基于线性内插型模糊神经网络的诊断方法技术
【技术实现步骤摘要】
本专利技术涉及一种基于线性内插型模糊神经网络的诊断方法，涉及机械设备在线监测和故障诊断
技术介绍
在实际设备监测与故障诊断过程中，往往只是对设备运行状态信息中的某一种信息进行观测和分析，从中提取有关设备运行状态的征兆信息。我们所提取的任何一种诊断信息都是模糊的、不确定的，所以在诊断时单用一方面信息来反映其状态行为是不完整的。引入适用于故障诊断领域的信息融合技术，来充分挖掘信息的内涵，并对多诊断信息进行有效地融合利用，从而提高故障诊断的准确性、有效性和可靠性。BP神经网络在它以高度的并行分布式处理能力、联想记忆、自组织能力、自学习能力和极强的非线性映射能力，在众多的领域中显示出了广阔的应用前景。但是在学习知识模糊时，神经网络训练很难收敛，精度也不高。
技术实现思路
针对上述现有技术存在的不足，本专利技术提供一种基于线性内插型模糊神经网络的诊断方法，该诊断方法能有效诊断和识别模糊特征参数和故障类型之间的关系。使用的算法具有收敛性且精度高。专利技术的技术方案是：一种基于线性内插型模糊神经网络的诊断方法，包括以下步骤：1、获取算法学习知识。首先从特征参量的概率密度函数中求得特征值Pi的可能性分布函数μ(Pi)=Σi=1Nmin{λi,λk
【技术保护点】
一种基于线性内插型模糊神经网络的诊断方法，其特征在于：包括以下步骤：一、获取算法学习知识。首先，从特征值的概率密度函数中求得特征值Pi的可能性分布函数和σ分别是特征值Pi的均值和标准方差，其中根据可能性分布函数可以求出特征值反映设备某种状态的可能性：最后再用Dempster & Shafer证据理论将不同特征参量下的设备各种状态的可能性进行组合，可以得到组合可能性，如下式所示：设备某状态下的组合可能性为：其中和分别是状态Am和状态Ak下的可能性，S是一种状态，是空集。二、得到的特征参量Pi和其对应设备状态的可能性为神经网络的学习知识。将上一步骤得到的学习知识作为样本来训练BP神经网络。BP神经网络属于误差逆传播算法，包括输入层，隐含层，输出层。以特征参量作为输入向量X，n为输入层单元个数，w为输入层到隐含层的权值，p为隐含层单元个数，设备状态的可能性作为输出向量Y，v为隐含层到输出层的权值，q输出层单元个数。采用sigmoid函数作为激活函数那么隐含层j单元的输出值为：同理计算出输出层第k个单元的输出值：采用梯度下降法来调整权值，输出层的校正误差为：dk＝(ok‑yk)yk(1...
【技术特征摘要】
1.一种基于线性内插型模糊神经网络的诊断方法，其特征在于：包括以下步骤：
一、获取算法学习知识。
首先，从特征值的概率密度函数中求得特征值Pi的可能性分布函数
和σ分别是特征值Pi的均值和标准方差，其中根据可能性分布函数可以求出特征值反映设备某种状态的可能性：
最后再用Dempster&Shafer证据理论将不同特征参量下的设备各种状态的可能性进
行组合，可以得到组合可能性，如下式所示：
设备某状态下的组合可能性为：其中和分别是状态Am和状态Ak下的可能性，S是一种状态，是空集。
二、得到的特征参量Pi和其对应设备状态的可能性为神经网络的学习知识。
将上一步骤得到的学习知识作为样本来训练BP神经网络。
BP神经网络属于误差逆传播算法，包括输入层，隐含层，输出层。以特征参量作为输入
向量X，n为输入层单元个数，w为输入层到隐含层的权值，p为隐含层单元个数，设备状态的
可能性作为输出向量Y，v为隐含层到输出层的权值，q输出层单元个数。
采用sigmoid函数作为激活函数那么隐含层j单元的输出值为：
同理计算出输出层第k个单元的输出值：采用梯度下降法来调整权值，输出层的校正误差为：dk＝(ok-yk)yk(1-yk)，其中ok为训
练样本的希望输出。隐含层各单元的校正误差为：对于输出
层至隐含层的权值校正量...
【专利技术属性】
技术研发人员：赵宇，李可，陈鹏，王华庆，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32
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。