基于模糊神經網絡的起動機測試儀智能診斷系統

張墩利 ，周國棟 ，李慶鐳

（1.中南大學 機電工程學院，長沙 410083；2.湖南廣播電視大學 機電工程系，長沙 410004；3.國網天津城東供電公司，天津 300000）

智能故障診斷技術是指依靠先進的傳感器技術和檢測技術，采集系統各種具有特征性的動態數據，并對其進行處理、分析、區分和識別，確認異常表現，預測發展趨勢，查明產生原因、發生部位及嚴重程度，并提出針對性的維修措施和處理方法[1-3]。汽車起動機性能自動測試儀在汽車工業中得到越來越廣泛的應用[4]，其主要結構如圖1所示，采用電流和轉速雙環控制，由于其結構復雜、測試精度要求高，所以對設備的性能監控和故障診斷具有十分重要的意義。

圖1 起動機測試儀原理Fig.1 Diagram of starter testing system

傳統基于規則的專家系統進行故障診斷時的主要缺陷在于存在著知識獲取瓶頸、組合爆炸、無窮遞歸等難于解決的問題，且不具備聯想和自學習功能。為了有效解決此類問題，本文針對起動機檢測設備設計了一種基于模糊神經網絡的故障診斷專家系統FNN-ES[5]。

1 系統總體結構

基于模糊神經網絡的汽車發動機故障診斷專家系統FNN-ES充分利用專家系統ES和模糊神經網絡FNN的特點，由ES負責邏輯處理，FNN負責數值計算，各部分工作相互獨立而有機地結合在一起，整體系統結構如圖2所示。

圖2 模糊神經網絡專家系統結構Fig.2 Structure of FNN-ES

FNN是模糊神經網絡專家系統的核心，將其嵌入在ES中，FNN負責完成知識獲取、推理等工作。

（1）知識獲取。模糊神經網絡具有自學習功能，能根據領域問題組織的訓練樣本而獲得領域知識，這些知識將以連接權值的方式分布在網絡各節點上（即知識庫）。

（2）推理。訓練后的神經網絡負責對輸入模式進行前向計算，其輸出結果即推理結論。

ES則通過圖形界面GUI與用戶交互，實現系統信息的輸入和輸出，并對FNN的計算數據進行處理。

輸入信息處理模塊通過人機界面從用戶那里獲得有關的故障征兆現象，并轉化為模糊神經網絡可以接受的數據模式，送入神經網絡。

輸出信息處理模塊則將FNN推理得出的結論通過人機界面向用戶輸出。基于模糊神經網絡的故障診斷專家系統，結合了FNN和ES兩者的優勢，由專家系統來實現用戶信息的處理，由模糊神經網絡來實現知識的獲取、存儲和推理，不僅知識庫大為縮減，實現了并行運算、推理速度快、容錯性好，而且便于用戶實際操作使用。

2 模糊神經網絡

模糊神經網絡結合了模糊邏輯和神經網絡的優點。它既模仿人腦的邏輯思維模式，又模擬人腦神經元的功能；既可以表述具有模糊性質的問題，又具有強大的自學習和數據處理能力；既有強大的結構知識表達能力和自然語言分析能力，又具有較好的容錯能力。利用模糊神經網絡自身的分布式結構機制對知識進行隱式的表示，可以實現知識表示、存儲和推理三者有機融合；在知識獲取、并行推理、自適應學習、聯想推理和容錯能力等方面都表現出了明顯的優越性。

基于模糊神經網絡的起動機測試儀智能故障診斷專家系統，用模糊隸屬函數來描述各故障現象，用神經元及其連接權值的分布表示故障的程度及分布，用特定的學習算法從訓練樣本中獲取知識，系統分析機制不同于傳統專家系統的知識匹配推理，只需要完成一組模糊數值計算，因此較好地克服了傳統的采用符號的診斷專家系統存在的知識獲取困難、知識存儲容量與系統運行速度的矛盾以及知識的“窄臺效應”等問題，能很好地完成起動機檢測設備的故障診斷任務。

2.1 模糊神經網絡的結構

根據上述模糊控制和神經網絡的特點，構造模糊神經網絡。首先基于模糊算法將輸入的故障征兆信息模糊化（模糊化模塊），目的是使神經網絡的訓練樣本更精確；然后使用BP神經網絡進行測試設備的故障診斷（ANN學習推理模塊）；最后清晰化故障診斷的結果（清晰化模塊），其結構圖如圖3所示。

圖3 模糊神經網絡結構Fig.3 Structure of FNN

模糊神經網絡由3個模塊組成。

（1）輸入模糊化模塊。其任務是完成從抽象的特征信號到具體的網絡輸入之間的轉化，即將故障征兆現象轉化為以隸屬度函數表示的模糊量集合。

（2）學習推理模塊。 應用 BP（back propagation）神經網絡完成從故障現象到故障原因的邏輯推理診斷過程。

（3）輸出清晰化模塊。完成神經網絡的輸出結果到診斷結論的去模糊化過程，即根據ANN輸出向量數據的隸屬度最終確定故障的原因。

2.2 基于模糊神經網絡的起動機測試設備故障診斷

2.2.1 FNN的構建及訓練仿真

根據起動機測試設備實驗和實際維修經驗，以及有關故障診斷方面的資料，對測試儀故障的表現，列出其故障程度的隸屬度函數分布。

對于故障原因 （即y1表示起動機彈出機構故障；y2表示起動機線圈故障（短路或斷路）；y3表示起動機轉速故障；y4表示起動機與傳動機構齒輪嚙合故障；y5表示直流電源故障；y6表示起動機轉向故障；y7表示磁粉制動器故障；y8表示激磁電源故障）的存在程度，采用如表1所示的模糊范疇描述。

表1 模糊程度描述Tab.1 Fuzzy degree description

根據該領域專家的經驗知識，作出表2所示的故障征兆和原因的對應關系（即模糊規則庫），該規則庫就是神經網絡的訓練樣本。

表2 起動機測試儀故障現象和原因的對應關系Tab.2 Relationship between starter tester failure phenomenon and reasons

對于表中模糊化了的訓練樣本集，采用結構簡單的BP神經網絡進行學習訓練。確定網絡結構為3層，輸入層有9個節點，對應于9個故障現象；輸出層有8個節點，對應于8個故障原因；隱含層的神經元個數結合網絡的收斂性、仿真速度及精度的要求選取13個[6]。

使用快速BP收斂算法對神經網絡進行訓練。設定訓練的目標誤差平方和指標為0.001，最大循環次數為4000次，初始學習速率為0.01，動量常數取0.96。由于模糊邏輯的隸屬度值是在［0，1］之間，因此各神經元的激活函數均取對數S型 （log-Sigmoid）函數[7]，其將輸入范圍從（-∞，+∞）映射到（0，1），從而能與模糊邏輯很好地對接起來。模糊神經網絡經過訓練后的結果如表3所示，訓練過程中的誤差和學習率與訓練次數的對應關系曲線如圖4所示。可以看到，訓練不到16次，誤差就已滿足要求，成功完成網絡訓練。

表3 網絡仿真輸出與目標輸出的結果對比Tab.3 Comparison between simulation output and target output

圖4 誤差與訓練次數的關系曲線Fig.4 Relationship between error and training times

2.2.2 應用FNN進行故障診斷

首先選擇一個樣本的輸入，假設現有故障癥狀為

將其輸入已訓練好的模糊神經網絡中，得到神經網絡的輸出為 Y=［0.0030；0.0000；0.0031；0.0005；0.9908；0.0000；0.0000；0.0009］，采用最大隸屬度方法進行清晰化，根據故障原因的隸屬函數描述可知，存在y5所述的故障原因，即直流電源故障。與給定的樣本輸出數據比較，可知診斷完全正確。

再用一個新的非樣本輸入，來檢測模糊神經網絡的泛化和容錯能力。設某測試儀的故障癥狀為

將待識別的故障數據X輸入到已訓練好的神經網絡中并運行，可以得到神經網絡的輸出為Y=［0.0007；0.9864；0.0012；0.0003；0.0000；0.0001；0.0003；0.0022］

同樣采用最大隸屬度法對計算結果進行清晰化處理，根據故障原因的隸屬函數描述可知，存在y2所述的故障原因，即起動機線圈故障。

將上述的非樣本數據與樣本數據輸入作對比，再比較它們的診斷輸出結果，可以看出FNN能夠很好地完成起動機測試儀的故障診斷，診斷結果準確，容錯能力強，且符合人們的思維習慣，具有較好的實用性。

3 專家系統的實現

將模糊神經網絡作為專家系統的核心嵌入ES中，完成故障診斷的任務。而專家系統的符號處理功能則通過設計功能強大的可視化用戶界面和數據庫系統及相關的程序模塊來實現。

本設計中的模糊神經網絡是采用Matlab和VC2005聯合編程開發的，用戶界面如圖5所示。用戶界面上選擇所見到的故障征兆，提交后系統就會將用戶的信息轉化為模糊神經網絡所能辨識的數值信息，從而調用模糊神經網絡故障診斷的程序，進行推理并得到診斷結論。對于圖5的故障現象，用戶不僅可以得到相應的診斷結果，還可觀察到神經網絡仿真運行時誤差及學習率與訓練次數的對應曲線，從而極大地方便了用戶的操作使用。

圖5 專家系統的用戶界面Fig.5 Interface of expert system

4 結語

本文針對起動機測試儀故障的模糊性、相關性、復雜性的特點，采用基于模糊神經網絡的故障診斷專家系統作了一些初步的探討。仿真結果表明，模糊神經網絡用于該設備的故障診斷是可行的，其結合了神經網絡和模糊邏輯的優點，推理速度快，泛化能力和容錯能力強，結論表達準確，符合實際需要。

[1]Terje Brasethvik，Jon Atle Gulla.Natural language analysis for semantic document modeling[J].Data&Knowledge Engineering，2005，38（1）：45-62．

[2]劉振興.電機故障在線監測診斷新原理和新技術研究[D].武漢：華中科技大學，2004.

[3]李衛新.模糊Petri網在汽車故障診斷中的應用研究[D].西安：長安大學，2007.

[4]周國棟，張墩利.基于ADRC的起動機負載測試系統[J].自動化與儀表，2015，30（1）：217-222.

[5]Zhang Cuiping，Yang Qingfo.Study on injection and ignition control of gasoline engine based on BP neural network[J].Chinese Journal of Mechanical Engineering（S0577-6686），2003，16（4）：441-444.

[6]呂瓊帥.BP神經網絡的優化與研究[D].鄭州：鄭州大學，2011.

[7]高鵬毅.BP神經網絡分類器優化技術研究[D].武漢：華中科技大學，2012.