基于粗糙集與模糊神經(jīng)網(wǎng)絡(luò)的多級壓縮機診斷研究

江書榮

摘 要：模糊神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛地應(yīng)用在多級壓縮機故障診斷中，但是，在應(yīng)用的過程中，還存在很多的問題，需要進一步的研究與分析。粗糙集在數(shù)據(jù)簡約、規(guī)則等方面都具有很大的優(yōu)勢，可以有效地解決模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的問題與不足。通過對模糊神經(jīng)網(wǎng)絡(luò)的分析與推理，結(jié)合網(wǎng)絡(luò)神經(jīng)技術(shù)，建立了故障診斷模型，有效地證明了故障診斷的可行性與科學性。

關(guān)鍵詞：粗糙集；模糊神經(jīng)網(wǎng)絡(luò)；多級壓縮機；診斷

多級壓縮機具有多因素、強耦合、強非線性，很難建立模糊系統(tǒng)，當發(fā)生故障的時候，工作人員很難找到故障發(fā)生的原因，診斷工作受到很大的限制。將粗糙集與模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用到故障的診斷中，需要進行有效的學習階段，大量的診斷數(shù)據(jù)給學習帶來了實際性的困難。有效地擴展粗糙集的理論，實現(xiàn)域到域的映射。

1 粗糙集與模糊神經(jīng)網(wǎng)絡(luò)診斷模式

1.1 粗糙集理論

粗糙集是以數(shù)據(jù)作為理論分析，通過指定的研究對象的基本特征與特征值的描述，對知識系統(tǒng)做出準確的定義，用公式表示：S=，其中，U表示對象集合，C∪D=A表示屬性集合，子集G與D分別表示條件屬性與結(jié)論屬性，V=∪a？綴AVa表示屬性值集合，Va表示屬性a？綴A的范圍，f、g表示函數(shù)，f指定U中的每一個對象x的屬性值，g是公式S=的G與D的映射：g：C→D，這種知識的具體表達系統(tǒng)可以用“條件-行為”來表示，屬于是列表示屬性，行表示論域中的對象，依據(jù)粗糙集決策表表示為：“if…then…”規(guī)則進行描述。決策表的有效使用，將知識進行了簡單化的處理，保證人民獲取更多的知識。但是，這種表的缺點是學習能力不強，很難處理好新添加的知識含量。

1.2 模糊神經(jīng)網(wǎng)絡(luò)的本質(zhì)

模糊神經(jīng)網(wǎng)絡(luò)的本質(zhì)是更好地研究人腦科學的新途徑，是現(xiàn)在社會非常熱門的研究話題，克服了傳統(tǒng)的模糊邏輯與神經(jīng)網(wǎng)絡(luò)的缺陷，并得到了廣泛的應(yīng)用。模糊神經(jīng)網(wǎng)絡(luò)有很多的類型，但是，從整體上可以分為兩種，一種是由模糊規(guī)則直接構(gòu)成的網(wǎng)絡(luò)，另一種是通過對非模糊神經(jīng)網(wǎng)絡(luò)直接模糊化得到的網(wǎng)絡(luò)。

2 基于誤差反饋的節(jié)點函數(shù)特性變化模糊神經(jīng)網(wǎng)絡(luò)（NVFNN）

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

神經(jīng)元的活動既表現(xiàn)出節(jié)點間權(quán)值的變化，又體現(xiàn)出節(jié)點自身的特點的變化，也是節(jié)點函數(shù)特性的變化情況?；趥鹘y(tǒng)模糊神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，對模糊神經(jīng)網(wǎng)絡(luò)的節(jié)點函數(shù)特征變化情況進行了有效的反饋。這種函數(shù)既符合生物物理的基礎(chǔ)特征，有加快收斂的速度與穩(wěn)定性，屬于非常好的萬能型的逼近器，圖1表示的是NVFNN的結(jié)構(gòu)模型。其隱含層的借點書和模糊區(qū)間數(shù)相同，并且各節(jié)點上的接受函數(shù)是對應(yīng)模糊區(qū)間的隸屬度函數(shù)，如圖1所示，x為輸入，y為網(wǎng)絡(luò)逼近輸入，f（x）是待逼近函數(shù)，e為誤差，W=（w1，w2，…，wn）為權(quán)系數(shù)，a=（a1，a2，…，an）為節(jié)點函數(shù)，在這里使用了高期函數(shù)：

2.2 節(jié)點函數(shù)特性

文章簡單了論述一下模糊神經(jīng)網(wǎng)絡(luò)逼近器可以隨意逼近任意一個連續(xù)的函數(shù)f（x）。

平均反模糊化器，使用的是乘積推理規(guī)則。上述理論術(shù)語是高斯型模糊邏輯系統(tǒng)，因此，這個系統(tǒng)可以逼近任意的連續(xù)函數(shù)，證明完畢。

3 神經(jīng)網(wǎng)絡(luò)的算法

模糊邏輯神經(jīng)網(wǎng)絡(luò)屬于是一個包含了三層的前饋自組織神經(jīng)網(wǎng)絡(luò)，將低就一層設(shè)置為p個輸入數(shù)據(jù)特征的神經(jīng)元。第一層設(shè)置為c個數(shù)的聚類類別，它的作用是為了更好地實現(xiàn)輸入樣本和各聚類中心的匹配計算。

計算模糊聚類的步驟如下：

（1）定原始數(shù)據(jù)集Xk={xk1，xk2，…，xkp}，經(jīng)過數(shù)據(jù)的與處理之后，可以得到Xk={xk1，xk2，…，xkp}，其中k是第k個的樣本。（2）設(shè)固定輸入層的個數(shù)是p，隱層與輸出層的個數(shù)是c，p是輸入矢量維數(shù)，c是聚類類別的個數(shù)。將誤差常數(shù)設(shè)置為？著，總的循環(huán)次數(shù)是tmax，初始學習的系數(shù)是a0。（3）隨機初始化的輸入層與隱層神經(jīng)元之間的全連接是：wij？綴[0，1]，其中1？燮i？燮r，1？燮j？燮p。（4）設(shè)t時刻輸入的訓(xùn)練樣本是Xk，當t=1，2，……tmax時，計算出學習系數(shù)at。

4 實驗案例

多級壓縮機的故障診斷問題，存在了很多年，其中氣閥是損壞最多的重要元件之一，其性能質(zhì)量直接影響到壓縮機的排氣、功率的消耗、安全等問題，假如氣閥發(fā)生泄露，會導(dǎo)致壓縮機出口氣體溫度升高，氣壓發(fā)生變化，制約了圖案設(shè)計的正常運行。文章使用6種狀態(tài)的數(shù)據(jù)，105組數(shù)據(jù)，每一組數(shù)據(jù)有8個參數(shù)，因此，構(gòu)建的知識系統(tǒng)是：S=（U，R，V，f），U={x1，x2，…，x105}，R=C∪D，C∩D=？準，c={c1，c2，...，c8}，D={d1，d2，…，d6}。將聚類數(shù)值設(shè)置為6，經(jīng)過數(shù)據(jù)簡約以后的最佳屬性子集是{c3，c5}，最簡規(guī)則數(shù)目是12，得到模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

5 結(jié)束語

綜上所述，文章結(jié)合了神經(jīng)網(wǎng)絡(luò)、模糊集、粗糙集的理論，并發(fā)揮出它們的特點與優(yōu)勢，彌補了傳統(tǒng)故障診斷的不足。同時，文章還提出了新的神經(jīng)網(wǎng)絡(luò)逼近器與數(shù)據(jù)的濃縮評價指標。通過具體的實驗證明與理論分析，得出逼近器的速度快，精準度高。擁有合理的數(shù)據(jù)濃縮指標，提高了故障診斷的準確率。有效地分離了診斷學習與診斷過程，保證了診斷的有效性、科學性。

參考文獻

[1]杜海峰，王孫安，丁國鋒.基于粗糙集與模糊神經(jīng)網(wǎng)絡(luò)的多級壓縮機診斷[J].西安交通大學學報，2009（9）：123-125.

[2]劉超.一種新的模糊神經(jīng)網(wǎng)絡(luò)的多級離心壓縮機性能預(yù)測方法[J].計算機測量與控制，2013（9）：73-75.

[3]陳嵐萍，潘豐.基于多級模糊神經(jīng)網(wǎng)絡(luò)的故障診斷在化工生產(chǎn)過程中的應(yīng)用[J].自動化與儀器儀表，2013（4）：26-30.