基于神经网络与专家系统集成的旋转机械故障诊断模型的研究.pdfVIP

基于神经网络与专家系统集成的旋转机械故障诊断模型的

研究

摘要：针对神经网络、专家系统在旋转机械故障诊断中存在的

不足，构建了一种人工神经网络和专家系统集成的故障诊断模型，

给出了该模型的组成和功能表述，分析了诊断参数的选取方法、知

识库的建立过程及神经网络模块结构等，并用实例讨论了诊断方法

的有效性。

关键词：专家系统神经网络故障诊断旋转机械

引言

针对旋转机械故障的复杂性、多样性和诊断时对领域专家知识

的依赖性，对旋转机械的故障诊断提出了采用人工神经网络（ann）

和传统专家系统（es）融合的新途径，充分利用人工神经网络和专

家系统各自特点，使其功能互为补充。解决了传统的专家系统在旋

转机械故障诊断中遇到的知识获取的“瓶颈”等问题。同时也解决

了单一神经网络系统在旋转机械故障诊断中遇到的不足。这种人工

神经网络和专家系统集成的故障诊断方法，能提高旋转机械故障诊

断的能力，更大限度地发挥人工智能技术在诊断领域的威力。

1、基于神经网络与专家系统集成的旋转机械故障诊断模型

基于神经网络与专家系统集成的旋转机械故障诊断模型如图1

所示。

图1神经网络与专家系统集成的诊断系统模型

各部分的主要功能是：

1）编译器。主要是将符号知识转换成神经网络所必须的数据知

识。

2）神经网络。主要完成专家系统的推理工作。其实质是神经网

络的计算，即由已知的征兆向量经过神经网络计算获得故障向量。

3）行为解释。利用网络中的各项数据（包括征兆输入数据、故

障输出数据和隐含神经元输出数据）及输入神经元，输出神经元的

物理含义并结合知识库中的连接权值来形成规则，其过程相当于神

经网络训练的一个逆过程。

4）知识库管理。存储和管理知识库的知识，丰富知识库，以便

系统不断完善。

5）人机接口。以友好的人机界面同用户交互。

6）数据库。用于存储在线监测和诊断时所需的实时检测到的

工作数据、推理过程中所需要和产生的各种诊断信息；静态数据库

用于存储故障时检测到的数据或人为检测到的一些特征数据。

7）知识获取。知识获取过程就是网络的学习过程，主要有两

种途径实现，一是直接从数据化的实例中学习，二是从传统的专家

系统已获取的知识中学习。

2基于神经网络和专家系统的旋转机械故障诊断方法

1）诊断参数的选取

根据故障机理，若某一故障发生，则其特征参数将发生较大变

化。因受各种因索影响，尽量不以绝对值作为异常诊断的依据，而

要与初始值或正常值进行比较，用其比值作为检测参数来进行诊

断。为此，诊断的监测参数定义为：

（1）

式中：——相对于的待检状态参数值；

——相对于的正常状态参数值。

两者的比值与—门限值进行比较若大于门限值.故障征兆输入

取为“1”即故障征兆存在，否则取为“0”，即故障征兆不存在。

2）知识库的建立

它包括知识获取和知识存储两个过程。知识获取表现为训练样

本的获得与选择，训练样本来源于同类型诊断对象在正常运转时和

带故障运行时的各种特征参数。知识存储是将由训练样本对神经网

络进行训练获得的连续权值和阈值进行存储，从而形成知识库。

3）神经网络模块结构图

为了进一步提高系统的推理和学习能力，建立了故障诊断神经

网络模型，其结构如图2所示。神经网络采用n层结构的bp网络。

抽取出故障若干信息作为网络的输入；并从工程实例中选取有代表

性的样本对网络进行训练；训练完毕后即可利用神经网络进行推

理。当出现网络拒识样本时，通过专家进行判断推理，然后将此样

本输入到训练样本集中，使网络继续学习，对权值进行调整，直至

做出正确推理为止。

图2故障诊断神经网络模型

4）知识处理

在旋转机械故障诊断神经网络专家系统中，只需将观测到的故

障现象通过编译器转化为数值知识，送入神经网络，然后计算网络

输出，最后将网络的数值输出经反编译器转化为符号知识，即得到

了故障原因，这种专家系统的知识处理是与神经网络的结构紧密相

关的统一体，不需增加相应的推理机构，将数值知识转换为符号知

识的反编译器是编译的逆过程，有与编译器类似的结构。