《自动化与仪器仪表》２００９年第６期（总第１４６期）
１
收稿日期：２００９－０７－１５
作者简介：蒯标（１９８３－），男，安徽人，在读硕士研究生，从事ＰＲＯＦＩＢＵＳ工业网络通信及故障诊断技术的研究。 蒯 标，张世峰
（安徽工业大学电气信息学院 安徽马鞍山，２４３００２）
摘 要：针对连铸机结晶器液压振动系统故障特点，采用模糊理论与神经网络相结合的方法对其进行故障诊断，用模糊信息处理方法对输入信号进行处理，然后采用神经网络的逼近能力实现连铸机结晶器液压系统振动故障诊断，利用现场数据进行了仿真实验，仿真结果表明该系统具有很好的识别能力，可以对不确定行知识进行很好的处理，提高故障诊断的精度。 关键词：模糊；神经网络；故障诊断；连铸机结晶器
Abstract: This paper uses a method of complex control system which consists of fuzzy theory and neural network to give fault
diagnosis through the research of advantages and disadvantages in fuzzy theory and neural network.It deals with the input signals by the fuzzy imformation processing and then realizes the fault diagnosis of hydraulic system in continous casting machine crystallizer through the approximation ability of the neural network.The simulation shows that this method is a realiable diagnostic results.
Key words: Fuzzy ; Neural networks ; Fault diagnosis ; Continuous casting machine mold
中图分类号：TP273+.4 文献标识码：A 文章编号：1001-9227(2009)06-0001-03
0 引 言
近年来神经网络在理论与实践方面有了突飞猛进的发展，它以惊人的速度渗透到各个科学领域。神经网络具有强大的非线性映射能力、并行处理能力、良好的学习能力和容错性以及独特的联想记忆能力等优点。基于ＢＰ神经网络的故障诊断已经成为较通用的故障诊断解决方案，但是ＢＰ神经网络算法存在着收敛速度慢和易陷入局部极小点的缺点。 模糊诊断通过研究故障与征兆之间的关系来判断设备状态。模糊故障诊断方法，就是利用模糊数学方
法对诊断系统的故障不确定性进行量化处理，再根据一定的判断阈值来识别故障。
模糊理论和人工神经网络都可以表达和处理不确定信息，但是各有优缺点。把模糊理论和神经网络有机结合起来，建立实用可靠的故障诊断系统，使其具有模糊理论和神经网络的优点，取长补短，既能表示不确定性信息，又具有强大的学习能力和数据处理能力，是非常有意义的
［１］
。基于此，本文将模糊理论与ＢＰ改进新算法有机结合应
用在连铸机结晶器液压振动系统的故障诊断中。1 模糊神经网络故障诊断研究１．１ 模糊神经网络故障诊断系统
图１ 故障诊断系统
建立基于模糊预处理的神经网络故障系统，如图１所示。
（１）传感器采集被诊断对象在各种状态下的原始数据u １，u ２，…，u i ，即故障现象。
（２）将采集到的原始数据进行模糊处理，提取特征信息，并以隶属度μ（u １），μ（u ２），…，μ（u i ）的形式表达。
（３）根据各种状态下的特征信息进行神经网络推理，得到对应各种故障原因的隶属度值μ（v １），μ（v ２），…，μ（v i ），其中v １，v ２，…，v j 表示第ｊ种故障原因。
（４）对神经网络推理的结果进行模糊解释和决策，最终得到诊断结论，推断出被诊断对象的故障原因。１．２ 模糊化模块
将采集的数值信号进行模糊化处理，本文选用多特征模糊π型隶属度函数求隶属度，定义多维情况下的π型隶属度函数［２］为：
（１）
２
其中，c 为中心点，一般可以去均值向量，λ为带宽。上式表示了点集｛ｘ｝，
x 聚集在中心c 的隶属度函数。
其参数可以如下选取：
c ＝ （Ｘｓｊ ）av
（２）
i = １，２，…，n j （３）
其中，ｘ是Ｎ维向量，集合ｓ是含有这Ｎ维特征的特征子集。（Ｘｓｊ ）av 表示Ｃj 类中n j 个样本Ｎ维特征的均值向量。１．３ 神经网络故障诊断
ＢＰ学习算法是目前人工神经网络技术中应用最广也是最为成功的学习算法。ＢＰ网络由输入层、输出层以及一个或多个隐含层所构成的神经网络，网络是按有教师示教的方式进行学习，它的学习过程威尼斯的小艇教学设计
大头蚁属
就是不断修正网络权值和阈值使得实际输出与期望输出之间误差逐渐减小以至达到期望误差的过程。ＢＰ算法是一个非线性优化问题，普遍采用梯度下降法，
其权值
修正公式为：核酸分子杂交
（ｎ＋１）＝（ｎ）＋△
（ｎ） （４）式中，△（ｎ）为第ｎ步从ｉ到ｊ神经元的权值，修正
值△
（ｎ）＝ －
，ε为输出平方误差函数，η为
学习速率。
在学习过程中，标准ＢＰ算法随着误差值越来越小导致梯度下降调整的幅度也越来越小，从而使网络学习训练时间长，收敛速度慢；此外网络有可能陷于局部极小值。为了改进学习速度以及避免局部极小值，在式（４）的基础上添加动量因子：
△
（ｎ）＝α△
（ｎ－１）－
（５）
动量因子α的融入加速权值向减小的方向下降，同时对网络有稳定的作用。此时，在网络训练过程中，单一的、固定不变的学习速率很难同时兼顾不同误差变化范围内的收敛情况，特别是在极小点附近，单一的学习速率会使收敛速度减慢。因此本文采用了自适应学习速率以克服单一学习速率缺陷，起调整公式为
［３］
：
（６）
Ａ（k ）是第k 次的误差平方和。
调整学习速率的准则是检查本次学习误差是否小于上次学习误差，如果是则本次迭代有效，说明当前的学习速率比较适合误差变化趋势，可以适当的加大学习速率。如果本次学习误差大于上次学习误差说明产生过调，此时就应该减小学习速率。2 仿真实验
２．１ 系统仿真
将该方法用连铸机结晶器液压振动系统故障诊断，由于结晶器振动系统零件间相互耦合，因此结晶器液压振动系统故障具有多层次，模糊性，相似性等特点，故障的征兆与故障之间的对应关系往往呈现高度的非线性和耦合性，故障信息往往呈现出很大的不确定性和不精确性。
设连铸机结晶器液压振动系统有５种故障，分别用Ｆ１，Ｆ２，Ｆ３，Ｆ４，Ｆ５表示，传感器获得故障征兆Ｘ１～Ｘ６，设定运行正常时这些参数值分别为：１３０，０．９，４．６，０．８，２．２，７．９。
本文采用三层ＢＰ神经网络。需要采集６个信号，经模糊预处理，则神经网络共有１８个输入，５个输出。对于隐含层的选择是一个十分复杂的问题，没有很好的解析式来表示，隐含层的单元数与问题的要求，输入输出单元的多少都有直接的关系。隐含层太少可能网络不收敛，或者网络不强壮，不能识别以前没有看到过的样本，容错性差，但隐含层单元数太多又使学时间太长，误差也不一定最佳，因此存在一个最佳的隐含层单元数。求隐含层单元数有以
下一些经验公式：
（７）
式中，k 为样本数，n 1为隐含层单元数，n 为输入单元数，如i ＞n 1
，
＝０。
n 1 ＝
（８）其中，m 为输出神经元数，n 为输入单元数，α为１～１０
之间的常数。
n 1＝ log 2 n （９）另外Ｋｏｌｍｏｇｏｉ
ｏｖ隐含层设计定理：当输入Ｎ个单元，隐含层２Ｎ＋１个单元，组成的神经网络可以精确实现任何一个连续函数。随着隐含层单元数的增加，神经网络学习的速率缩短，隐含层单元数不宜过大，因为过大将增加计算量，增加训练时间。因此，本文选用３７个隐层单元。
选用１０组故障数据运用ＭＡＴＬＡＢ仿真工具对网络进行训练。设定误差范围为０．００１，训练次数为２００次，训练结
sas软件果如图所示。
图２
女子冰球
仿真学习结果
基于模糊神经网络的连铸机故障诊断研究 蒯 标，等
（下转第９页）
《自动化与仪器仪表》２００９年第６期（总第１４６期）９
向量机预测值。泛化性能指标如表１。
表1 测试样本的性能参数比较
从图４可以看出，支持向量机软测量的估计值与实际测量值吻合的较好，较好的跟踪了ＢＯＤ的变化趋势。从表１中可以看出ＰＳＯ－ＳＶＭ的预测结果强于ＧＡ－ＳＶＭ，而且动态的预测模型也显著优于普通模型。ＳＶＭ软测量模型具有较强的泛化能力，表明了基于ＳＶＭ的软测量模型对ＢＯＤ预测的有效性。4 结 论禁书
采用支持向量机建模的方法对出水ＢＯＤ进行软测量，弥补了传感器在线检测和其它软测量建模方法的不足，该方法不仅符合污水处理的特点，而且精度高，运算速度较快，污水处理过程出水水质软测量的实现为污水处理过
程在线实时控制创造了条件。
参考文献
１
卿小霞，于建平．软测量技术及其在污水处理中的应用［Ｊ］．工业水处理，２００５年３月，Ｎｏ．１４：１３～１４
彭向华．软测量技术在污水处理中的应用研究［Ｄ］．昆明：昆明理工大学硕士论文，２００２，１０～３０
Ｂｅｒｎａｒｄ，ｏ，ｅｔ，ａｌ， Ａｄｖａｎｃｅｄ ｍｏｎｉｔｏｒｉｎｇ ａｎｄ ｃｏｎｔｒｏｌ ｏｆ ａｎａｅｒｏ－ｂｉｃ ｗａｓｔｅｗａｔｅｒ ｔｒｅａｔｍｅｎｔ ｐｌａｎｔｓ：ｓｏｆｔｗａｒｅ ｓｅｎｓｏｒｓ ａｎｄｃｏｎｔｒｏｌｌｅｒｓ ｆｏｒ ａｎ ａｎａｅｒｏｂｉｃ ｄｅｇｅｓｔｅｒ［Ｊ］．ｗａｔｅｒ Ｓｃｉ，Ｔｅｃｈ，２００１，４３（７）：１７５～１８２Ｖａｐｎｉｃ，ｋ．Ｔｈｅ Ｎａｔｕｒｅ ｏｆ ｓｔａｔｉｓｔｉｃａｌ ｌｅａｒｎｉｎｇ ｔｈｅｏｒｙ［Ｍ］．Ｎｅｗ Ｙｏｒｋ：Ｓｐｒｉｎｇｅｒ，１９９８Ｖｌａｄｉｍｉｒ Ｃｈｅｒｋａｓｓｋｙ，Ｙｕｎｑｉａｎ Ｍａ．Ｐｒａｃｔｉｃａｌ ｓｅｌｅｃｔｉｏｎ ｏｆＳＶＭ ｐａｒａｍｅｔｒｅｓ ａｎｄ ｎｏｉｓｅ ｅｓｔｉｍａｔｉｏｎ ｆｏｒ ＳＶＭ ｒｅｇｒｅｓｓｉｏｎ
［Ｊ］．Ｎｅｕｒａｌ Ｎｒｔｗｏｒｋｓ，２００４，１（１）：１１３～１１６
张 弦，李世平．基于支持向量机的动态测量误差非线性组合预测方法［Ｊ］．工业仪表与自动化装置．２００７年第５期：５３～５４段中兴，嵇启春．催化剂粉尘浓度软测量建模研究与应用［Ｊ］．系统仿真学报，２００８年７月，第２０卷，Ｎｏ．１４：３９０１～３９０２
２３４
５
６
７（上接第２页）
由图２
可知，网络经过１４３次迭代学习，即可实现收敛到误差允许范围之内。
２．２ 连铸机结晶器液压系统故障诊断实验
随机抽取两组故障数据，对系统进行验证，表１和表２分别是系统输入和输出数据。
表1 随机抽取故障数据
表2 系统输出验证结果
通过输出结果可知两组数据分别对应故障Ｆ１和Ｆ３，与专家推理结果相符。
3 结 论
将模糊神经网络应用于连铸结晶器液压系统的振动故障诊断系统中，体现了故障发生的模糊性及不确定性，将符号推理与神经网络推理有机结合，对处理故障征兆和
故障原因的非线性映射问题，具有强大的自学习能力和数据处理能力。实验表明，该系统具有很好的识别能力，可以对不确定性知识进行很好的处理，提高故障诊断的精度。
参考文献
１
张超杰，贺 国，梁述海．模糊神经网络及其在控制系统故障诊断中的应用［Ｊ］．计算机测量与控制，２００７．１５（４）：４２６～４３４Ｓａｎｋａｒｋ．Ｐａｌ．Ｆｕａｚｚｙ ｓｅｔ ｔｈｅｏｒｅｔｉｃ ｍｅａｓｕｒｅｓ ｆｏｒ ａｕｔｏｍａｔｉｃｆｅａｔｕｒｅ ｅｖａｌｕａｔｉｏｎ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ ６４，ｐｐ．１６５～１７９，１９９２
向 嵩，王 雨，刘国权．ＢＰ改进算法神经网络的保护渣性能预测模型［Ｊ］．炼钢，２００６，（６）：４５～４８
张建华．基于模糊神经网络的故障诊断方法的研究［Ｊ］．北京航空航天大学学报，１９９７，（８）：５０２～５０６
ＪＡＮＧ．Ｊ Ｓ Ｒ．．ＡＮＦＩＳ；Ａｄａｐｔｉｖｅ－ｎｅｔｗｏｒｋ－ｂａｓｅｄ ｆｕｚｚｙ ｉｎｆｅｒｅｎｃｅｓｙｓｔｅｍ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ．ｏｎ ＳＭＣ，１９９３，２３（２）：３２６～３３２
王永骥，涂 健．神经网络控制［Ｍ］．北京：机械工业出版社，１９９８周中良，于 雷，李永华．基于信息融合的改进型模糊神经网络［Ｊ］．计算机应用，２００６，２６（Ｂ０６）：１１７～１１８
刘根水，张绍德，李 娟．基于ＲＢＦ神经网络逆系统的机械手解耦
控制策略［Ｊ］．自动化与仪器仪表，２００８（６）
２
３４５６７
８
