基于模糊神經(jīng)網(wǎng)絡(luò)的電機(jī)故障預(yù)測(cè)新方法
1引言
系統(tǒng)的狀態(tài)預(yù)測(cè)是故障診斷中必不可少的一個(gè)環(huán)節(jié),是診斷技術(shù)的重要目標(biāo)之一。基于模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)是一種非參數(shù)模型預(yù)測(cè)。在用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí),現(xiàn)有的方法一般是利用大量已獲得的觀測(cè)數(shù)據(jù)即樣本數(shù)據(jù)進(jìn)行一次建模,然后在預(yù)測(cè)時(shí)不再進(jìn)行學(xué)習(xí),即網(wǎng)絡(luò)參數(shù)不變。隨著時(shí)間的推移,這種利用歷史數(shù)據(jù)建立的模型不能完全反映時(shí)間序列近期和現(xiàn)時(shí)的特性,需要隨著新數(shù)據(jù)的積累不斷調(diào)整網(wǎng)絡(luò)模型的參數(shù),使模型不斷完善。因此,本文提出一種新的模糊神經(jīng)網(wǎng)絡(luò)算法,即在原有算法的基礎(chǔ)上引入時(shí)差法,該方法在某種程度上能實(shí)時(shí)地根據(jù)觀測(cè)數(shù)據(jù)和預(yù)測(cè)結(jié)果不斷調(diào)整模型參數(shù),使模型盡可能完善,從而提高預(yù)測(cè)精度。
2模糊神經(jīng)網(wǎng)絡(luò)
模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy Neural Network)是模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合,通過神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)模糊邏輯,同時(shí)利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力,動(dòng)態(tài)調(diào)整隸屬度函數(shù)、在線優(yōu)化控制規(guī)則。二者的融合彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)在模糊數(shù)據(jù)處理方面的不足和純模糊系統(tǒng)在學(xué)習(xí)方面的缺陷。
我們采用的是一種串形結(jié)構(gòu)的多層前向模糊神經(jīng)網(wǎng)絡(luò),如圖1所示.該模型有四層,分別為輸入層,隸屬函數(shù)生成層(模糊化層),推理層及反模糊化層。
取相鄰 12個(gè)峰峰值數(shù)據(jù)為一組訓(xùn)練樣本,第 13個(gè)數(shù)據(jù)作為訓(xùn)練目標(biāo)。這樣共取 10組用來訓(xùn)練網(wǎng)絡(luò)。將最為接近的數(shù)據(jù)作為訓(xùn)練樣本,并隨系統(tǒng)采樣而不斷更新訓(xùn)練樣本,以便用最接近的數(shù)據(jù)來得到更準(zhǔn)確的預(yù)測(cè)結(jié)果。運(yùn)用 Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行仿真,通過測(cè)試,選取輸入為 12,最大循環(huán)次數(shù)(epoch)為 50,期望誤差最小值為0.001。其預(yù)測(cè)過程如圖4所示,預(yù)測(cè)分析如表1所示。
預(yù)測(cè)結(jié)果與實(shí)際結(jié)果相比,其絕對(duì)誤差最大值等于 0.06,結(jié)合現(xiàn)場(chǎng)傳感器的測(cè)量誤差,可以認(rèn)為這些數(shù)據(jù)基本滿足實(shí)際的電機(jī)正常運(yùn)行的預(yù)測(cè)要求。
5 結(jié)論
本文將模糊神經(jīng)網(wǎng)絡(luò)與時(shí)間序列結(jié)合起來,并引入時(shí)差法,建立了新的預(yù)測(cè)模型,并以電機(jī)運(yùn)行時(shí)的振動(dòng)電壓峰峰值為依據(jù),對(duì)電機(jī)的運(yùn)行狀態(tài)做了預(yù)測(cè)。檢測(cè)結(jié)果表明:該預(yù)測(cè)模型的預(yù)測(cè)精度較高,誤差小,是一種較為實(shí)用可行的方法。
評(píng)論