張墩利 ，周國棟 ，李慶鐳

（1.中南大學(xué) 機(jī)電工程學(xué)院，長沙 410083；2.湖南廣播電視大學(xué) 機(jī)電工程系，長沙 410004；3.國網(wǎng)天津城東供電公司，天津 300000）

智能故障診斷技術(shù)是指依靠先進(jìn)的傳感器技術(shù)和檢測技術(shù)，采集系統(tǒng)各種具有特征性的動(dòng)態(tài)數(shù)據(jù)，并對(duì)其進(jìn)行處理、分析、區(qū)分和識(shí)別，確認(rèn)異常表現(xiàn)，預(yù)測發(fā)展趨勢，查明產(chǎn)生原因、發(fā)生部位及嚴(yán)重程度，并提出針對(duì)性的維修措施和處理方法[1-3]。汽車起動(dòng)機(jī)性能自動(dòng)測試儀在汽車工業(yè)中得到越來越廣泛的應(yīng)用[4]，其主要結(jié)構(gòu)如圖1所示，采用電流和轉(zhuǎn)速雙環(huán)控制，由于其結(jié)構(gòu)復(fù)雜、測試精度要求高，所以對(duì)設(shè)備的性能監(jiān)控和故障診斷具有十分重要的意義。

圖1 起動(dòng)機(jī)測試儀原理Fig.1 Diagram of starter testing system

傳統(tǒng)基于規(guī)則的專家系統(tǒng)進(jìn)行故障診斷時(shí)的主要缺陷在于存在著知識(shí)獲取瓶頸、組合爆炸、無窮遞歸等難于解決的問題，且不具備聯(lián)想和自學(xué)習(xí)功能。為了有效解決此類問題，本文針對(duì)起動(dòng)機(jī)檢測設(shè)備設(shè)計(jì)了一種基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)FNN-ES[5]。

1 系統(tǒng)總體結(jié)構(gòu)

基于模糊神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動(dòng)機(jī)故障診斷專家系統(tǒng)FNN-ES充分利用專家系統(tǒng)ES和模糊神經(jīng)網(wǎng)絡(luò)FNN的特點(diǎn)，由ES負(fù)責(zé)邏輯處理，F(xiàn)NN負(fù)責(zé)數(shù)值計(jì)算，各部分工作相互獨(dú)立而有機(jī)地結(jié)合在一起，整體系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)結(jié)構(gòu)Fig.2 Structure of FNN-ES

FNN是模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的核心，將其嵌入在ES中，F(xiàn)NN負(fù)責(zé)完成知識(shí)獲取、推理等工作。

（1）知識(shí)獲取。模糊神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能，能根據(jù)領(lǐng)域問題組織的訓(xùn)練樣本而獲得領(lǐng)域知識(shí)，這些知識(shí)將以連接權(quán)值的方式分布在網(wǎng)絡(luò)各節(jié)點(diǎn)上（即知識(shí)庫）。

（2）推理。訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)對(duì)輸入模式進(jìn)行前向計(jì)算，其輸出結(jié)果即推理結(jié)論。

ES則通過圖形界面GUI與用戶交互，實(shí)現(xiàn)系統(tǒng)信息的輸入和輸出，并對(duì)FNN的計(jì)算數(shù)據(jù)進(jìn)行處理。

輸入信息處理模塊通過人機(jī)界面從用戶那里獲得有關(guān)的故障征兆現(xiàn)象，并轉(zhuǎn)化為模糊神經(jīng)網(wǎng)絡(luò)可以接受的數(shù)據(jù)模式，送入神經(jīng)網(wǎng)絡(luò)。

輸出信息處理模塊則將FNN推理得出的結(jié)論通過人機(jī)界面向用戶輸出?；谀：窠?jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)，結(jié)合了FNN和ES兩者的優(yōu)勢，由專家系統(tǒng)來實(shí)現(xiàn)用戶信息的處理，由模糊神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)知識(shí)的獲取、存儲(chǔ)和推理，不僅知識(shí)庫大為縮減，實(shí)現(xiàn)了并行運(yùn)算、推理速度快、容錯(cuò)性好，而且便于用戶實(shí)際操作使用。

2 模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)結(jié)合了模糊邏輯和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)。它既模仿人腦的邏輯思維模式，又模擬人腦神經(jīng)元的功能；既可以表述具有模糊性質(zhì)的問題，又具有強(qiáng)大的自學(xué)習(xí)和數(shù)據(jù)處理能力；既有強(qiáng)大的結(jié)構(gòu)知識(shí)表達(dá)能力和自然語言分析能力，又具有較好的容錯(cuò)能力。利用模糊神經(jīng)網(wǎng)絡(luò)自身的分布式結(jié)構(gòu)機(jī)制對(duì)知識(shí)進(jìn)行隱式的表示，可以實(shí)現(xiàn)知識(shí)表示、存儲(chǔ)和推理三者有機(jī)融合；在知識(shí)獲取、并行推理、自適應(yīng)學(xué)習(xí)、聯(lián)想推理和容錯(cuò)能力等方面都表現(xiàn)出了明顯的優(yōu)越性。

基于模糊神經(jīng)網(wǎng)絡(luò)的起動(dòng)機(jī)測試儀智能故障診斷專家系統(tǒng)，用模糊隸屬函數(shù)來描述各故障現(xiàn)象，用神經(jīng)元及其連接權(quán)值的分布表示故障的程度及分布，用特定的學(xué)習(xí)算法從訓(xùn)練樣本中獲取知識(shí)，系統(tǒng)分析機(jī)制不同于傳統(tǒng)專家系統(tǒng)的知識(shí)匹配推理，只需要完成一組模糊數(shù)值計(jì)算，因此較好地克服了傳統(tǒng)的采用符號(hào)的診斷專家系統(tǒng)存在的知識(shí)獲取困難、知識(shí)存儲(chǔ)容量與系統(tǒng)運(yùn)行速度的矛盾以及知識(shí)的“窄臺(tái)效應(yīng)”等問題，能很好地完成起動(dòng)機(jī)檢測設(shè)備的故障診斷任務(wù)。

2.1 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

根據(jù)上述模糊控制和神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，構(gòu)造模糊神經(jīng)網(wǎng)絡(luò)。首先基于模糊算法將輸入的故障征兆信息模糊化（模糊化模塊），目的是使神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本更精確；然后使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測試設(shè)備的故障診斷（ANN學(xué)習(xí)推理模塊）；最后清晰化故障診斷的結(jié)果（清晰化模塊），其結(jié)構(gòu)圖如圖3所示。

圖3 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of FNN

模糊神經(jīng)網(wǎng)絡(luò)由3個(gè)模塊組成。

（1）輸入模糊化模塊。其任務(wù)是完成從抽象的特征信號(hào)到具體的網(wǎng)絡(luò)輸入之間的轉(zhuǎn)化，即將故障征兆現(xiàn)象轉(zhuǎn)化為以隸屬度函數(shù)表示的模糊量集合。

（2）學(xué)習(xí)推理模塊。 應(yīng)用 BP（back propagation）神經(jīng)網(wǎng)絡(luò)完成從故障現(xiàn)象到故障原因的邏輯推理診斷過程。

（3）輸出清晰化模塊。完成神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果到診斷結(jié)論的去模糊化過程，即根據(jù)ANN輸出向量數(shù)據(jù)的隸屬度最終確定故障的原因。

2.2 基于模糊神經(jīng)網(wǎng)絡(luò)的起動(dòng)機(jī)測試設(shè)備故障診斷

2.2.1 FNN的構(gòu)建及訓(xùn)練仿真

根據(jù)起動(dòng)機(jī)測試設(shè)備實(shí)驗(yàn)和實(shí)際維修經(jīng)驗(yàn)，以及有關(guān)故障診斷方面的資料，對(duì)測試儀故障的表現(xiàn)，列出其故障程度的隸屬度函數(shù)分布。

對(duì)于故障原因 （即y1表示起動(dòng)機(jī)彈出機(jī)構(gòu)故障；y2表示起動(dòng)機(jī)線圈故障（短路或斷路）；y3表示起動(dòng)機(jī)轉(zhuǎn)速故障；y4表示起動(dòng)機(jī)與傳動(dòng)機(jī)構(gòu)齒輪嚙合故障；y5表示直流電源故障；y6表示起動(dòng)機(jī)轉(zhuǎn)向故障；y7表示磁粉制動(dòng)器故障；y8表示激磁電源故障）的存在程度，采用如表1所示的模糊范疇描述。

表1 模糊程度描述Tab.1 Fuzzy degree description

根據(jù)該領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)，作出表2所示的故障征兆和原因的對(duì)應(yīng)關(guān)系（即模糊規(guī)則庫），該規(guī)則庫就是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。

表2 起動(dòng)機(jī)測試儀故障現(xiàn)象和原因的對(duì)應(yīng)關(guān)系Tab.2 Relationship between starter tester failure phenomenon and reasons

對(duì)于表中模糊化了的訓(xùn)練樣本集，采用結(jié)構(gòu)簡單的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。確定網(wǎng)絡(luò)結(jié)構(gòu)為3層，輸入層有9個(gè)節(jié)點(diǎn)，對(duì)應(yīng)于9個(gè)故障現(xiàn)象；輸出層有8個(gè)節(jié)點(diǎn)，對(duì)應(yīng)于8個(gè)故障原因；隱含層的神經(jīng)元個(gè)數(shù)結(jié)合網(wǎng)絡(luò)的收斂性、仿真速度及精度的要求選取13個(gè)[6]。

使用快速BP收斂算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。設(shè)定訓(xùn)練的目標(biāo)誤差平方和指標(biāo)為0.001，最大循環(huán)次數(shù)為4000次，初始學(xué)習(xí)速率為0.01，動(dòng)量常數(shù)取0.96。由于模糊邏輯的隸屬度值是在［0，1］之間，因此各神經(jīng)元的激活函數(shù)均取對(duì)數(shù)S型 （log-Sigmoid）函數(shù)[7]，其將輸入范圍從（-∞，+∞）映射到（0，1），從而能與模糊邏輯很好地對(duì)接起來。模糊神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練后的結(jié)果如表3所示，訓(xùn)練過程中的誤差和學(xué)習(xí)率與訓(xùn)練次數(shù)的對(duì)應(yīng)關(guān)系曲線如圖4所示。可以看到，訓(xùn)練不到16次，誤差就已滿足要求，成功完成網(wǎng)絡(luò)訓(xùn)練。

表3 網(wǎng)絡(luò)仿真輸出與目標(biāo)輸出的結(jié)果對(duì)比Tab.3 Comparison between simulation output and target output

圖4 誤差與訓(xùn)練次數(shù)的關(guān)系曲線Fig.4 Relationship between error and training times

2.2.2 應(yīng)用FNN進(jìn)行故障診斷

首先選擇一個(gè)樣本的輸入，假設(shè)現(xiàn)有故障癥狀為

將其輸入已訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)中，得到神經(jīng)網(wǎng)絡(luò)的輸出為 Y=［0.0030；0.0000；0.0031；0.0005；0.9908；0.0000；0.0000；0.0009］，采用最大隸屬度方法進(jìn)行清晰化，根據(jù)故障原因的隸屬函數(shù)描述可知，存在y5所述的故障原因，即直流電源故障。與給定的樣本輸出數(shù)據(jù)比較，可知診斷完全正確。

再用一個(gè)新的非樣本輸入，來檢測模糊神經(jīng)網(wǎng)絡(luò)的泛化和容錯(cuò)能力。設(shè)某測試儀的故障癥狀為

將待識(shí)別的故障數(shù)據(jù)X輸入到已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中并運(yùn)行，可以得到神經(jīng)網(wǎng)絡(luò)的輸出為Y=［0.0007；0.9864；0.0012；0.0003；0.0000；0.0001；0.0003；0.0022］

同樣采用最大隸屬度法對(duì)計(jì)算結(jié)果進(jìn)行清晰化處理，根據(jù)故障原因的隸屬函數(shù)描述可知，存在y2所述的故障原因，即起動(dòng)機(jī)線圈故障。

將上述的非樣本數(shù)據(jù)與樣本數(shù)據(jù)輸入作對(duì)比，再比較它們的診斷輸出結(jié)果，可以看出FNN能夠很好地完成起動(dòng)機(jī)測試儀的故障診斷，診斷結(jié)果準(zhǔn)確，容錯(cuò)能力強(qiáng)，且符合人們的思維習(xí)慣，具有較好的實(shí)用性。

3 專家系統(tǒng)的實(shí)現(xiàn)

將模糊神經(jīng)網(wǎng)絡(luò)作為專家系統(tǒng)的核心嵌入ES中，完成故障診斷的任務(wù)。而專家系統(tǒng)的符號(hào)處理功能則通過設(shè)計(jì)功能強(qiáng)大的可視化用戶界面和數(shù)據(jù)庫系統(tǒng)及相關(guān)的程序模塊來實(shí)現(xiàn)。

本設(shè)計(jì)中的模糊神經(jīng)網(wǎng)絡(luò)是采用Matlab和VC2005聯(lián)合編程開發(fā)的，用戶界面如圖5所示。用戶界面上選擇所見到的故障征兆，提交后系統(tǒng)就會(huì)將用戶的信息轉(zhuǎn)化為模糊神經(jīng)網(wǎng)絡(luò)所能辨識(shí)的數(shù)值信息，從而調(diào)用模糊神經(jīng)網(wǎng)絡(luò)故障診斷的程序，進(jìn)行推理并得到診斷結(jié)論。對(duì)于圖5的故障現(xiàn)象，用戶不僅可以得到相應(yīng)的診斷結(jié)果，還可觀察到神經(jīng)網(wǎng)絡(luò)仿真運(yùn)行時(shí)誤差及學(xué)習(xí)率與訓(xùn)練次數(shù)的對(duì)應(yīng)曲線，從而極大地方便了用戶的操作使用。

圖5 專家系統(tǒng)的用戶界面Fig.5 Interface of expert system

4 結(jié)語

本文針對(duì)起動(dòng)機(jī)測試儀故障的模糊性、相關(guān)性、復(fù)雜性的特點(diǎn)，采用基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)作了一些初步的探討。仿真結(jié)果表明，模糊神經(jīng)網(wǎng)絡(luò)用于該設(shè)備的故障診斷是可行的，其結(jié)合了神經(jīng)網(wǎng)絡(luò)和模糊邏輯的優(yōu)點(diǎn)，推理速度快，泛化能力和容錯(cuò)能力強(qiáng)，結(jié)論表達(dá)準(zhǔn)確，符合實(shí)際需要。

[1]Terje Brasethvik，Jon Atle Gulla.Natural language analysis for semantic document modeling[J].Data&Knowledge Engineering，2005，38（1）：45-62．

[2]劉振興.電機(jī)故障在線監(jiān)測診斷新原理和新技術(shù)研究[D].武漢：華中科技大學(xué)，2004.

[3]李衛(wèi)新.模糊Petri網(wǎng)在汽車故障診斷中的應(yīng)用研究[D].西安：長安大學(xué)，2007.

[4]周國棟，張墩利.基于ADRC的起動(dòng)機(jī)負(fù)載測試系統(tǒng)[J].自動(dòng)化與儀表，2015，30（1）：217-222.

[5]Zhang Cuiping，Yang Qingfo.Study on injection and ignition control of gasoline engine based on BP neural network[J].Chinese Journal of Mechanical Engineering（S0577-6686），2003，16（4）：441-444.

[6]呂瓊帥.BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化與研究[D].鄭州：鄭州大學(xué)，2011.

[7]高鵬毅.BP神經(jīng)網(wǎng)絡(luò)分類器優(yōu)化技術(shù)研究[D].武漢：華中科技大學(xué)，2012.