基于复合简化模糊ARTMAP的故障诊断

２００８年２月　第３６卷第２期　

机床与液压　

ＭＡＣＨＩＮＥ　ＴＯＯＬ＆ＨＹＤＲＡＵＬＩＣＳ　Ｆｅｂ．２００８　

Ｖ０Ｉ．３６　Ｎｏ．２　

基于复合简化模糊ＡＲＴＭＡＰ的故障诊断　王有起‘，王宇　（１．天津广播电视大学，天津３００１９１；２．天津大学机械工程学院，天津３０００７２）　

摘要：简单模糊ＡＲＴＭＡＰ．（ＳＦＡＭ）是一种功能强大的神经网络，可以用于故障诊断等分类问题；然而，单独ＳＦＡＭ　存在对样本训练次序敏感的性能缺陷。为改善ＳＦＡＭ的性能提出表决融合方法。首先把用于故障诊断的特征向量规格化并　提交给数个ＳＦＡＭ，用求和规则表决算法融合多个ＳＦＡＭ诊断结果。在此处理过程中，用置信度作为融合的加权因子，融　合结果作为故障诊断系统的最终判决。通过用轴承故障诊断案例进行实验测试，结果表明表决融合方法对故障诊断的有效　性。　关键词：简化模糊ＡＲＴＭＡＰ；表决算法；神经网络；故障诊断　中图分类号：ＴＰ２０６．３　文献标识码：Ａ　文章编号：１００１—３８８１（２００８）２—１９１—３　

Ｆａｕｌｔ　Ｄｉａｇｎｏｓｉｓ　ｂｙ　Ｖｏｔｉｎｇ　Ａｌｇｏｒｉｔｈｍ　Ｂａｓｅｄ　ｏｎ　Ｍｕｌｔｉｐｌｅ　Ｓｉｍｐｌｉｆｉｅｄ　Ｆｕｚｚｙ　ＡＲＴＭＡＰ　ＷＡＮＧ　Ｙｏｕｑｉ　．ＷＡＮＧ　Ｙｕ　（１，Ｔｉａｎｊｉｎ　Ｒａｄｉｏ　ａｎｄ　ＴＶ　Ｕｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ　３００ｌ９ｌ，Ｃｈｉｎａ；　２．Ｍｅｃｈａｎｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｓｃｈｏｏｌ，１ｒｉａｎｊｉｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ　３０００７２，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｓｉｍｐｌｉｆｉｅｄ　ｆｕｚｚｙ　ＡＲＴＭＡＰ（ＳＦＡＭ）ｉｓ　ａ　ｐｏｗｅｒｆｕｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｗｈｉｃｈ　ｃａｎ　ｂｅ　ｕｓｅｄ　ａｓ　ａ　ｃｌａｓｓｉｆｉｅｒ　ｔｏ　ｓｏｌｖｅ　ｔｈｅ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｐｒｏｂｌｅｍ．Ｂｕｔ　ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅｓ　ｏｆ　ＳＦＡＭ　ａｒｅ　ｓｅｎｓｉｔｉｖｅ　ｔｏ　ｔｈｅ　ｓａｍｐｌｅｓ　ｔｒａｉｍｎｇ　ｓｅｑｕｅｎｃｅ．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｏｖｅｒｃｏｍｅ　ｔｈｅ　ｄｒａｗｂａｃｋ　ｏｆ　ｉｎｄｉｖｉｄｕａｌ　ＳＦＡＭ．ａ　ｖｏｔｉｎｇ　ｉｎｔｅｇｒａｔｅｄ　ｍｅｔｈｏｄ　Ｗａｓ　ｐｒｏｐｏｓｅｄ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ｔｈｅ　ＳＦＡＭ．Ｔｈｅ　ｆｅａｔｕｒｅ　ｖｅｃｔｏｒ　ｆｏｒ　ｆａｕｌｔ　ｄｉａｇ－　ｎｏｓｉｓ　Ｗａｓ　ｎｏｒｍａｌｉｚｅｄ　ａｎｄ　ｓｕｂｍｉｔｔｅｄ　ｔｏ　ｓｅｖｅｒａｌ　ＳＦＡＭｓ．Ｔｈｅ　ｓｕｍ　ｒｕｌｅ　ｖｏｔｉｎｇ　ａｌｇｏｒｉｔｈｍ　Ｗａｓ　ｐｅｒｆｏｒｍｅｄ　ｔｏ　ｉｎｔｅｇｒａｔｅ　ｔｈｅ　ＳＦＡＭｓ　ｄｉａｇｎｏｓｉｓ　ｒｅｓｕｌｔｓ．Ｉｎ　ｔｈｉｓ　ｐｒｏｃｅｄｕｒｅ，ｔｈｅ　ｃｒｅｄｉｔｓ　ｗｅｒｅ　ｅｍｐｌｏｙｅｄ　ａｓ　ｗｅｉｇｈｔ　ｆａｃｔｏｒｓ．Ｔｈｅ　ｉｎｔｅｇｒａｔｅｄ　ｒｅｓｕｌｔ　Ｗａｓ　ｔｈｅ　ｆｉｎａｌ　ｃｏｎｃｌｕｓｉｏｎ　ｏｆ　ｔｈｅ　ｆａｕｌｔ　ｄｉａｇｎｏ－　ｓｉｓ　ｓｙｓｔｅｍ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｖｏｔｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｖａｌｉｄ　ｆｏｒ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ．　Ｋｅｙｗｏｒｄｓ：Ｓｉｍｐｌｉｆｉｅｄ　ｆｕｚｚｙ　ＡＲＴＭＡＰ；Ｖｏｔｉｎｇ　ａｌｇｏｒｉｔｈｍ；Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；Ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　

０　引言　设备中关键机械零件的故障会在很大程度上影响　设备的运行甚至损坏设备。可靠准确的故障诊断对于　尽早维修设备防止经济损失是至关重要的。由于零件　的复杂性、非线性和它们之间的耦合性，故障诊断是　非常复杂的。想仅通过理论分析和数学模型就找到故　障是行不通的。　近年来，智能原理已经用于故障预测和诊断领域　的研究。Ｓｕｎ等…将模糊逻辑方法引入蒸汽涡轮发电　机的故障诊断中。Ｗａｎｇ等　将人工神经网络和专家　系统结合起来用于变压器的故障诊断。Ｖａｓｉｌｉｃ和　Ｋｅｚｕｎｏｖｉｃ　Ｌ３　发展了ＡＲＴ神经网络算法，用它对动力　系统的故障进行分类。　Ｃａｒｐｅｎｔｅｒ　提出了一种名为ＦＡＭ的功能强大的　神经网络，用于对模拟和二进制输入识别和多维映　射。模糊逻辑运算嵌入到ＡＲＴ１神经元中。网络实现　新的极大极小规则。它们能减小预测误差并增强编码　压缩。ＦＡＭ兼有监督学习和非监督学习功能。但是　ＦＡＭ的结构非常复杂，ＳＦＡＭ减少了ＦＡＭ的结构冗　余，改进了计算效率，其应用领域不断增加　。　ＡＲＴ族的缺点之一是网络性能受样本训练次序　

的影响，为解决这一问题，提出了复合分类融合技　术　。　本文介绍了基于求和规则表决算法的复合分类融　合方法。用于故障诊断。ＳＦＡＭ接收模拟和二进制输　入向量，产生故障分类。求和规则表决算法把多个　ＳＦＡＭ的结果融合起来并产生最终结论。轴承故障研　究结果表明采用本方法能够得到准确的诊断结果。　１　用于故障诊断的ＳＦＡＭ　

Ｉａ）ＦＡＭ的结构　匹配追踪　（ｂ）ＳＦＡＭ的结构　图１　ＦＡＭ和ＳＦＡＭ的结构　ＦＡＭ包括两个模糊ＡＲＴ，即ＡＲＴａ和ＡＲＴｂ。　ＡＲＴ口和ＡＲＴｂ通过一个ＡＲＴ模块Ｆ　连接起来。模　糊ＡＲＴ网络基于ＡＲＴ１算法，模糊逻辑运算嵌入在　

收稿日期：２００７—０３—３０　作者简介：王有起，男，１９５４年出生，副教授，从事自动机械设计与教学工作。Ｅ—ｍａｉｌ：ｗｙｑ＠ｔｊｒｔｖｕ．ｅｄｕ．ｃｎ。　

维普资讯 http://www.cqvip.com ・１９２・　机床与液压　第３６卷　网络神经元中。　ＡＲＴａ和ＡＲＴｂ产生压缩的识别编码，分别表示　输入向量。和ｂ。向量。是测量数据向量，向量ｂ是　对。的预测。　在诊断领域，监督学习算法认为ｂ是设计好的识　别编码，因而ＡＲＴｂ是冗余的。通过移除冗余得到的　ＳＦＡＭ是ＦＡＭ的高度简化。图１（ａ）和图１（ｂ）分别表　示了ＦＡＭ和ＳＦＡＭ的结构。　ＳＦＡＭ包括４个场：Ｆｏ、Ｆ，、Ｆ　和Ｆ　。　的结　点表示当前的输入向量。在模拟ＡＲＴ系统中，当有　大量的输入向量侵蚀到加权向量的模时，就可能产生　类别扩张问题。这种问题可以通过输入向量规格化来　解决，即对于所有的输入，都有方程（１）成立　Ｉ，Ｉ＝ｃｏｎｓｔａｎｔ　（１）　传统的规格化算法为：　，：　（２）　幅值信息在这个规格化预处理中丢失。另一种规　格化向量的方法叫做补编码。故障诊断系统的输入，　是向量：　Ｉ：（ｏ，ｏ　）　（３）　其中　ａ　＝（１一ａＩ，…，１一ａ．，…，１一ａＤ）　（４）　规格化条件（１）得以满足：　ＩＩＩ＝Ｉ（０，０　）Ｉ＝Ｄ　（５）　在故障诊断领域，幅值信息对于进行可靠的故障　诊断非常重要，所以使用补码对输入特征向量进行规　格化。　Ｆ。场接收来自于　自下而上的输入和来自　自上而下的输入。连接　中的各个结点和Ｆ　中的一　个结点的权值用作长期记忆，在学习过程中应予更　新。　中的每一个结点都代表一种类型，如果第．，　种类型被选中，则输出向量中的第．，项被赋值为１，　且Ｙｊ＝０对于ｊ＃Ｊ。Ｆ　中的结点数量取决于故障种类　数量。　对于输入向量，，　中每个结点的选择函数为：　Ｉ＝　（６）　其中：＾和１．１分别表示模糊原理中的求和和求向量　范数的计算，　（　＞０）是选择参数。　类型选择的计算为在Ｆ　中搜寻满足下列条件的　结点。　＝ｍａｘ｛Ｔｉ：ｉ＝１，…，Ｍ｝　（７）　如果选中类型的匹配函数Ｉ，＾ｗ，Ｉ／Ｉ，Ｉ满足　警戒标准，则在　中谐振发生。　Ｉ，＾Ｗ，Ｉ／ＩＩＩ＞ｐ　（８）　其中Ｐ是警戒参数。　匹配函数值由，和ｗ，之间的相似度来度量。　在发生谐振的情况下，非监督学习算法会根据　Ｆ：中的方程（９）对权值进行更新。　＝ＪＢ（Ｉ＾　）＋（１一ＪＢ）　（９）　如果不满足警戒标准，则失谐情况发生，则需搜　寻一个新结点。搜寻过程不断进行直到　中的某一　结点满足方程（８）或者分配一个未委派结点。　映射场，用以提供ＳＦＡＭ监督学习机制中的　匹配追踪规则。在监督学习过程中，　的输出Ｊｓ　是：　Ｓ＾ｆ＝　＾ｗ　（１０）　其中：Ｙ为设定的类型向量。　ｗ　表示连接Ｆ　中第．，个结点和　中结点的权　向量。　如果式（１１）成立，则映射场的失配会触发匹　配追踪。　ＩＪｓ＾ｆＩ＜ｐ　ｌｙＩ　（１１）　其中ｐ　是　中的警戒参数，在诊断领域被置为１。　匹配追踪会增加警戒参数Ｐ，直到Ｐ略大于Ｆ　匹　配值Ｉ，＾ｗ，Ｉ／Ｉ，Ｉ，结果第．，个Ｆ　结点不会满足　谐振条件（８）。Ｆ２中新的搜寻会继续进行直到有一　个结点满足　和　中的匹配标准或分配一个未指　派的结点。　２故障诊断的求和规则表决方法　近年来，为了提　高诊断性能，复合分　类融合方法已经被广　泛使用。很多情况下，　表决是融合过程的一　部分。表决可以是加　权的或不加权的。在　故障诊断领域，复合　分类融合的结构如图２　

输入向量　

图２复合分类融合的结构　

所示。多个ＳＦＡＭ都是投票者，它们接收数据向量并　产生诊断结果。因为单独的ＳＦＡＭ对样本提交顺序　很敏感，所以每个ＳＦＡＭ都是由不同的样本训练次　序脱机建立的。也可在线建立，输入向量仅以它们　出现的次序应用于网络一次。然而在初期，主要运　用脱机建立。表决算法把ＳＦＡＭ的结果融合起来并　产生结论。　每个ＳＦＡＭ都有它本身建立的经历，每个ＳＦＡＭ　的性能都与其它ＳＦＡＭ不同。每个ＳＦＡＭ都被赋予一　个加权向量。第．，个ＳＦＡＭ的第ｉ项的权值为　ｒｌ　＜　｛ｌ＋车　：≥　２　

维普资讯 http://www.cqvip.com