雕刻機——機電一體化實習報告

1、目錄摘 要：1關鍵詞：11.人工神經(jīng)網(wǎng)絡在智能故障診斷技術中的應用11.1智能故障診斷技術的特點11.2神經(jīng)網(wǎng)絡和專家系統(tǒng)相結(jié)合的智能故障診斷系統(tǒng)21.2.1傳統(tǒng)專家系統(tǒng)存在的問題21.2.2人工神經(jīng)網(wǎng)絡的原理及其特點21.2.3神經(jīng)網(wǎng)絡與專家系統(tǒng)的結(jié)合方式41.2.4智能故障診斷系統(tǒng)的結(jié)構表示52.結(jié)束語6參考文獻6神經(jīng)網(wǎng)絡在智能故障診斷技術中的應用及其發(fā)展趨勢吳禮謙 指導老師：崔永杰摘 要：介紹了人工神經(jīng)網(wǎng)絡與專家系統(tǒng)相結(jié)合的智能故障診斷系統(tǒng)的優(yōu)點 、結(jié)構組成、工作原理以及運行過程并預測了人工神經(jīng)網(wǎng)絡應用的發(fā)展趨勢。關鍵詞：人工神經(jīng)網(wǎng)絡；專家系統(tǒng)；智能故障診斷控制系統(tǒng)的故障檢測與診斷技術(

2、FDD,fault de2 tection and diagnosis)從上世紀70年代產(chǎn)生到現(xiàn)在已取得了迅速發(fā)展,它是一門綜合性技術,涉及現(xiàn)代控制理論、信號處理、模式識別、人工智能、電子技術、數(shù)理統(tǒng)計、模糊邏輯等學科理論,與容錯控制、魯棒控制、自適應控制、智能控制有著密切的聯(lián)系。故障檢測就是判斷系統(tǒng)是否發(fā)生了故障以及檢測出故障發(fā)生的時刻;而故障診斷涉及故障分離、故障辨識等內(nèi)容,包括分離出故障發(fā)生的部位(傳感器、執(zhí)行器或元部件)、判別故障的種類(緩變型或突變型)、估計故障的嚴重程度和時變特性,并進行評價與決策等內(nèi)容。故障診斷最初采取的方法是硬件冗余技術,該方法的缺陷是要增加更多的測試設備,使系

3、統(tǒng)結(jié)構復雜化。目前所說的FDD技術都是以軟件冗余(解析冗余)為主,包括了故障檢測、故障分離、故障辨識故障估計、故障預報和故障決策等內(nèi)容。該技術按是否需要建立系統(tǒng)的精確數(shù)學模型可分為兩大類:一類是完全基于控制系統(tǒng)數(shù)學模型的方法;另一類是基于人工智能、專家系統(tǒng)、模式識別和模糊理論等技術的智能故障診斷方法。在控制系統(tǒng)的故障診斷中,基于數(shù)學模型的診斷技術目前已取得了相當?shù)倪M展,如Kalman濾波、觀測器、參數(shù)估計和一致空間法等。這類方法需要建立被診斷對象較為精確的數(shù)學模型,其診斷原理是利用模型系統(tǒng)所產(chǎn)生的信號與實際測量的系統(tǒng)信號相比較的差值構成殘差向量,通過對殘差序列的統(tǒng)計分析,可檢測出故障的發(fā)生并進

4、行故障診斷。但該技術在應用方面受到不少限制,一個重要的問題就是要求系統(tǒng)有精確的數(shù)學模型,而實際往往存在描寫模型的不確定性,導致了這些方法的不實用性;另外,由于非線性系統(tǒng)的復雜多樣性,控制系統(tǒng)的建模非常困難,故障診斷要求得到系統(tǒng)的在線狀態(tài)和參數(shù)估計的手段并不多,尤其在系統(tǒng)存在模型不確定性、噪聲統(tǒng)計特性并不理想時,使得傳統(tǒng)的動態(tài)數(shù)學模型方法的應用更為困難。而智能故障診斷系統(tǒng)由于不需要建立控制系統(tǒng)的精確數(shù)學模型,因此在故障診斷中得到了越來越廣泛的重視。1.人工神經(jīng)網(wǎng)絡在智能故障診斷技術中的應用1.1智能故障診斷技術的特點智能故障診斷中的“智能化”主要體現(xiàn)在診斷過程中領域?qū)＜以\斷知識的干預,即在對故障

5、信號進行檢測與處理的基礎上,結(jié)合領域?qū)＜抑R和人工智能技術進行推理,具有對給定環(huán)境下的診斷對象進行狀態(tài)識別和狀態(tài)預測的能力。智能診斷可以綜合多個領域?qū)＜业淖罴呀?jīng)驗,其功能水平可以超過專家,實現(xiàn)多故障、多過程、突發(fā)性故障的快速分析診斷。智能故障診斷系統(tǒng)具有以下特點:1.具有人工智能的特點,適合用于模擬人的邏輯思維過程,解決需要進行邏輯推理的復雜診斷問題;2.根據(jù)診斷過程的需要,搜索和利用領域?qū)＜业闹R及經(jīng)驗來達到診斷目的;3.具有自學習、自完善的功能。診斷系統(tǒng)在同環(huán)境進行信息交互的過程中,能從環(huán)境的變化中學習新知識,對知識庫中的知識自動進行調(diào)整、修改和維護,不斷實現(xiàn)自我完善。1.2神經(jīng)網(wǎng)絡和專家

6、系統(tǒng)相結(jié)合的智能故障診斷系統(tǒng)1.2.1傳統(tǒng)專家系統(tǒng)存在的問題專家系統(tǒng)是運用基于知識的程序設計方法建立起來的計算機系統(tǒng),它擁有某個特殊領域內(nèi)專家的知識和經(jīng)驗,并能像專家那樣運用這些知識,通過推理,在那個領域上作出智能決策。它將領域知識編成一系列產(chǎn)生式規(guī)則,可以解決許多系統(tǒng)的故障診斷問題,但在實際工程應用中仍存在不少問題:1.知識獲取的“瓶頸”。因為在對領域?qū)＜抑R進行加工處理和規(guī)則化時,完全取決于專家合作程度、經(jīng)驗和適用性等,而構造專家系統(tǒng)的關鍵就在于知識的獲取。2.系統(tǒng)脆弱性。即知識和經(jīng)驗不全面,遇到?jīng)]解決過的問題就無能為力,只有表面性及經(jīng)驗性知識,缺乏本質(zhì)與理性的知識,忽視了對知識的理解等深

7、層作用,一旦出現(xiàn)啟發(fā)規(guī)則未考慮的情況,系統(tǒng)性能急劇下降。3.知識庫管理困難。當知識庫非常龐大時,由于專家系統(tǒng)采用串行方式,推理方法簡單且控制策略不靈活,引起搜索速度下降、規(guī)則相互抵觸等知識組合爆炸問題,由于系統(tǒng)不具備聯(lián)想及自學習能力,對知識庫的更新、修改及維護相當麻煩。4.推理能力差,智能水平低。5.實際應用受限制,傳統(tǒng)專家系統(tǒng)的通用性較差,過于依賴一個具體研究對象。1.2.2人工神經(jīng)網(wǎng)絡的原理及其特點人工神經(jīng)網(wǎng)絡(ANN,artificial neural network)是基于神經(jīng)科學研究的最新成果發(fā)展起來的邊緣學科。對人工神經(jīng)網(wǎng)絡研究可上溯到1957年Frank Rosenblatt提出

8、的感知器(perceptron)模型,其廣泛興起于20世紀的80年代。人工神經(jīng)網(wǎng)絡是有大量處理單元互連而成用于模擬人腦行為的復雜網(wǎng)絡系統(tǒng),基本處理單元PE(processing element)是人工神經(jīng)元,也稱為結(jié)點。人工神經(jīng)網(wǎng)絡主要是模擬人腦神經(jīng)系統(tǒng)的工作原理:外部刺激信號或上級神經(jīng)元信號經(jīng)過合成后由樹突傳給神經(jīng)元細胞體處理,最后由突觸(Synap se)輸出給下級神經(jīng)元或作出響應。基于這個理論,人們相繼提出了多種人工神經(jīng)元模型。1943年,心理學家W.S.McCulloch和數(shù)理邏輯家W.Pitts發(fā)表在“數(shù)學生物物理學會刊”“(Bulletin of Mathematical Biop

9、hysics”)上的文章中提出了目前使用最普遍的形式神經(jīng)元的M-P模型,其結(jié)構如圖1所示。圖 1 人工神經(jīng)元示意圖圖1中,I1,I2,IN 表示其他n個神經(jīng)元的突觸輸出,W1,W2,WN 為其他n個神經(jīng)元的突觸連接,其值可正可負,分別表示興奮性突觸和抑制性突觸。為閾值,神經(jīng)元的輸出f()稱為變換函數(shù),一般采用的形式有線性函數(shù)、階躍函數(shù)、Sigmoid函數(shù)及雙曲正切函數(shù)等?；谶@種神經(jīng)元結(jié)構,人們建立了多種人工神經(jīng)網(wǎng)絡結(jié)構模型,如:BP網(wǎng)絡、ART網(wǎng)絡、Hopfield網(wǎng)絡、Boltzmann機、BAM網(wǎng)絡和SOM網(wǎng)絡等。在故障診斷領域中,使用最廣泛的是BP網(wǎng)絡,但是,使用BP網(wǎng)絡存在一個問題,

10、就是難以處理多故障問題。當輸入一個學習樣本,雖然BP網(wǎng)絡經(jīng)過學習能夠達到穩(wěn)定,但改變輸入樣本后,輸出結(jié)果無法令人滿意。因此必須采用其他方法進行多故障的診斷,BAM網(wǎng)絡最適合多故障診斷場合。BAM又稱為雙向聯(lián)想存儲器(bidirec2tional associative memory),其拓撲結(jié)構如圖2所示。BAM網(wǎng)絡是由兩層層間互連且同層不連的神經(jīng)元域Fa和Fb構成的反饋神經(jīng)網(wǎng)絡,其中Fa包含n個處理單元,即Fa=a1,a2,an,Fb包含p個處理單元,即Fb=b1,b2,bp。為了使神經(jīng)網(wǎng)絡能夠執(zhí)行某種任務,需要確定描述網(wǎng)絡的各種特性參數(shù),如處理單元、連接模型、激活規(guī)則和學習規(guī)則等。由于神經(jīng)

11、網(wǎng)絡中信息的長期存儲是通過處理單元的互連權值矩陣來實現(xiàn)的,因而確定連接權值矩陣是神經(jīng)網(wǎng)絡的一個重要研究內(nèi)容。連接權值矩陣的確定可通過直接計算權值矩陣和讓網(wǎng)絡采用“學習”兩種方法,其中“學習”又分為有監(jiān)督學習(有導師離線學習)、無監(jiān)督學習(無導師在線學習)和增強學習算法。在BAM網(wǎng)絡中,所有的突觸信息均包含在一個nXp的矩陣W中,這個矩陣實際上就是一個權值矩陣,當權值矩陣W建立完成后,就能進行故障診斷了。人工神經(jīng)網(wǎng)絡具有以下的特點:1.適應性強,系統(tǒng)能通過“學習”較容易地調(diào)整到一個新的環(huán)境,由此引出一系列學習算法以適應各種應用條件;2.魯棒性和容錯性,即少量神經(jīng)元連接或輸入發(fā)生故障不會明顯改變網(wǎng)

12、絡的性能,這是由網(wǎng)絡的一些動力學性質(zhì)所決定的;3.能處理具有模糊性、隨機性、噪聲或不相容性的信息,應用隨機動力學模型可獲取較好的效果;4.高度并行性;5.具有處理復雜多模式及非線性問題的能力以及進行聯(lián)想、推測和記憶的功能;6.小型、緊湊、耗能小。1.2.3神經(jīng)網(wǎng)絡與專家系統(tǒng)的結(jié)合方式神經(jīng)網(wǎng)絡與專家系統(tǒng)用于故障診斷的結(jié)合方式有多種形式,大致可分為以下3種集成方式:1.專家系統(tǒng)為診斷系統(tǒng)的中心,神經(jīng)網(wǎng)絡提供輔助支持。專家系統(tǒng)實現(xiàn)診斷系統(tǒng)的主要功能,如知識獲取、知識表示、推理判斷等,而神經(jīng)網(wǎng)絡可用于合理剔除、修改規(guī)劃,對知識庫進行維護等輔助功能。2.神經(jīng)網(wǎng)絡為診斷系統(tǒng)中心,由專家系統(tǒng)提供輔助支持。專

13、家系統(tǒng)的輔助功能主要體現(xiàn)在兩方面:一是為神經(jīng)網(wǎng)絡提供所需的預處理,二是為神經(jīng)網(wǎng)絡提供專家解釋。故障診斷系統(tǒng)的診斷知識庫可分為顯式和隱式兩種形式。面向領域?qū)＜摇⒅R工程師和用戶的顯式知識庫表示有關診斷對象的征兆與故障關系的產(chǎn)生式規(guī)則;面向神經(jīng)網(wǎng)絡推理機的隱式知識庫表示由產(chǎn)生式規(guī)則轉(zhuǎn)化而來的以內(nèi)部編碼形式存在的學習樣本以及學習之后得到的權系數(shù)集合和閾值集合。3.并列協(xié)調(diào)式。神經(jīng)網(wǎng)絡、專家系統(tǒng)作為獨立的模塊,分別執(zhí)行診斷系統(tǒng)的某些功能,再經(jīng)過組合,得到診斷結(jié)果。對于復雜控制系統(tǒng),由于發(fā)生故障的形式千變?nèi)f化,沒有一個固定的模式,因此故障診斷系統(tǒng)可采用并列協(xié)調(diào)式,充分發(fā)揮傳統(tǒng)專家系統(tǒng)和神經(jīng)網(wǎng)絡專家系統(tǒng)的

14、各自特點,分別用于不同類型故障的診斷。在診斷過程中可用協(xié)調(diào)機構將單過程、單故障、確定型故障以及緩變型故障的診斷對象分配給傳統(tǒng)專家系統(tǒng)進行診斷,將多過程、多故障、不確定型故障以及突變型故障的診斷對象分配給神經(jīng)網(wǎng)絡專家系統(tǒng)進行診斷,充分發(fā)揮各自優(yōu)勢,又使二者互相協(xié)調(diào);同時由于神經(jīng)網(wǎng)絡具有自學習的功能,在診斷過程中神經(jīng)網(wǎng)絡能不斷歸納出新的診斷規(guī)則,充分混合專家系統(tǒng)知識庫的內(nèi)容。1.2.4智能故障診斷系統(tǒng)的結(jié)構表示神經(jīng)網(wǎng)絡與專家系統(tǒng)相結(jié)合的智能故障診斷系統(tǒng)的結(jié)構如圖2所示。圖 2 神經(jīng)網(wǎng)絡與專家系統(tǒng)相結(jié)合的故障診斷系統(tǒng)結(jié)構圖故障診斷系統(tǒng)的診斷知識庫可分為顯式和隱式兩種形式。面向領域?qū)＜?、知識工程師和用

15、戶的顯式知識庫表示有關診斷對象的征兆與故障關系的產(chǎn)生式規(guī)則;面向神經(jīng)網(wǎng)絡推理機的隱式知識庫表示由產(chǎn)生式規(guī)則轉(zhuǎn)化而來的以內(nèi)部編碼形式存在的學習樣本以及學習之后得到的權系數(shù)集合和閾值集合。測試滿足時,可得出診斷結(jié)果和相應解決措施。其中,CF表示前提可信度;RCF表示規(guī)則強度。這種表示方法既可以表達知識的橫向聯(lián)系,又可以表達知識的縱向聯(lián)系,從而能夠完整地將知識結(jié)構和因果關系表達清楚。例如,對某一裝備故障用Petri網(wǎng)來描述,如圖3圖 3 知識表示該故障樹各結(jié)點表示相應的故障,且此模式不是固定的,通過咨詢過程不斷生成,進而產(chǎn)生整個故障樹。2.結(jié)束語神經(jīng)網(wǎng)絡為現(xiàn)代復雜大系統(tǒng)的狀態(tài)監(jiān)測和故障診斷提供了全新的理論方法和技術實現(xiàn)手段。神經(jīng)網(wǎng)絡專家系統(tǒng)是一類新的知識表達體系，與傳統(tǒng)專家系統(tǒng)的高層邏輯模型不同，它是一種低層數(shù)值模型，信息處理是通過大量的簡單處理元件（結(jié)點）之間的相互作用而進行的。由于它的分布式信息保持方式，為專家系統(tǒng)知識的獲取與表達以及推理提供了全新的方式。它將邏輯推理與數(shù)值運算相結(jié)合,利用神經(jīng)網(wǎng)絡的學習的優(yōu)勢。神經(jīng)網(wǎng)絡擅長數(shù)值計算,適合進行淺層次的 經(jīng)驗推理；專家系統(tǒng)的特點是符號推理，適合進行深層次的邏輯推理。智能系統(tǒng)以并行工作方式運行,既擴大了狀態(tài)監(jiān)測和故障診斷的范圍，又可滿足狀態(tài)監(jiān)測 和故障診斷的實時性要求。既強調(diào)符號推理，又注重數(shù)值計算，因此能適應當前故障診斷系