本发明专利技术提出了一种基于凸组合算法优化单隐层前馈神经网络的故障诊断与检测方法，用于智能故障诊断。该方法利用凸组合算法对单隐藏层前向神经网络进行了优化，通过迭代来更新权值以调整隐藏层的信息。同时引入了一个新的误差函数来评价误差性能，该函数通过对权值进行解耦来求解优化参数，提高了参数的计算速度，同时建立该神经网络状态观测器，对工程中抽象出来的非线性系统进行观测，并利用这个状态观测器的输出值，进行下一步的系统输出预报，从而便可实现系统的故障诊断与检测。
【技术实现步骤摘要】
本专利技术设及神经网络的故障诊断方法，具体讲是设及一种基于凸组合算法优化前 馈神经网络观察器的故障诊断方法，其属于模式识别
技术介绍
故障诊断技术的发展主要经历了人工诊断、现代诊断和智能诊断等=个阶段。发 展至今，故障诊断方法可划分为基于解析模型的方法、基于信号处理的方法和基于知识的 方法等。随着科技的发展，系统越来越复杂，单纯依靠基于数学模型的传统故障诊断方法 已不能满足设备的可靠性要求，因此智能故障诊断技术越来越得到各领域的高度重视， 尤其是在控制领域内，如美国的控制年会、IEEE的控制与决策会议、国际自动控制联合会 (IFAC)等，都把智能故障诊断技术列为重要的讨论专题。由于其更适合于现代科技的发展， 当代前沿科学中的理论和方法也必然渗透到智能故障诊断技术中，如神经网络理论和粒子 滤波等。在最近几年中，各类智能故障诊断方法都得到了快速的发展，例如基于神经网络、 神经网络自适应观测器W及支持向量机等诊断技术。其中神经网络通过学习用于表达故障 诊断知识的连接权来实现故障与征兆之间复杂的非线性映射关系。 由于具有W下的几点优势，近年来，智能故障诊断方法日益受到故障诊断专家和 学者的青睐。 (1)不需要对象的精确数学模型。 (2)能够有效地利用诊断专家的知识和经验，汇集众多专家知识对随机发生的故 障进行诊断。 (3)具有诊断专家般的推理能力，自动实现从故障征兆到故障原因的映射。 (4)具有一定的联想能力和抗干扰能力，具备学习机制，能够从过去的诊断实例中 获取诊断知识。[000引 （5)对诊断结果具有解释能力。 专家系统、神经网络、模糊理论、粗趟集理论、数据融合理论、小波理论、故障树W 及它们相互之间和它们与其它信息处理技术的融合是人工智能手段的主要表现方法，在诊 断领域中，它们越来越受到广泛的重视。 (1)专家系统诊断方法；主要由知识库、数据库、推理机、解释器、故障征兆获取W 及人机交互等部分组成。主要是在专家知识库、数据库的基础上，通过推理机综合利用知识 库中的知识按照一定的推理方法进行故障诊断。专家系统已经在航空航天、化工、核工业等 领域有了实际应用，而且带来了巨大的社会、经济效益。 (2)神经网络诊断方法；由于神经网络具有很强的非线性映射能力，能准确地模 拟复杂设备的故障征兆与故障原因之间的关系，并具有并行处理能力、自学习能力和记忆 能力，因而已成功地应用于故障诊断领域。基于神经网络的故障诊断已应用于工业、国防等 多个领域。 (3)模糊诊断方法：故障诊断是通过研究故障和征兆之间的关系来判断设备状态 的。由于实际因素的复杂性，故障与征兆之间很难用精确的数学模型来表示，不能用"有"和 "无"简单表示，而要求给出故障产生的可能性、故障位置和程度。此类问题用模糊逻辑能较 好的解决。模糊逻辑诊断方法能够克服由于过程本身的不确定性、不精确性W及噪声等所 带来的困难，而且计算简单、应用方便，因而在处理复杂系统的大时滞、时变及非线性方面， 显示出其优越性。模糊逻辑在故障诊断中的应用大多是与其他方法结合使用的，如模糊神 经网络、模糊专家系统等。 (4)粗趟集诊断方法：粗趟集理论是基于不可分辨性的思想和知识简化的方法， 在保持分类能力不变的前提下，通过知识约简，从数据中推理逻辑规则作为知识系统的模 型。它在分类的意义下定义了模糊性和不确定性的概念。利用粗趟集理论对系统进行故障 诊断决策表进行约简处理，解释系统各种故障表征内在的冗余性，为系统故障诊断提供了 新的有效途径。 (5)信息融合故障诊断方法；信息融合技术是利用多源信息，W获得对同一事物 或目标的更客观、更本质认识的信息综合处理技术。它是指利用多传感器等手段采集并集 成各种信息源、多媒体和多格式信息，比如电信号、温度、图像、电磁福射等信息，从而生成 完整、准确、及时和有效的综合信息，再根据一定的判断规则进行故障诊断。信息融合技术 目前在军事领域中已有广泛的应用。目前，数据融合故障诊断方法主要有Bayes推理、D-S 证据推理及神经网络数据融合等。 近年来，虽然智能故障诊断算法进展快速，很多智能方法被提出，但依然存在一些 问题： (1)知识库庞大。目前智能故障诊断系统大多采用产生式规则来表示专家的经验 知识，为了使诊断系统达到高效、实用的目标，必然需要大量的专家知识组成庞大的知识规 则库。越是大型设备的诊断系统，相应的知识库就越庞大，该给知识库的整理、知识规则的 调用带来不利影响。 (2)深、浅知识结合能力差。在具体的智能诊断系统中，在实现某领域的基本原理 和专家知识相结合时能力较差。一些深浅知识在相容性方面不够好，难W在同一知识库中 实现统一。[001引 （3)系统更新能力差。系统在自动获取知识方面表现的能力还比较差，虽然加入了 一些机器自学习的功能，但是很难在运行中发现和创造知识。神经网络虽然能够缓解该个 矛盾，但是要求有大量的训练样本难W获得，而且随着诊断对象的升级，整个神经网络理论 上要重新训练。 (4)故障样本难W获取。随着自动化水平的提高及计算机的飞速发展，对于大多数 设备来说，大量的反映设备运行状态正常的数据容易获取，而故障数据的获取比较困难。
技术实现思路
本专利技术的目的在于提供一种基于凸组合算法优化前馈神经网络观测器的故障诊 断方法，W解决前馈神经网络故障诊断方法中计算复杂等问题，该方法通过对网络参数的 解禪与迭代得到所需权值，过程中没有引入导数的计算，从而大大简化了网络的计算，提高 了计算效率，为提供检测效率及精确度提供了新方法。 为实现上述目的，本专利技术提供的基于凸组合算法优化前馈神经网络观测器的故障 诊断方法，主要步骤如下： 1)、选取样本系统的样本输入和样本输出； 2)、将样本系统的样本输入输入前馈神经网络观测器得到估计输出； 3)、根据估计输出和实际输出得到估计输出残差为： e,.(〇 二 束(0 式中，y(t)表不样本输出，y(。表不估计输出； 设误差估计函数为 [002引【主权项】1. ，其是在样本系统数学模 型建立的基础上进行的，其特征在于：其过程如下： 1) 、选取样本系统的样本输入和样本输出； 2) 、将样本系统的样本输入输入前馈神经网络观测器得到估计输出； 3) 、根据估计输出和实际输出得到估计输出残差为：式中，y(t)表示样本输出，表示估计输出； 设误差估计函数为式中，U为加权对角矩阵；其故障检测规则为：其中，T为故障检测的阈值。2. 根据权利要求1所述的基于凸组合算法优化前馈神经网络的故障诊断方法，其特 征在于：所述前馈神经网络观测器为基于凸组合算法优化神经网络观测器，其优化过程如 下： 1) 、构成构建单隐藏层前馈神经网络； (1) 、获取η个非线性系统故障样本的输入和输出；根据输入值输出值选择隐藏层神经 元数h ; (2) 、初始化聚类中心及权值矩阵（Vtl+, Wci)，从系统故障样本中选择h个取值不同样本 为初始聚类中心； (3) 、计算η个样本输入与初始聚类中心的距离，其公式为： Xi-Cj I I = (Xi-Cj)T (Xi-Cj), i = I, 2,. . . , n, j = I, 2,. . . , h ； 式中：Xi表示样本输入，(^表示初始聚类中本文档来自技高网...
【技术保护点】
基于凸组合算法优化前馈神经网络观测器的故障诊断方法，其是在样本系统数学模型建立的基础上进行的，其特征在于：其过程如下：1)、选取样本系统的样本输入和样本输出；2)、将样本系统的样本输入输入前馈神经网络观测器得到估计输出；3)、根据估计输出和实际输出得到估计输出残差为：ey(t)=y(t)-y^(t)]]>式中，y(t)表示样本输出，表示估计输出；设误差估计函数为γ(t)=eyT(t)Uey(t)]]>式中，U为加权对角矩阵；其故障检测规则为：其中，T为故障检测的阈值。
【技术特征摘要】
【专利技术属性】
技术研发人员：闻新，张兴旺，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。