论文部分内容阅读
摘要：利用神经网络的自学习能力和联想能力；模糊逻辑模拟人脑的思维，以及具有较强的解释能力，建立基于模糊神经网络的针对伺服驱动系统的故障诊断模型。介绍了模糊神经网络的原理及结构，并通过Matlab训练网络模型，仿真结果表明该方法在伺服驱动系统的故障诊断中具有很好的决策力。
关键词：模糊神经网络；伺服驱动系统；故障诊断
0 引言
现代伺服驱动系统采用最新的电力电子技术及数控技术，呈现出高度自动化、信息化、系统化和智能化的发展趋势。由于运行中的各种客观条件或人为因素，伺服驱动系统出现故障的可能性是不可避免的。在众多故障诊断方法中，人工智能技术在现代伺服驱动系统的故障诊断中发挥巨大作用。其中，模糊神经网络具有很强的非线性处理能力，本文提出利用模糊神经网络技术来建立针对伺服驱动系统的故障诊断模型。
1 模糊神经网络的原理及结构
1.1 模糊神经网络的原理
模糊神经网络是模糊逻辑和人工智能神经网络有机结合的产物，它是一种集模糊逻辑推理的强大结构性、知识表达能力和神经网络的强大自学习能力于一体的新技术，由精确输入、模糊化、模糊规则库、推理机制、清晰化、精确输出组成。模糊化将输入空间向量中精确的点映射成模糊集合。模糊规则库是由if-then规则集合所组成。推理机制即使用编制完成的模糊if-then规则将模糊输入集合映射到模糊输出集合。清晰化是把模糊输出集合映射成精确输出集合。
1.2 模糊神经网络的结构
本文所采用模糊神经网络是一个五层网络，分别为输入层、模糊化层、BP隐含层、模糊输出层和清晰化层。输入层节点数为故障征兆数；模糊输入层通过隶属度函数实现故障征兆转为以此隶属度表示的模糊向量；BP隐含层实现BP输入层到输出层的映射；模糊输出层输出模糊化数值，任一节点代表一种故障原因，其值代表故障原因存在可能性的程度；清晰化层根据隶属度最终确定故障原因。
2 BP神经网络隐含层节点数的确立
BP神经网络的隐含层节点数对BP神经网络预测精度有较大的影响：节点数太少，网络不能很好地学习，需要增加训练次数，训练的精度也受影响；节点数太多，训练时间增加，网络容易过拟合。经验公式如下：
l l<√（m+n）+a （2）
l=√（m﹒n） （3）
l=log2n （4）
式中：l代表隐含层神经元个数；n代表输入层节点数；m代表输出层点数； a为0-10之间的常数。
3 模糊隶属度函数
伺服驱动系统是一个非常复杂的综合性系统，包含以下几个子系统：总线通信；交流进线端；DC Bus；逆变输出；内部温度检测；伺服电机编码反馈；带抱闸伺服电机松闸检测等。本文以奥地利贝加莱B&R公司的ACOPOS驱动器为案例，以上文列举几大子系统的常见故障，并结合外部接线常见错误和个别典型性故障作为研究对象，来建立对伺服驱动系统的模糊神经网络故障诊断模型。现代伺服驱动系统在发生故障时，往往能够过人机操作界面或系统自带的显示面板输出故障代码，贝加莱公司的ACOPOS驱动系统同样可以做到这点，故障代码就是最好的故障征兆。伺服驱动系统的一种故障征兆可能是由多种故障原因造成的，而同一种故障原因可能引起多种故障征兆的出现，故障征兆和故障原因之间往往是n对m的一种复杂映射关系。想要根据故障征兆来判断出哪些原因可能引起故障，并确立多种故障原因的可能性高低，需由预先设定模糊隶属度函数来确定故障征兆与故障原因之间的隶属度。伺服驱动系统的故障原因对故障征兆贡献大小，即隶属度。
4 模糊神经网络模型的建立、训练及其仿真
4.1 模糊神经网络模型的建立
4.1.1故障隶属度分布
根据传感器测量值与正常值比较和专家经验获得贝加莱伺服驱动系统的故障隶属度分布，共71条故障征兆，86条故障原因。
4.1.2故障征兆训练样本
該样本是一个由71x71组成的矩阵：
4.1.3故障原因训练样本
该样本是一个由86x71组成的矩阵：
4.2 模糊神经网络模型的训练
使用Matlab R2014a的神经网络工具箱nnstart功能对模糊神经网络模型进行训练。输入层神经元个数71个，使用经验公式（3）确定隐含层神经元个数80个，输出层神经元个数86个。选用nnstart工具箱中的Fitting app方式训练。经过多次训练得到最佳训练效果，误差曲线如图。
4.3 模糊神经网络模型的仿真
基于模糊神经网络的伺服驱动系统故障诊断模型训练完毕后，应采用适当的检验样本对其进行仿真。选取贝加莱伺服驱动系统常见的3组故障征兆作为FNN的检验样本。故障征兆X001 32189：CAN总线或powerlink网络循环数据超时；X037 6019：驱动器输出过流；X061 41031：驱动器输出IGBT结节温度模型过高警报。表2、表3和表4为基于模糊神经网络的伺服驱动系统故障诊断模型的仿真结果。三张表分别对应故障征兆X001、X037和X061的期望输出、模糊神经网络模型的实际输出和归一化输出的比较。从三张表可以看出，模糊神经网络模型的实际输出在归一化处理后与期望输出基本相符，说明模糊神经网络模型能够正确对贝加莱伺服驱动系统进行故障诊断，在故障诊断中具有很好的决策能力。
5 结束语
运用模糊神经网络的基本知识，充分发挥模糊逻辑模拟人脑的思维，以及具有较强的解释能力；神经网络的自学习能力和联想能力，将两者以合理的方式融合，形成混合神经网络模型，建立了一个针对贝加莱伺服驱动系统的模糊神经网络故障诊断模型。
关键词：模糊神经网络；伺服驱动系统；故障诊断
0 引言
现代伺服驱动系统采用最新的电力电子技术及数控技术，呈现出高度自动化、信息化、系统化和智能化的发展趋势。由于运行中的各种客观条件或人为因素，伺服驱动系统出现故障的可能性是不可避免的。在众多故障诊断方法中，人工智能技术在现代伺服驱动系统的故障诊断中发挥巨大作用。其中，模糊神经网络具有很强的非线性处理能力，本文提出利用模糊神经网络技术来建立针对伺服驱动系统的故障诊断模型。
1 模糊神经网络的原理及结构
1.1 模糊神经网络的原理
模糊神经网络是模糊逻辑和人工智能神经网络有机结合的产物，它是一种集模糊逻辑推理的强大结构性、知识表达能力和神经网络的强大自学习能力于一体的新技术，由精确输入、模糊化、模糊规则库、推理机制、清晰化、精确输出组成。模糊化将输入空间向量中精确的点映射成模糊集合。模糊规则库是由if-then规则集合所组成。推理机制即使用编制完成的模糊if-then规则将模糊输入集合映射到模糊输出集合。清晰化是把模糊输出集合映射成精确输出集合。
1.2 模糊神经网络的结构
本文所采用模糊神经网络是一个五层网络，分别为输入层、模糊化层、BP隐含层、模糊输出层和清晰化层。输入层节点数为故障征兆数；模糊输入层通过隶属度函数实现故障征兆转为以此隶属度表示的模糊向量；BP隐含层实现BP输入层到输出层的映射；模糊输出层输出模糊化数值，任一节点代表一种故障原因，其值代表故障原因存在可能性的程度；清晰化层根据隶属度最终确定故障原因。
2 BP神经网络隐含层节点数的确立
BP神经网络的隐含层节点数对BP神经网络预测精度有较大的影响：节点数太少，网络不能很好地学习，需要增加训练次数，训练的精度也受影响；节点数太多，训练时间增加，网络容易过拟合。经验公式如下：
l
l=√（m﹒n） （3）
l=log2n （4）
式中：l代表隐含层神经元个数；n代表输入层节点数；m代表输出层点数； a为0-10之间的常数。
3 模糊隶属度函数
伺服驱动系统是一个非常复杂的综合性系统，包含以下几个子系统：总线通信；交流进线端；DC Bus；逆变输出；内部温度检测；伺服电机编码反馈；带抱闸伺服电机松闸检测等。本文以奥地利贝加莱B&R公司的ACOPOS驱动器为案例，以上文列举几大子系统的常见故障，并结合外部接线常见错误和个别典型性故障作为研究对象，来建立对伺服驱动系统的模糊神经网络故障诊断模型。现代伺服驱动系统在发生故障时，往往能够过人机操作界面或系统自带的显示面板输出故障代码，贝加莱公司的ACOPOS驱动系统同样可以做到这点，故障代码就是最好的故障征兆。伺服驱动系统的一种故障征兆可能是由多种故障原因造成的，而同一种故障原因可能引起多种故障征兆的出现，故障征兆和故障原因之间往往是n对m的一种复杂映射关系。想要根据故障征兆来判断出哪些原因可能引起故障，并确立多种故障原因的可能性高低，需由预先设定模糊隶属度函数来确定故障征兆与故障原因之间的隶属度。伺服驱动系统的故障原因对故障征兆贡献大小，即隶属度。
4 模糊神经网络模型的建立、训练及其仿真
4.1 模糊神经网络模型的建立
4.1.1故障隶属度分布
根据传感器测量值与正常值比较和专家经验获得贝加莱伺服驱动系统的故障隶属度分布，共71条故障征兆，86条故障原因。
4.1.2故障征兆训练样本
該样本是一个由71x71组成的矩阵：
4.1.3故障原因训练样本
该样本是一个由86x71组成的矩阵：
4.2 模糊神经网络模型的训练
使用Matlab R2014a的神经网络工具箱nnstart功能对模糊神经网络模型进行训练。输入层神经元个数71个，使用经验公式（3）确定隐含层神经元个数80个，输出层神经元个数86个。选用nnstart工具箱中的Fitting app方式训练。经过多次训练得到最佳训练效果，误差曲线如图。
4.3 模糊神经网络模型的仿真
基于模糊神经网络的伺服驱动系统故障诊断模型训练完毕后，应采用适当的检验样本对其进行仿真。选取贝加莱伺服驱动系统常见的3组故障征兆作为FNN的检验样本。故障征兆X001 32189：CAN总线或powerlink网络循环数据超时；X037 6019：驱动器输出过流；X061 41031：驱动器输出IGBT结节温度模型过高警报。表2、表3和表4为基于模糊神经网络的伺服驱动系统故障诊断模型的仿真结果。三张表分别对应故障征兆X001、X037和X061的期望输出、模糊神经网络模型的实际输出和归一化输出的比较。从三张表可以看出，模糊神经网络模型的实际输出在归一化处理后与期望输出基本相符，说明模糊神经网络模型能够正确对贝加莱伺服驱动系统进行故障诊断，在故障诊断中具有很好的决策能力。
5 结束语
运用模糊神经网络的基本知识，充分发挥模糊逻辑模拟人脑的思维，以及具有较强的解释能力；神经网络的自学习能力和联想能力，将两者以合理的方式融合，形成混合神经网络模型，建立了一个针对贝加莱伺服驱动系统的模糊神经网络故障诊断模型。