一种新型粗糙集神经网络的故障诊断方法

收稿日期:2004-12-30 修回日期:2005-10-11*基金项目:国防预研基金资助项目(98J 19.3.2.JB 3201)　作者简介:冯惊雷(1975-　),男,重庆人,博士研究生,主要从事飞机型号发展工程、数字化维修工程、粗糙集、神经网络方面研究。

文章编号:1002-0640(2007)01-0084-04一种新型粗糙集神经网络的故障诊断方法*冯惊雷,张喜斌,张恒喜(空军工程大学,陕西西安　710038;2.) 摘　要:结合粗糙集理论,建立了基于SO F M 网络的新型粗糙集神经网络故障诊断模型,给出了该模型的流程图,描述了系统各组成部分的工作原理。

应用该模型对某型雷达进行故障诊断,实例证明新模型能够减少输入端数量,简化神经网络的结构,提高系统的速度,诊断时间短,准确性高,结果易于实现可视化,最后得到了故障可视拓扑映射图。

关键词:雷达,粗糙集,神经网络,故障诊断,SOF M 网络中图分类号:T P 183,T P306+.3 文献标识码:AResearch into Fault Diagnosis Method based onNew Rough Set -Neural NetworksFENG Jing-lei,ZHANG Xi-bin,ZHANG Heng-x i(A ir For ce Eng ineer ing U niver sity ,X i ’an 710038,China ) Abstract :A new rough set -neural netw ork hybrid m odel based o n self organized feature map (SOFM )netw ork is presented in this paper .Firstly ,w e design a system flow chart and descr ibe w or k principles of each part.Secondly,the validity o f these models w as tested by a type of radar system fault data.The res-ults show that the new model can decrease the num ber of the netw or k input nerve cells,am elio rate netw ork inner structural ,decrease the computation tim e ,and visualize the result .Finally ,visualized to p-olog y-ordering map w as founded.Key words :radar,ro ug h sets,neur al netw orks,fault diag nosis,SOFM netw orks引　言粗糙集(Rough Sets )理论是一种刻画不完整性和不确定性的数学工具,能有效地分析和处理不精确、不一致、不完整等各种不完备信息,并从中发现隐含知识,揭示潜在的规律。

作为一种独立的理论框架,RS 理论能从数据中发现因果关系以及数据中的相似性和区别,产生决策算法。

自波兰学者Paw lak 1982年提出粗糙集理论以来[1],粗糙集理论发展迅速,已经在模式识别、机器学习、故障诊断知识获取与发现(KDD)、决策支持与分析等领域得到了广泛应用[2]。

在目前故障诊断方法中,基于人工神经网络的诊断方法由于具有很好的容错性,不需要领域专家从领域知识或案例集中归纳出被诊断系统的IF T HEN 形式经验规则,从而有利于克服基于符号推理方法的知识获取瓶颈[3]。

但是,实践证明,神经网络的联想能力有限,超过界限后网络以错误的方式进行联想,决策系统会产生误判或者是漏判的现象。

此外,常用的BP 神经网络的结构必须已知,有可能陷入局部最优[4,5]。

粗糙集理论与神经网络之间存在着很强的互补性,构造粗糙集神经网络这一新型的故障诊断模型是目前国内外学者关注的一个热点问题。

本文将粗糙集理论与自组织特征映射网络(SOFM )结合起来,提出了一种新型的粗糙集神经网络故障诊断模型,该模型应用在某型雷达系统电路板故障诊断中,较好地解决了训练样本的大小、样本质量等对人工Vol.32,No.1January,2007火力与指挥控制Fire Control and C om man d Con trol第32卷　第1期2007年1月神经网络的精度以及泛化能力有直接影响的问题,减少了传统神经网络训练所需的计算量和时间,简化了网络的结构,提高了系统速度,得到的结果易实现可视化,可以给出直观的解释。

1　基于SOFM 网络的粗糙集神经网络 粗糙集在神经网络中应用最成熟的是对输入图1　SOF M 网络值进行预处理,也就是对训练例的选取。

在一般情况下,训练集往往会有许多冗余,神经网络用这样的训练集训练往往会造成过配现象,粗糙集可以过滤这些冗余的例子,从而提高神经网络的泛化能力。

SOFM 网络的基本原理如图1及图2所示。

图2　迭代后围绕获胜神经元的N c 区域逐渐减少采用RS 理论对SOFM 神经网络决策模型进行优化策略的基本思想是:分析样本数据,利用SOFM 网络对连续属性值进行离散化,然后利用粗糙集理论对条件属性进行相对约简,通过去掉冗余条件属性,得到故障决策表的最小条件属性集和核,然后以最小条件属性集作为输入样本,设计合理的网络结构。

其基本框图如图3所示。

图中各主要部分工作原理如下:(1)初始连续属性形成:最初的连续属性从收集的原始数据中产生,数据的多少取决于神经网络的大小,一般是较大的网络需要较多的训练数据。

在采集到初始样本数据中,有些参数是重复的,而有些是欠缺的,因此对数据预先进行分类,删除一些重复数据,补充必要的特征参数。

(2)连续属性离散化:RS 理论是一种符号化分析方法,需要将连续变量进行离散化,目前存在多种连续属性值离散化方法,例如等距离方法、等频率方法、最大熵法、L -方法、W -方法、P -方法和C -方法等。

上述方法各有所长,本文利用SOFM 神经网络对连续属性值进行离散化处理。

离散过程只需要人为指定聚类数目,得到的离散结果能够比较客观地反应数据分布情况。

(3)形成决策表:采用量化后的属性值形成一张二维表格,每一行描述一个对象,每一列描述对象的一种属性,属性分为条件属性和决策属性。

(4)属性约简:属性约简包含条件属性简化以及决策属性简化,目前,属性约简以及核的求取是粗糙集理论研究的一个核心问题,在本文中主要是利用分辨矩阵算法来进行属性约简[7],这样可以大大减少计算量。

(5)最小条件属性集及其相应的学习样本:采用约简得到最小条件属性集及相应的原始数据重新形成的学习样本集。

该样本集除去了所有不必要的条件属性,但是保留了影响分类的重要属性。

(6)自组织特征影射网络(SOFM ):用约简后的学习样本对SOFM 网络进行学习和训练。

其基本步骤如下:初始化:将网络的连接权值m j 赋予[0,1]的随机值,确定学习率 (t )的初始值 (0),确定邻域N c (t )的初始值,确定总的学习次数T ;给定网络的输入样本模式x p,进行归一化处理:x p=(x p 1,x p 2,…,x p n )T‖x p‖ 计算输入模式x p 与归一化权值向量m j =( 1j , 2j ,…, nj )T‖m j ‖之间的距离:d k =[∑ni =1(x pi -m ij )2]12;j =1,2,…,n 1!选取使d k 最小的神经元c 为获胜节点;∀对获胜节点及其邻域N c 内节点的连接权值进行更新m j (t ++ (t )[x p -m j (t )]j ∈N cm j (t )j N c#返回步骤选取另一个模式输入网络,直・85・ 冯惊雷,等:一种新型粗糙集神经网络的故障诊断方法 (总第32-0085) 到样本中全部模式提供给网络;∃更新学习率及邻域(t )= (0)(1-t /T )N c =int{N c (0)(1-t /T )}%令t =t +1,返回步骤 ,重复步骤 ,直到t =T 为止。

SOFM 网络经过学习训练后,按照以下方式对输入模式进行分类,竞争层神经元的输出应为:a j =1;　d j =min(d j )0;　d j ≠min(d j )j =1,2,…,n 1其中,输出值为1的获胜神经元即代表输入模式的类别。

(7)结果可视化:SOFM 网络能把高维数据拓扑映射到二维空间,根据这个特点,可将网络的输出信息用可视化的方式显示出来,即实现拓扑映射图可视化。

通过可视化拓扑映射图可以直接观察到高维数据的特征,适合对参数多、特征复杂的系统进行分析。

拓扑映射图可视化过程见图2,动态输入操作指令可以实现对每一个可视化环节进行即时数据输入、存储、修改和输出。

2　实例分析以某型雷达系统电路板故障为例来说明利用SOFM 网络来对数据进行离散化处理,通过试验,对电路板上30处的电压进行测量[8]。

表中的d 为故障原因,与符号的对应关系如表1所示。

表1　故障类型与符号对应关系d 故障类型d 故障类型1无故障6短路2R1开路7BG 1集电极开路3R2开路8BG 1射极开路4R3开路9BG 1基与集电极短路5R4开路10BG 1发射极与集电极短路2.1　离散化结果应用SOFM 网络对连续属性进行离散化处理,正确选取聚类数目非常关键,聚类数目少,就可能会得到不相容的决策系统,从而导致实际应用中根据判断条件无法做出决策;而聚类数目多就会出现离散情况,在特殊情况下,还会出现离散处理后,决策系统中对象的条件部分互不相同,各自形成独立的规则,导致应用中对规则条件匹配判断的复杂性。

根据试验,利用SOFM 网络选取聚类数目为4类,应用训练数据对SOFM 网络进行训练,保存网络参数的训练结果,以及训练数据的离散结果,然后利用训练后的网络对测试数据进行离散化处理,即可得到离散化结果。

2.2　属性约简结果由文献[7]中的属性约简算法,可以得到决策表中的5个最小约简,为{v 3,v 7,v 17,v 25},{v 5,v 11,v 20,v 25},{v 9,v 17,v 25,v 30},{v 7,v 14,v 25,v 28},{v 9,v 15,v 20,v 25},利用聚类比最大的原则[8],将得到的最小约简中选取约简{v 9,v 17,v 25,v 30}作为依据,由此可以产生最优故障诊断决策系统,可以利用最优决策系统开发诊断专家系统或设计神经网络故障分类器。