《基于神经网络与改进证据理论融合的故障诊断方法》由会员分享，可在线阅读，更多相关《基于神经网络与改进证据理论融合的故障诊断方法（10页珍藏版）》请在金锄头文库上搜索。
1、基于神经网络与改进证据理论融合的故障诊断方法 刘保杰 杨清文 吴翔 房施东 陆军军官学院五系 摘 要： 为提高液压驱动的火箭炮随动系统故障诊断准确性, 将双 BP 神经网络和 D-S 证据理论相结合的数据融合方法引入到故障诊断中, 运用并行的两个 BP 神经网络对液压驱动的火箭炮随动系统进行局部诊断, 再用 D-S 证据理论对局部诊断的结果进行全局融合, 克服了单一 BP 网络诊断的缺陷, 使证据理论的基本可信度分配不再完全依赖专家进行的主观化赋值, 从而实现了赋值的客观化, 为解决冲突证据无法判别的问题, 引入了信任系数的概念, 修正融合结果, 减少了故障分类识别的不确定性, 提高了诊断系统
2、的可靠性。通过液压系统实例, 验证了该方法的可信度和可行性。关键词： 流体传动与控制; 多传感器信息融合; 故障诊断; D-S 证据理论; 液压系统; 作者简介：刘保杰 (1985) , 男, 博士研究生, 主要从事机电液一体化、故障诊断等方面研究。E-mail:作者简介：杨清文 (1966) , 男, 博士, 教授, 主要从事武器装备故障诊断和效能评估方面的研究。收稿日期：2016-10-25基金：军内科研项目 (wj2015cj020001) Fault Diagnosis Method Based on the Fusion of Neural Network and Improved
3、Evidence TheoryLIU Baojie YANG Qingwen WU Xiang FANG Shidong Fifth Department, Army Officer Academy of PLA; Abstract： In order to improve the fault diagnosis accuracy of hydraulic driven rocket launcher servo system ( HDRLSS) , the data fusion method based on BP neural network and D-S evidence theor
4、y was introduced into the fault diagnosis, which used two parallel BP neural networks to perform local diagnosis, and then used D-S evidence theory to fuse the results of local diagnosis comprehensively. The method overcomes the defects of the single BP network diagnosis, reduces the uncertainty of
5、the fault classification and improves the reliability of the diagnosis system. Through making the basic reliability distribution of the evidence theory not completely depend on the expert subjective valuations, the impersonal valuations were realized. To resolve the conflict evidence problem of not
6、being able to be distinguished, the concept of confidence coefficient was introduced to correct the fusion result, which was able to reduce the uncertainty of the fault classification and improve the reliability of the diagnosis system. The reliability and feasibility of the method were verified by
7、an example of HDRLSS.Keyword： turn and control of fluid; multi-sensor information fusion; fault diagnosis; D-S evidence theory; hydraulic system; Received： 2016-10-25随着高新技术在常规兵器中的广泛应用, 火箭炮随动系统控制原理更先进, 控制系统精度更高, 根据驱动元件的不同, 伺服控制系统可分为机电伺服控制系统、气动伺服控制系统和液压伺服控制系统三大类。液压驱动的火箭炮随动系统具有体积紧凑、平稳性好及功率强等特点, 在武器系统中得
8、到了广泛应用1。由于液压系统故障具有故障点隐蔽, 故障因果关系复杂, 在实际诊断过程中存在许多不确定因素。目前, 液压系统故障诊断采用的方法, 主要有遗传算法、神经网络、模糊理论、粒子群算法以及它们的融合等2-7, 但在实际故障诊断过程中时常出现不同方法对同一故障的诊断结果不一致的情况。这就需要采用一种方法对不同诊断结果进行融合, 从而得出正确的结论。证据理论是一种基于非精确推理的信息融合方法, 它可以将不同数据源的信息进行有效综合, 并在液压系统的故障诊断中得到了广泛应用8-11。但是, 证据理论的基本可信度分配过于依赖专家的主观化赋值, 不同的专家对同一个命题的证据可能给出差别很大的信度分
9、配。同时, 当证据间存在高度冲突时, D-S证据理论的合成结果可能有悖于常理。因此, 笔者在对证据理论研究的基础上, 提出将神经网络和证据理论两者有机结合的诊断方法, 将神经网络的输出值处理后作为 D-S 证据理论辨识框架上命题的基本可信度, 实现了证据理论基本可信度赋值的客观化, 并对 D-S 证据理论的合成规则进行改进, 使其处理冲突证据的能力得到增强。试验证明可大大提高故障诊断的确诊率。1 液压系统故障诊断模型笔者提出的液压系统故障诊断的主要思想:对液压驱动的火箭炮随动系统的故障征兆以及常见的故障进行收集, 组成故障样本;在此基础上构造了两个 BP 神经网络分别处理铁谱数据和压力、流量、
10、温度 (YLW) 等数据, 其中, 铁谱数据是通过定量和定性分析从油液中分离的磨损微粒的成分、浓度、尺寸特征和污染物微粒的材质及化学成分得到, YLW 数据是通过安装在液压元件上的压力、流量和温度传感器获得, 进行故障的局部诊断, 避免了单个 BP 神经网络复杂的结构形式, 减少了 BP 网络训练时间, 克服了因某一传感器故障或数据源错误造成的系统故障误诊;将处理后的两个 BP 神经网络的输出值作为 D-S 证据理论辨识框架上命题的基本可信度, 实现赋值的客观化, 然后, 利用 D-S 证据理论进行融合, 从而得到融合后最终的故障诊断结果。该诊断系统分为数据预处理模块、BP 神经网络的局部诊断
11、模块和 D-S 证据理论的全局诊断模块三大模块。诊断系统模型如图 1 所示。1.1 数据预处理两个神经网络的输入数据是不同的物理参数, 各个物理参数的量值不尽相同。若输入数据的绝对值过大, 将导致 BP 神经网络输出饱和, 进而使误差对权值的变化不太敏感, 所以, 在对 BP 神经网络训练之前, 通过归一化处理, 使输入数据的范围在0, 1之间。考虑到压力、流量、温度和铁谱浓度量程相差较大, 在归一化处理时, 本文采用归一化公式如下10:式中:Y ij为输入数据归一化后的输出;X jmax和 Xjmin分别为第 j 个特征分量的最大值和最小值;X ij为第 i 个样本的第 j 个特征分量。1.
12、2 D-S 证据理论及其改进1.2.1 D-S 证据理论相关概念D-S 证据理论可以用来融合来自多信息源 (传感器) 的相容命题, 并对这些相容命题的交集 (合取) 命题所对应的基本信任分配函数赋值。定义 2:设 M1, M2, , Mn为基本可信度分配函数, 则 D-S 证据理论的合成规则为式中, K 表示证据之间的冲突程度, 其值越大对最终合成结果的影响越大。定义 3:设辨识框架 D 上有证据体 n 个, 焦元 m 个, 若证据体 i 对焦元 A 的基本可信度 Mi (A) 与大多数证据体对焦元 A 的基本可信度存在较大差异, 则称证据体 i 对应的焦元 Ai为焦元集 A 中的矛盾焦元。1
13、.2.2 改进的 D-S 证据理论算法为解决证据间高度冲突导致合成结果有悖于常理的问题, 引入距离函数的概念用以表示证据间的差异性, 重新定义冲突系数并引入信任系数的概念。定义 4:设样本空间 D 包含 n 个不同命题, M i, Mj为 D 上的两个基本可信度分配函数, 那么, M i, Mj的距离可表示为12式中, F 为一个 22 的矩阵定义 5:证据 i, j 的冲突系数为改进冲突证据的合成算法步骤为:1) 判断样本空间 D 中是否存在矛盾焦元, 若不存在, 按式 (2) 计算融合后的基本可信度;否则执行步骤 2) 。2) 按式 (3) 、 (4) 分别计算冲突程度系数 K 和证据距离
14、 d。3) 按式 (5) 计算新定义的冲突系数 Kij。4) 计算信任系数:=1-K。5) 对按照式 (2) 计算的融合结果 M (A) 进行修正:M (A) =M (A) 。若有多个证据, 需将 M (A) 与其他证据进行再次合成, 如此循环进行。1.3 BP 神经网络及其改进BP 神经是一个单向传播的多层前馈网络, 其分为 3 层 (输入、隐含和输出层) , 同层节点之间没有连接, 相邻层采用全互连方式连接, 不相邻层之间没有直接联系。图 2 是 BP 神经网络的拓扑结构。1.3.1 BP 神经网络的算法改进标准 BP 算法按 t 时刻的梯度下降方向调整权值, t 时刻以前的梯度方向则不予
15、考虑, 有时会导致训练收敛速度慢及系统振荡, 甚至出现误差梯度局部最小。为了解决标准 BP 算法的这种弊端, 引入动量项的概念, 用以改善系统的收敛性, 减少学习过程的振荡, 其原理是加入一动量项 0, 1。其权值修正公式为4式中:D (k) 表示 k 时刻的负梯度;D (k-1) 表示 k-1 时刻的负梯度; 为学习率。当 =0 时, 权值修正完全取决于当前负梯度;当 =1 时, 权值修正只与上一次循环的负梯度有关, 一般取 0.95。1.3.2 隐含层节点数选择从样本中提取并存储样本内在规律是 BP 网络中隐含层节点的作用, BP 网络获取样本信息的能力与隐含层节点数密切相关, 节点数量太
16、少, 获取的信息不能反映样本规律;节点数太多, 可能出现“过度吻合”, 掌握了样本中非规律性的内容, 增加了训练时间, 降低了泛化能力。试凑法是确定隐含层节点数的常用的方法, 试凑法的初始值通过隐含层节点数的经验公式获得, 通过训练确定最终的隐含层节点数。针对只用 3 层的人工神经网络, 确定隐含层节点数常用的经验公式有:式中:n 为输入层节点数;m 为隐含层节点数;l 为输出层节点数;c 为 110 之间的常数。通过仿真实践发现, 按式 (8) 和 (9) 计算隐含层节点数, 往往不能使训练误差最小, 而按式 (7) 使用试凑法计算, 一般都能取得很好的效果, 因此, 本文选择式 (7) 计算隐含层节点数。2 诊断实例为了验证神经网络和证据理论集成的故障诊断方法的有效性, 笔者依托某大学的液压综合试验台搭建液压驱动火箭炮随动系统作为试验对象, 采用模拟液压泵故障作为被诊故障。该液压驱动火箭炮随动系统包括方向机液压系统, 高低机液压系统
