基于粗糙集與模糊神經網絡的多級壓縮機診斷研究

江書榮

摘 要：模糊神經網絡已經廣泛地應用在多級壓縮機故障診斷中，但是，在應用的過程中，還存在很多的問題，需要進一步的研究與分析。粗糙集在數據簡約、規則等方面都具有很大的優勢，可以有效地解決模糊神經網絡結構中的問題與不足。通過對模糊神經網絡的分析與推理，結合網絡神經技術，建立了故障診斷模型，有效地證明了故障診斷的可行性與科學性。

關鍵詞：粗糙集；模糊神經網絡；多級壓縮機；診斷

多級壓縮機具有多因素、強耦合、強非線性，很難建立模糊系統，當發生故障的時候，工作人員很難找到故障發生的原因，診斷工作受到很大的限制。將粗糙集與模糊神經網絡應用到故障的診斷中，需要進行有效的學習階段，大量的診斷數據給學習帶來了實際性的困難。有效地擴展粗糙集的理論，實現域到域的映射。

1 粗糙集與模糊神經網絡診斷模式

1.1 粗糙集理論

粗糙集是以數據作為理論分析，通過指定的研究對象的基本特征與特征值的描述，對知識系統做出準確的定義，用公式表示：S=，其中，U表示對象集合，C∪D=A表示屬性集合，子集G與D分別表示條件屬性與結論屬性，V=∪a？綴AVa表示屬性值集合，Va表示屬性a？綴A的范圍，f、g表示函數，f指定U中的每一個對象x的屬性值，g是公式S=的G與D的映射：g：C→D，這種知識的具體表達系統可以用“條件-行為”來表示，屬于是列表示屬性，行表示論域中的對象，依據粗糙集決策表表示為：“if…then…”規則進行描述。決策表的有效使用，將知識進行了簡單化的處理，保證人民獲取更多的知識。但是，這種表的缺點是學習能力不強，很難處理好新添加的知識含量。

1.2 模糊神經網絡的本質

模糊神經網絡的本質是更好地研究人腦科學的新途徑，是現在社會非常熱門的研究話題，克服了傳統的模糊邏輯與神經網絡的缺陷，并得到了廣泛的應用。模糊神經網絡有很多的類型，但是，從整體上可以分為兩種，一種是由模糊規則直接構成的網絡，另一種是通過對非模糊神經網絡直接模糊化得到的網絡。

2 基于誤差反饋的節點函數特性變化模糊神經網絡（NVFNN）

2.1 模糊神經網絡的結構

神經元的活動既表現出節點間權值的變化，又體現出節點自身的特點的變化，也是節點函數特性的變化情況。基于傳統模糊神經網絡的基礎，對模糊神經網絡的節點函數特征變化情況進行了有效的反饋。這種函數既符合生物物理的基礎特征，有加快收斂的速度與穩定性，屬于非常好的萬能型的逼近器，圖1表示的是NVFNN的結構模型。其隱含層的借點書和模糊區間數相同，并且各節點上的接受函數是對應模糊區間的隸屬度函數，如圖1所示，x為輸入，y為網絡逼近輸入，f（x）是待逼近函數，e為誤差，W=（w1，w2，…，wn）為權系數，a=（a1，a2，…，an）為節點函數，在這里使用了高期函數：

2.2 節點函數特性

文章簡單了論述一下模糊神經網絡逼近器可以隨意逼近任意一個連續的函數f（x）。

平均反模糊化器，使用的是乘積推理規則。上述理論術語是高斯型模糊邏輯系統，因此，這個系統可以逼近任意的連續函數，證明完畢。

3 神經網絡的算法

模糊邏輯神經網絡屬于是一個包含了三層的前饋自組織神經網絡，將低就一層設置為p個輸入數據特征的神經元。第一層設置為c個數的聚類類別，它的作用是為了更好地實現輸入樣本和各聚類中心的匹配計算。

計算模糊聚類的步驟如下：

（1）定原始數據集Xk={xk1，xk2，…，xkp}，經過數據的與處理之后，可以得到Xk={xk1，xk2，…，xkp}，其中k是第k個的樣本。（2）設固定輸入層的個數是p，隱層與輸出層的個數是c，p是輸入矢量維數，c是聚類類別的個數。將誤差常數設置為？著，總的循環次數是tmax，初始學習的系數是a0。（3）隨機初始化的輸入層與隱層神經元之間的全連接是：wij？綴[0，1]，其中1？燮i？燮r，1？燮j？燮p。（4）設t時刻輸入的訓練樣本是Xk，當t=1，2，……tmax時，計算出學習系數at。

4 實驗案例

多級壓縮機的故障診斷問題，存在了很多年，其中氣閥是損壞最多的重要元件之一，其性能質量直接影響到壓縮機的排氣、功率的消耗、安全等問題，假如氣閥發生泄露，會導致壓縮機出口氣體溫度升高，氣壓發生變化，制約了圖案設計的正常運行。文章使用6種狀態的數據，105組數據，每一組數據有8個參數，因此，構建的知識系統是：S=（U，R，V，f），U={x1，x2，…，x105}，R=C∪D，C∩D=？準，c={c1，c2，...，c8}，D={d1，d2，…，d6}。將聚類數值設置為6，經過數據簡約以后的最佳屬性子集是{c3，c5}，最簡規則數目是12，得到模糊神經網絡的結構。

5 結束語

綜上所述，文章結合了神經網絡、模糊集、粗糙集的理論，并發揮出它們的特點與優勢，彌補了傳統故障診斷的不足。同時，文章還提出了新的神經網絡逼近器與數據的濃縮評價指標。通過具體的實驗證明與理論分析，得出逼近器的速度快，精準度高。擁有合理的數據濃縮指標，提高了故障診斷的準確率。有效地分離了診斷學習與診斷過程，保證了診斷的有效性、科學性。

參考文獻

[1]杜海峰，王孫安，丁國鋒.基于粗糙集與模糊神經網絡的多級壓縮機診斷[J].西安交通大學學報，2009（9）：123-125.

[2]劉超.一種新的模糊神經網絡的多級離心壓縮機性能預測方法[J].計算機測量與控制，2013（9）：73-75.

[3]陳嵐萍，潘豐.基于多級模糊神經網絡的故障診斷在化工生產過程中的應用[J].自動化與儀器儀表，2013（4）：26-30.