[发明专利]基于线性内插型模糊神经网络的诊断方法

说明书

本发明涉及一种基于线性内插型模糊神经网络的诊断方法。具体包括以下步骤：采用可能性理论和Dempster & Shafer证据理论信息融合得出神经网络的学习知识来训练BP神经网络。将sigmoid激活函数线性化，预测设备故障状态的可能性来判断设备处于哪种故障状态。该方法有效解决了模糊特征参量与设备故障类型之间的关系。

技术领域

本发明涉及一种基于线性内插型模糊神经网络的诊断方法，涉及机械设备在线监测和故障诊断技术领域。

背景技术

在实际设备监测与故障诊断过程中，往往只是对设备运行状态信息中的某一种信息进行观测和分析，从中提取有关设备运行状态的征兆信息。我们所提取的任何一种诊断信息都是模糊的、不确定的，所以在诊断时单用一方面信息来反映其状态行为是不完整的。引入适用于故障诊断领域的信息融合技术，来充分挖掘信息的内涵，并对多诊断信息进行有效地融合利用，从而提高故障诊断的准确性、有效性和可靠性。

BP神经网络在它以高度的并行分布式处理能力、联想记忆、自组织能力、自学习能力和极强的非线性映射能力，在众多的领域中显示出了广阔的应用前景。但是在学习知识模糊时，神经网络训练很难收敛，精度也不高。

发明内容

针对上述现有技术存在的不足，本发明提供一种基于线性内插型模糊神经网络的诊断方法，该诊断方法能有效诊断和识别模糊特征参数和故障类型之间的关系。使用的算法具有收敛性且精度高。

发明的技术方案是：

一种基于线性内插型模糊神经网络的诊断方法，包括以下步骤：

1、获取算法学习知识。

和σ分别是特征值P_i的均值和标准方差，其中

根据可能性分布函数可以求出特征值反映设备某种状态的可能性：

然后再用Dempster&Shafer证据理论将不同特征参量下的设备各种状态的可能性进行组合，可以得到组合可能性，如下式所示：

设备某状态下的组合可能性为：

其中和分别是状态A_m和状态A_k下的可能性，S是一种状态，是空集。

得到的特征参量P_i和其对应设备状态的可能性为神经网络的学习知识。

2、将上一步骤得到的学习知识作为样本来训练BP神经网络。

BP神经网络属于误差逆传播算法，包括输入层，隐含层，输出层。以特征参量作为输入向量X，n为输入层单元个数，w为输入层到隐含层的权值，p为隐含层单元个数，设备状态的可能性作为输出向量Y，v为隐含层到输出层的权值，q输出层单元个数。

采用梯度下降法来调整权值，输出层的校正误差为：d_k＝(o_k-y_k)y_k(1-y_k)，其中o_k为训练样本的希望输出。隐含层各单元的校正误差为：对于输出层至隐含层的权值校正量为：Δv_kj＝α·d_k·b_j，隐含层至输入层的权值校正量为：Δw_ji＝β·e_j·x_i，其中α，β为学习系数。

3、将实际特征参量输入线性内插型模糊神经网络预测设备的状态。