模糊神经网络在汽车变速器故障诊断中应用.docVIP

模糊神经网络在汽车变速器故障诊断中应用 　　[摘 要]本文提出了一种基于模糊神经网络的车辆变速器故障诊断方法,介绍了该方法的原理?p结构及其实现算法。将该诊断方法运用到某汽车变速器轴承的故障诊断中,建立了基于模糊神经网络的变速器轴承故障诊断模型。该诊断模型通过模糊神经网络的双向模糊联想,对输入的故障征兆进行模式识别。通过实验表明,该诊断方法对各种故障模式具有较高的识别率,并具有较强的泛化能力,是一种较好的故障诊断研究方法。 　　[关键词]模糊神经网络 双向模糊联想 变速器 轴承 　　[中图分类号]TS176[文献标识码]A[文章编号]1007-9416(2009)12-0096-03 　　 　　1 引言 　　 　　汽车变速器是汽车动力传动中的重要部件,它在传动中起着减速?p增扭等作用,对保证汽车良好的动力性和经济性有着关键性的作用。轴承是汽车变速器中的重要部件,也是最易损坏的部件之一。通过对汽车变速器轴承的故障诊断,可以提高变速器的工作可靠性,从而可以保证整车良好的性能。 　　在故障诊断领域当中,最基本的方法就是模式识别。然而随着系统复杂度程度的提高,系统的故障征兆,故障原因以及它们两者之间存在着一定的模糊性和不确定性,给故障诊断带来了一定的难度,传统的模式识别方法显然存在着不足。近年来,模糊逻辑和神经网络的融合技术在故障诊断领域应用非常广泛。本文提出的模糊神经网络通过双向模糊联想记忆,将故障征兆和故障原因之间的模糊关系存储在两个模糊关系矩阵中。它不仅利用了故障征兆到故障原因之间的映射关系,而且还利用了故障征兆到故障原因之间的反向映射关系,与传统的单向映射相比,大大的提高了故障诊断率。 　　 　　2 模糊神经网络的结构和原理 　　 　　模糊神经网络的拓扑结构如图1所示。输入层有n个节点,输出层有m个节点。输入层的n个节点对应着当发生故障时的n个诊断用的特征参数,这些特征参数构成了模糊故障征兆向量。输出层的m个节点对应着m个典型故障原因发生的可能性大小,它组成了模糊故障原因向量。输入层的每个节点通过前向模糊关系矩阵W和输出层的每个节点相连,同时输出层的每个节点通过反向模糊关系矩阵R和输入层的每个节点相连(见图1)。 　　当某个典型故障原因发生时,其对应的故障征兆向量就会出现,则一个模糊故障征兆向量XK和一个模糊故障原因向量YK就构成了标准的故障模式对(XK,YK)。把一个标准的故障模式对(XK,YK)作为训练样本提供给模糊神经网络,通过网络的双向模糊联想记忆,把这些知识存储在前向模糊关系矩阵W和反向模糊关系矩阵R中。针对每一个标准的故障模式对可以训练出一个模糊神经网络。假如有P个标准故障模式对,则可以形成P个模糊神经网络。这P个网络便组成了针对标准故障模式对的模糊神经网络故障诊断系统。如图2所示。 　　当用图2所示系统进行故障诊断时,把一个未知模糊故障征兆向量X0输入给系统,系统中的每个网络都通过其自身的模糊关系矩阵W和R实现双向模糊联想,最终可以得到基于P个标准故障模式对联想结果: 　　在得到每一个网络的联想结果后,每一个网络的输出O可以用下式来计算: 　　 (1) 　　令 (2) 　　Z所对应网络的故障模式就为未知模糊故障征兆X0所属的故障模式。但是这里有一个规定,如果Z0.8,我们认为故障诊断系统的这种联想结果是不能被接受的,从而认为这时所诊断的系统是没有故障的。 　　 　　3 模糊神经网络的算法 　　 　　(XK,YK)是一个标准的故障模式对,把它作为训练样本来训练模糊神经网络的过程如下。 　　可以表示为,,. (3) 　　可以表示为 　　(4) 　　模糊神经网络通过前向模糊关系矩阵WK和反向模糊关系矩阵RK可以将(XK,YK)这一故障模式对记忆在网络之中。通过学习得到的WK和RK如(5),(6)所示。 　　WK是一个矩阵,其中: 　　(5) 　　RK是一个矩阵,其中: 　　 (6) 　　到这里为止,针对(XK,YK)的模糊神经网络已经训练完成。 　　本文所提出的模糊神经网络的特点就是它的推理过程是一种双向模糊联想过程。这种联想过程可通过下式来描述: 　　(7) 　　(8) 　　其中是一种模糊算子,在本文中取为极大-极小算子。则(7),(8)可以表示为: 　　,(9) 　　,.(10) 　　当有一个未知的模糊故障征兆向量X0输入到一个模糊神经网络的时候,通过前向联想得到模糊故障原因向量Y0: 　　 　　然后通过反向联想又得到: 　　 　　又通过前向联想得到,再通过反向联想得到X2。通过这种反复的双向联想,可以得到最终的联想结果,此时和是稳定的,它们不再随着双向的联想而变化。文献[1]-[2]证明模糊神经网络这种双向联想过程具有全局稳定性