基于模糊神經網絡的伺服驅動系統故障診斷模型

沈凱

摘要：利用神經網絡的自學習能力和聯想能力；模糊邏輯模擬人腦的思維，以及具有較強的解釋能力，建立基于模糊神經網絡的針對伺服驅動系統的故障診斷模型。介紹了模糊神經網絡的原理及結構，并通過Matlab訓練網絡模型，仿真結果表明該方法在伺服驅動系統的故障診斷中具有很好的決策力。

關鍵詞：模糊神經網絡；伺服驅動系統；故障診斷

0 引言

現代伺服驅動系統采用最新的電力電子技術及數控技術，呈現出高度自動化、信息化、系統化和智能化的發展趨勢。由于運行中的各種客觀條件或人為因素，伺服驅動系統出現故障的可能性是不可避免的。在眾多故障診斷方法中，人工智能技術在現代伺服驅動系統的故障診斷中發揮巨大作用。其中，模糊神經網絡具有很強的非線性處理能力，本文提出利用模糊神經網絡技術來建立針對伺服驅動系統的故障診斷模型。

1 模糊神經網絡的原理及結構

1.1 模糊神經網絡的原理

模糊神經網絡是模糊邏輯和人工智能神經網絡有機結合的產物，它是一種集模糊邏輯推理的強大結構性、知識表達能力和神經網絡的強大自學習能力于一體的新技術，由精確輸入、模糊化、模糊規則庫、推理機制、清晰化、精確輸出組成。模糊化將輸入空間向量中精確的點映射成模糊集合。模糊規則庫是由if-then規則集合所組成。推理機制即使用編制完成的模糊if-then規則將模糊輸入集合映射到模糊輸出集合。清晰化是把模糊輸出集合映射成精確輸出集合。

1.2 模糊神經網絡的結構

本文所采用模糊神經網絡是一個五層網絡，分別為輸入層、模糊化層、BP隱含層、模糊輸出層和清晰化層。輸入層節點數為故障征兆數；模糊輸入層通過隸屬度函數實現故障征兆轉為以此隸屬度表示的模糊向量；BP隱含層實現BP輸入層到輸出層的映射；模糊輸出層輸出模糊化數值，任一節點代表一種故障原因，其值代表故障原因存在可能性的程度；清晰化層根據隸屬度最終確定故障原因。

2 BP神經網絡隱含層節點數的確立

BP神經網絡的隱含層節點數對BP神經網絡預測精度有較大的影響：節點數太少，網絡不能很好地學習，需要增加訓練次數，訓練的精度也受影響；節點數太多，訓練時間增加，網絡容易過擬合。經驗公式如下：

l

l<√（m+n）+a （2）

l=√（m﹒n） （3）

l=log2n （4）

式中：l代表隱含層神經元個數；n代表輸入層節點數；m代表輸出層點數； a為0-10之間的常數。

3 模糊隸屬度函數

伺服驅動系統是一個非常復雜的綜合性系統，包含以下幾個子系統：總線通信；交流進線端；DC Bus；逆變輸出；內部溫度檢測；伺服電機編碼反饋；帶抱閘伺服電機松閘檢測等。本文以奧地利貝加萊B&R公司的ACOPOS驅動器為案例，以上文列舉幾大子系統的常見故障，并結合外部接線常見錯誤和個別典型性故障作為研究對象，來建立對伺服驅動系統的模糊神經網絡故障診斷模型?，F代伺服驅動系統在發生故障時，往往能夠過人機操作界面或系統自帶的顯示面板輸出故障代碼，貝加萊公司的ACOPOS驅動系統同樣可以做到這點，故障代碼就是最好的故障征兆。伺服驅動系統的一種故障征兆可能是由多種故障原因造成的，而同一種故障原因可能引起多種故障征兆的出現，故障征兆和故障原因之間往往是n對m的一種復雜映射關系。想要根據故障征兆來判斷出哪些原因可能引起故障，并確立多種故障原因的可能性高低，需由預先設定模糊隸屬度函數來確定故障征兆與故障原因之間的隸屬度。伺服驅動系統的故障原因對故障征兆貢獻大小，即隸屬度。

4 模糊神經網絡模型的建立、訓練及其仿真

4.1 模糊神經網絡模型的建立

4.1.1故障隸屬度分布

根據傳感器測量值與正常值比較和專家經驗獲得貝加萊伺服驅動系統的故障隸屬度分布，共71條故障征兆，86條故障原因。

4.1.2故障征兆訓練樣本

該樣本是一個由71x71組成的矩陣：

4.1.3故障原因訓練樣本

該樣本是一個由86x71組成的矩陣：

4.2 模糊神經網絡模型的訓練

使用Matlab R2014a的神經網絡工具箱nnstart功能對模糊神經網絡模型進行訓練。輸入層神經元個數71個，使用經驗公式（3）確定隱含層神經元個數80個，輸出層神經元個數86個。選用nnstart工具箱中的Fitting app方式訓練。經過多次訓練得到最佳訓練效果，誤差曲線如圖。

4.3 模糊神經網絡模型的仿真

基于模糊神經網絡的伺服驅動系統故障診斷模型訓練完畢后，應采用適當的檢驗樣本對其進行仿真。選取貝加萊伺服驅動系統常見的3組故障征兆作為FNN的檢驗樣本。故障征兆X001 32189：CAN總線或powerlink網絡循環數據超時；X037 6019：驅動器輸出過流；X061 41031：驅動器輸出IGBT結節溫度模型過高警報。表2、表3和表4為基于模糊神經網絡的伺服驅動系統故障診斷模型的仿真結果。三張表分別對應故障征兆X001、X037和X061的期望輸出、模糊神經網絡模型的實際輸出和歸一化輸出的比較。從三張表可以看出，模糊神經網絡模型的實際輸出在歸一化處理后與期望輸出基本相符，說明模糊神經網絡模型能夠正確對貝加萊伺服驅動系統進行故障診斷，在故障診斷中具有很好的決策能力。

5 結束語

運用模糊神經網絡的基本知識，充分發揮模糊邏輯模擬人腦的思維，以及具有較強的解釋能力；神經網絡的自學習能力和聯想能力，將兩者以合理的方式融合，形成混合神經網絡模型，建立了一個針對貝加萊伺服驅動系統的模糊神經網絡故障診斷模型。