1，2，…，k)对应反映设备运行状态第n个观测样本的k个特征参数，yin，(i=1，2，…，l)对应第n个样本的l种故障模式，共有N个样本xjn∈RN，yin∈RN，(n=1，2，…，N)，则故障模式向量Y=｛yin，i=1，2，…，l｝与特征参数向量X=｛xjn，j=1，2，…，k｝间的内在关系用函数P表示，有：X=P(Y)。当N→∞时，函数P的逆函数存在，以函数S表示，有：Y=S(X) 　　诊断问题建模的实质就是根据有限的样本集，确定函数S(X)的一等价映射关系SS(X)，使得对于任意的ε＞0，满足： 　　‖S(X)-SS(X)‖=‖Y-YY‖＜ε 　　式中：YY=SS(X)为模型输出，Y=S(X)为标准输出，‖．‖为定义在样本空间R上的范数，ε表达了函数SS(X)的映射精度。 　　参照数学基础中的有关连续的定义，针对诊断建模问题得出以下3个结论，证明从略［3］。 　　定理2对于机械诊断问题，通过一定的数学变换，可得到X∈［0，1］k，Y∈［0，1］l，若映射S为定义在［0，1］k到［0，1］l上的实连续函数，又［0，1］k为RN的紧密子集，则映射S就能表征机械诊断问题，即：Y=S(X) 　　定理3对于机械诊断问题Y=S(X)，其中X∈［0，1］k，Y∈［0，1］l，若存在映射SS，使得对于有限样本集(X，Y)N中任意的X0∈[0,1]k有： 　　则映射SS建立了诊断问题的数学模型。 　　推论3若映射SS(X)一致逼近定义在紧集［0，1］k上的实连续函数，则映射SS建立了诊断问题的数学模型。 　　1.3模糊神经网络诊断模型 　　基于通用神经网