基于規(guī)則和基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)

畢業(yè)設(shè)計(jì)（論文）報(bào)告紙PAGE共39頁(yè)第39頁(yè)摘要本文比較了基于規(guī)則和基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)，闡述了基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)方法的優(yōu)點(diǎn)及其在發(fā)動(dòng)機(jī)故障診斷中的重要應(yīng)用。通過應(yīng)用Matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱，實(shí)現(xiàn)了發(fā)動(dòng)機(jī)故障的神經(jīng)網(wǎng)絡(luò)診斷程序的快速開發(fā)。在本文，應(yīng)用Matlab軟件開發(fā)了兩個(gè)故障診斷的應(yīng)用實(shí)例：其一是基于神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷實(shí)例，在該實(shí)例中，將從旋轉(zhuǎn)機(jī)械故障振動(dòng)信號(hào)提取的多種特征量作為故障的征兆向量，并結(jié)合其對(duì)應(yīng)的故障模式，一起構(gòu)成診斷神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，對(duì)訓(xùn)練樣本進(jìn)行成功訓(xùn)練后，即可對(duì)旋轉(zhuǎn)機(jī)械的故障進(jìn)行有效的識(shí)別，本文的研究結(jié)果表明了基于神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷的有效性。其二是一個(gè)具體的基于神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)磨損故障融合診斷實(shí)例，在該實(shí)例中論述了神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用。首先充分利用四種最常用的油樣分析技術(shù)（鐵譜、光譜、顆粒計(jì)數(shù)及理化指標(biāo)分析）的優(yōu)點(diǎn)，依據(jù)基于規(guī)則的專家系統(tǒng)方法，建立了各滑油分析技術(shù)的子專家診斷系統(tǒng)；其次，依據(jù)專家經(jīng)驗(yàn)建立各子專家系統(tǒng)的診斷結(jié)果與故障論域中各故障模式的關(guān)系，從而得到用于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的訓(xùn)練樣本；然后，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練成功后，將待分析油樣的各子專家系統(tǒng)診斷結(jié)論輸入神經(jīng)網(wǎng)絡(luò)，其輸出即為綜合診斷結(jié)果。最后，應(yīng)用實(shí)例表明了本文方法的有效性--神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)能大大提高發(fā)動(dòng)機(jī)故障的診斷精度。關(guān)鍵詞：發(fā)動(dòng)機(jī)；故障診斷；神經(jīng)網(wǎng)絡(luò)；專家系統(tǒng)；Matlab軟件AbstractThispapercomparestheExpertSystembasedonruleswithNeuralNetwork,thenexplicatestheadvantagesandtheimportantapplicationsintheenginefaultdiagnosisofmethodsbasedonNeuralNetworkExpertSystem.ByusingANNToolBoxofMatlab,thesoftwareofenginefaultdiagnosisisimplemented.Inthispaper,twofaultdiagnosisexamplesaredeveloped:oneisrotationalmachineryfaultdiagnosisbasedonNeuralNetwork.Inthissample,weextractvariouscharacteristicparameterfromrotationalmachineryfaultvibrationsignalsasfaultsymptomsvector.ThefaultsymptomsvectorandcorrespondentfaultmodescomposetrainingsampleofdiagnosisNeuralNetwork.Aftersuccessfullytrained,theNetcanidentifythefaultofrotationalmachinery.TheotherisenginewearfaultdiagnosisbasedonNeuralNetwork.Inthissample,weexplicatetheapplicationofNeuralNetworkExpertSysteminenginefaultdiagnosis.Firstly,Byusingadvantagesoffouroilanalysistechniques,whichareferrographyanalysis,spectrumanalysis,particlecountanalysis,andphysical-chemicalperformanceanalysis,andaccordingtotheESmethodbasedonknowledgerule,theson-ExpertSystemsofeachoilanalysistechniqueisestablished.Secondly,accordingtoexpertexperience,therelationbetweeneachsonES'diagnosisconclusionandfaultsfieldarebuilt,sothetrainsamplesareobtained,whichareusedinNNlearning.Thirdly,afterNNistrainedsuccessfully,theson-ExpertSystems’diagnosisresultscanbeinputintoNN,andthenitsoutputsarefusiondiagnosisresults.Finally,twoexamplesshowthatNeuralNetworkExpertSystemcangreatlyimproveaccuracyofenginefaultdiagnosis.Keywords:engine;faultdiagnosis;ANN;expertsystem;Matlab引言航空發(fā)動(dòng)機(jī)是飛機(jī)的心臟，它的工作條件復(fù)雜、苛刻，極易產(chǎn)生故障。飛機(jī)發(fā)動(dòng)機(jī)在飛行中產(chǎn)生故障其后果將會(huì)是災(zāi)難性的，所以飛機(jī)發(fā)動(dòng)機(jī)的故障診斷在預(yù)防事故，保證人身和裝備的安全有著十分重大的意義。另外，故障診斷還能提高經(jīng)濟(jì)利益，減少可能發(fā)生的事故損失和延長(zhǎng)檢修周期節(jié)約維修費(fèi)用。由此可見，準(zhǔn)確、快速、有效達(dá)到診斷出飛機(jī)發(fā)動(dòng)機(jī)的機(jī)械故障對(duì)于降低飛機(jī)空難事故發(fā)生率及提高航空經(jīng)濟(jì)利益有著極重大的意義。發(fā)動(dòng)機(jī)故障診斷的方法有許多，如振動(dòng)分析法，油樣分析法，紅外檢測(cè)法、超聲及聲發(fā)射發(fā)等等。隨著科技的進(jìn)步，很多新方法新理論、新技術(shù)涌現(xiàn)出來，其中發(fā)展較快，影響較大就是利用神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)方法。本文就是探討神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用。第一章基于規(guī)則和基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)專家系統(tǒng)ES（ExpertSystem）[3，4，5]是60年代初產(chǎn)生的一門新興學(xué)科，目前是人工智能AI技術(shù)中最活躍、最成功的領(lǐng)域之一。它是一個(gè)由知識(shí)庫(kù)、推理機(jī)和人機(jī)接口等三個(gè)主要部件組成的計(jì)算機(jī)軟件系統(tǒng)，其威力在于所擁有的專家知識(shí)和運(yùn)用知識(shí)解題的推理機(jī)制。故障診斷專家系統(tǒng)基本上可以分為：基于知識(shí)的傳統(tǒng)故障診斷專家系統(tǒng)和基于神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)。1.1基于規(guī)則的專家系統(tǒng)基于規(guī)則知識(shí)的專家系統(tǒng)主要由知識(shí)庫(kù)、推理機(jī)、人機(jī)接口、知識(shí)獲取子系統(tǒng)、解釋子系統(tǒng)、全局?jǐn)?shù)據(jù)庫(kù)組成。其工作原理為：在知識(shí)庫(kù)創(chuàng)建和維護(hù)階段，知識(shí)獲取子系統(tǒng)在領(lǐng)域?qū)＜液椭R(shí)工程師（在知識(shí)自動(dòng)獲取的情況下，可以脫離他們，然而到目前為止，專家系統(tǒng)的知識(shí)自動(dòng)獲取能力是很弱的）的指導(dǎo)下，將專家知識(shí)、診斷對(duì)象的結(jié)構(gòu)知識(shí)等存放于知識(shí)庫(kù)中或?qū)χR(shí)庫(kù)進(jìn)行維護(hù)（增加、刪除和修改）；在診斷階段，用戶通過過程的需要，對(duì)知識(shí)庫(kù)的征兆信息傳送給推理機(jī)，推理機(jī)根據(jù)診斷過程的需要，對(duì)知識(shí)庫(kù)中的各條知識(shí)及全局?jǐn)?shù)據(jù)庫(kù)中的各項(xiàng)事實(shí)進(jìn)行搜索或繼續(xù)向用戶索要征兆信息，最后，診斷結(jié)果也通過人機(jī)接口返回給用戶；如需要，解釋子系統(tǒng)可調(diào)用知識(shí)庫(kù)中的知識(shí)和全局?jǐn)?shù)據(jù)庫(kù)中知識(shí)庫(kù)知識(shí)庫(kù)學(xué)習(xí)系統(tǒng)（知識(shí)獲取系統(tǒng)）上下文（黑板）推理機(jī)解釋子系統(tǒng)人機(jī)接口圖1故障診斷專家系統(tǒng)結(jié)構(gòu)圖數(shù)據(jù)庫(kù)征兆輸入的事實(shí)對(duì)診斷結(jié)果和診斷過程中用戶提出的問題作出合理的解釋。其中知識(shí)庫(kù)是專家系統(tǒng)的核心，下面對(duì)各子專家系統(tǒng)的知識(shí)規(guī)則進(jìn)行簡(jiǎn)單表述?；谥R(shí)的傳統(tǒng)故障診斷專家系統(tǒng)的優(yōu)點(diǎn)是應(yīng)用廣泛、技術(shù)成熟。其缺點(diǎn)有：=1\*GB3①知識(shí)獲取的瓶頸問題——通過知識(shí)工程師與領(lǐng)域?qū)＜覍?duì)話，將領(lǐng)域?qū)＜业闹R(shí)總結(jié)為規(guī)則加入知識(shí)庫(kù)的方法是間接的，不但費(fèi)時(shí)費(fèi)力，而且效率低，同時(shí)領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)往往很難用一定的規(guī)則來描述；=2\*GB3②自適應(yīng)能力差——如所涉及到的知識(shí)只與專業(yè)領(lǐng)域知識(shí)有細(xì)微的偏差，診斷系統(tǒng)將得不出結(jié)論；=3\*GB3③學(xué)習(xí)能力差——目前知識(shí)處理系統(tǒng)還不能實(shí)現(xiàn)從診斷過的事例中自動(dòng)學(xué)習(xí)新的知識(shí)、維護(hù)并更新原有知識(shí)庫(kù)的知識(shí)。系統(tǒng)的智能水平取決于系統(tǒng)最初所具備的知識(shí)，因此限制了系統(tǒng)的自我完善、發(fā)展和提高；=4\*GB3④實(shí)時(shí)性差——由于在符號(hào)處理中，問題的求解過程是一個(gè)在解空間的搜索過程，所以速度很慢。1.2基于神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)1.2.1神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介[3]樹突細(xì)胞體軸突突觸輸入輸出人工神經(jīng)網(wǎng)絡(luò)（NeuralNetwork）是由大量簡(jiǎn)單的處理單元（稱為神經(jīng)元）廣泛的互相相接而形成的復(fù)雜網(wǎng)絡(luò)。它是人腦神經(jīng)系統(tǒng)的數(shù)學(xué)模擬：人腦包含大約10樹突細(xì)胞體軸突突觸輸入輸出圖2神經(jīng)元等效模型從圖2可看出人腦神經(jīng)系統(tǒng)的工作原理：外部刺激信號(hào)或上級(jí)神經(jīng)元信號(hào)經(jīng)合成后由樹突傳給神經(jīng)元細(xì)胞體處理，最后由突觸輸出給下級(jí)神經(jīng)元或作出響應(yīng)。基于以上理論知識(shí)，人們提出了現(xiàn)在被廣泛接受并普遍應(yīng)用的人工神經(jīng)元模型如圖3圖中的x0,x1…,xn-1為連續(xù)變量，是神經(jīng)元的輸入，θ稱為閾值，w0,w1…,wn-1是本神經(jīng)元與上級(jí)神經(jīng)元的連接權(quán)值。神經(jīng)元對(duì)輸入信號(hào)的處理包括兩個(gè)過程：第一個(gè)過程是對(duì)輸入信號(hào)求加權(quán)和，然后減去閾值變量θ，得到神經(jīng)元的凈輸入net,即；第二個(gè)過程是對(duì)凈輸入net進(jìn)行函數(shù)運(yùn)算，得出神經(jīng)元的輸出y，即y=f(net)。圖4BP網(wǎng)絡(luò)模型1.2.2BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法圖4BP網(wǎng)絡(luò)模型在故障診斷領(lǐng)域用得最多也最有成效的是前向多層神經(jīng)網(wǎng)絡(luò)。由于該網(wǎng)絡(luò)在學(xué)習(xí)過程中采用了BP（Back-Propagation）算法故又稱該網(wǎng)絡(luò)為BP網(wǎng)絡(luò)。標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)由三層神經(jīng)元組成，其結(jié)構(gòu)如圖4所示。最下面為輸入層，中間為隱含層，最上面的為輸出層。網(wǎng)絡(luò)中相鄰層采取全互連方式連接，同層各神經(jīng)元之間沒有任何連接，輸出層與輸入層之間也沒有直接連系?？梢宰C明：在隱含層節(jié)點(diǎn)可以根據(jù)需要自由設(shè)置的情況下，那么用三層前向神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)以任意精度逼近任意連續(xù)函數(shù)。BP神經(jīng)網(wǎng)絡(luò)中的動(dòng)力學(xué)過程有兩類：一類是學(xué)習(xí)過程，在這類過程中，神經(jīng)元之間的連接權(quán)將得到調(diào)整，使之與環(huán)境信息相符合；另一類過程指神經(jīng)網(wǎng)絡(luò)的計(jì)算過程，在該過程中將實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的活躍狀態(tài)的模式變換。推導(dǎo)前向多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，設(shè)從第層神經(jīng)元j到第-1層神經(jīng)元i的連接權(quán)值為,p為當(dāng)前學(xué)習(xí)樣本下第層第i個(gè)神經(jīng)元的輸出，變換函數(shù)[·]取為Sigmoid函數(shù)，即。對(duì)于第p個(gè)樣本，網(wǎng)絡(luò)的輸出誤差Ep用下式表示：（1）上式中tpj為輸入第p個(gè)樣本時(shí)第j個(gè)神經(jīng)元的理想輸出，是它的實(shí)際輸出。為了使系統(tǒng)的實(shí)際輸出與理想輸出相接近，即使Ep下降，根據(jù)梯度算法，我們可以對(duì)層按下式進(jìn)行調(diào)整：（2）對(duì)于非輸出層的神經(jīng)元具有下面的操作特性：（3）=（4）在式(3)中,如果將看作是第-1層的一個(gè)虛擬神經(jīng)元的輸出,即設(shè),則(3)式可改寫為（5）又=（6）由式（5）可以得=（7）定義：綜合式（2）、（3）、（5）和（7）得出=（8）i=0,1,2,…,I,j=0,1,2…,J-1,=1,2可見，為求出調(diào)整值，必須先求出。=（9）=現(xiàn)在，我們分兩種情況來討論：如果所討論的神經(jīng)元為輸出神經(jīng)元，則由式（1）可得=代入式（9）得到=（10）=2,j=0,1,2,…,N-12)如果所討論的神經(jīng)元為隱層神經(jīng)元，則有==將此結(jié)果代入式（9）得到=（11）=2,j=0,1,2,…,M-1從上式可以看出，為求出隱含層的輸出誤差系數(shù)，必須用到輸出層的，所以這個(gè)過程也稱為誤差反向傳播（EBP，errorback-propagation）?，F(xiàn)在來討論項(xiàng)中的，由于[·]采用Sigmoid函數(shù)，即==由此，我們可以得到=（1-）（12）將式（12）代入（10）和（11）得到=（1-）（13）=2,j=0,1,2,…,N-1和=（1-）（14）=2,j=0,1,2,…,M-1將式（13）和（14）代入（8）得到推導(dǎo)的最后結(jié)果：當(dāng)=2（輸出層）時(shí)=（15）i=0,1,2,…,N-1,j=0,1,2…,M當(dāng)=1（輸出層）時(shí)=（16）=，i=0,1,2,…,M-1,j=0,1,2…,L下面討論BP學(xué)習(xí)算法中的幾個(gè)值得注意的問題：神經(jīng)網(wǎng)絡(luò)輸入層、輸出層的神經(jīng)元個(gè)數(shù)是根據(jù)研究對(duì)象的輸入、輸出信息來確定，如何選擇隱含層神經(jīng)元的數(shù)目無規(guī)律可循，但隱含層神經(jīng)元的數(shù)目是否合適對(duì)整個(gè)網(wǎng)絡(luò)能否正常工作具有重要意義。隱含層神經(jīng)元數(shù)目如果太少，則網(wǎng)絡(luò)根本無法訓(xùn)練；如果隱含層神經(jīng)元數(shù)目剛夠，則網(wǎng)絡(luò)可以訓(xùn)練，但魯棒性不好，抗噪音能力差，無法識(shí)別從未見過的模式；隱含層神經(jīng)元數(shù)目過大，則除了需要很多的訓(xùn)練樣本外，可能還會(huì)建立一個(gè)“老祖母”網(wǎng)絡(luò)，具有了所有模式，而無法認(rèn)識(shí)新的內(nèi)容，同時(shí)訓(xùn)練時(shí)也必然耗費(fèi)更多的時(shí)間并占有更多的內(nèi)存。一般情況下用經(jīng)驗(yàn)式（17）式中為隱含層神經(jīng)元數(shù)；為輸入層神經(jīng)元數(shù)；為輸出層神經(jīng)元數(shù)；為1—10之間的整數(shù)。學(xué)習(xí)算法中的表示學(xué)習(xí)速率，或稱為步幅，較大時(shí)，權(quán)值的修改量就較大，學(xué)習(xí)速率比較快，但有時(shí)會(huì)導(dǎo)致振蕩；值較小時(shí)，學(xué)習(xí)速率慢，然而學(xué)習(xí)過程平穩(wěn)。這樣，在實(shí)際的學(xué)習(xí)過程可以將值取為一個(gè)與學(xué)習(xí)過程有關(guān)的變量并且在學(xué)習(xí)剛開始時(shí)值相對(duì)大，然后隨著學(xué)習(xí)的深入，值逐步減小。在權(quán)值的修改公式中，往往還加入一個(gè)動(dòng)量項(xiàng)，即（18）式中表示第層第j個(gè)神經(jīng)元與上一層第i個(gè)神經(jīng)元之間的連接權(quán)的當(dāng)前修改值，表示上一個(gè)學(xué)習(xí)周期對(duì)同一個(gè)學(xué)習(xí)樣本的權(quán)值修改值。動(dòng)量校正系數(shù)應(yīng)與協(xié)調(diào)選取，通常較大的可以改善收斂速度，但對(duì)提高網(wǎng)絡(luò)的收斂精度沒有積極的作用。由于單個(gè)神經(jīng)元的轉(zhuǎn)換函數(shù)大都是采用Sigmoid函數(shù)而不是階躍函數(shù)，因而輸出層各神經(jīng)元的實(shí)際輸出值只能趨近于1或者0，而不可能達(dá)到1或者0。在學(xué)習(xí)開始時(shí)，必須給各個(gè)連接權(quán)賦值。我們可以對(duì)每個(gè)連接權(quán)賦一個(gè)隨機(jī)值，但不能使所有的連接權(quán)初值都相等。在實(shí)際的網(wǎng)絡(luò)訓(xùn)練過程中，通常的處理方法是給每一個(gè)連接權(quán)賦-1至1之間的一個(gè)隨機(jī)數(shù)。綜合上面的討論，我們可以按照以下步驟來設(shè)計(jì)具體的學(xué)習(xí)過程：網(wǎng)絡(luò)結(jié)構(gòu)及學(xué)習(xí)參數(shù)的確定：輸入輸入層、隱含層、輸出層的神經(jīng)元數(shù)目，步長(zhǎng)以及動(dòng)量校正系數(shù)、權(quán)值收斂因子及誤差收斂因子。網(wǎng)絡(luò)狀態(tài)初始化：用較小的（絕對(duì)值1以內(nèi)）隨機(jī)數(shù)對(duì)網(wǎng)絡(luò)權(quán)值閾侄置初值。提供學(xué)習(xí)樣本：輸入向量和目標(biāo)向量。學(xué)習(xí)開始：對(duì)每一個(gè)樣本進(jìn)行如下操作：A）計(jì)算網(wǎng)絡(luò)隱含層及輸出層各神經(jīng)元的輸出=B）計(jì)算訓(xùn)練誤差：C)修改權(quán)值和閾值是否滿足?滿足執(zhí)行第6）步，否則返回第4）步。是否滿足?若是則執(zhí)行第7）步，否則返回第2）步。停止。其程序流程圖如下：p=p+1p=p+1是否計(jì)算訓(xùn)練誤差修改權(quán)值和閾值輸入輸入層、隱含層、輸出層的神經(jīng)元數(shù)目，步長(zhǎng)以及動(dòng)量校正系數(shù)、權(quán)值收斂因子及誤差收斂因子用-1至1的隨機(jī)數(shù)對(duì)各權(quán)值，閾值賦值輸入學(xué)習(xí)樣本群{，}={}，={}P=1p<p+1計(jì)算網(wǎng)絡(luò)隱含層及輸出各神經(jīng)元的輸出開始結(jié)束否否是是圖5BP算法流程圖1.2.3神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)知識(shí)庫(kù)的組建神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)知識(shí)庫(kù)的組建，首先要根據(jù)征兆、故障及訓(xùn)練樣本數(shù)目確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；其次，在眾多樣本中選擇訓(xùn)練樣本；最后對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得連接權(quán)值，形成知識(shí)庫(kù)。將所獲得的各個(gè)權(quán)值和閾值數(shù)據(jù)存入一數(shù)據(jù)文件，該數(shù)據(jù)文件就是神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的知識(shí)庫(kù)內(nèi)容。另外，需指出的是：由于神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)時(shí)，首先必須給每個(gè)權(quán)值（包括閾值）取一個(gè)小的隨機(jī)數(shù)，因此會(huì)導(dǎo)致不同的學(xué)習(xí)過程得出不同的權(quán)值和閾值，對(duì)相同的樣本進(jìn)行訓(xùn)練可以獲得不同的權(quán)值和閾值。這一現(xiàn)象表明：神經(jīng)網(wǎng)絡(luò)故障診斷專家系統(tǒng)的知識(shí)庫(kù)具有不唯一性。1.3神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的比較我們知道所謂的故障診斷就是對(duì)診斷對(duì)象的故障模式進(jìn)行分類和識(shí)別或根據(jù)現(xiàn)有知識(shí)和一定的推理機(jī)制推出其故障所在部位和嚴(yán)重程度。由于神經(jīng)網(wǎng)絡(luò)具有處理復(fù)雜多模式及進(jìn)行聯(lián)想、推測(cè)和記憶功能。因而，它非常適合應(yīng)用于各種系統(tǒng)的故障診斷。將專家系統(tǒng)構(gòu)成神經(jīng)網(wǎng)絡(luò)，把傳統(tǒng)專家系統(tǒng)的基于符號(hào)的推理變成數(shù)值運(yùn)算的推理，以提高專家系統(tǒng)的執(zhí)行效率并利用其學(xué)習(xí)能力解決專家系統(tǒng)的學(xué)習(xí)問題。專家系統(tǒng)知識(shí)以權(quán)值和閾值的形式存儲(chǔ)于網(wǎng)絡(luò)；知識(shí)表達(dá)體系是一種低層頂數(shù)值模型。信息處理是通過大量節(jié)點(diǎn)的簡(jiǎn)單處理單元之間的相互作用而進(jìn)行的。其優(yōu)點(diǎn)是自學(xué)習(xí)能力強(qiáng)；能實(shí)現(xiàn)不精確推理。缺點(diǎn)有：=1\*GB3①訓(xùn)練樣本獲取困難。因?yàn)樯窠?jīng)網(wǎng)絡(luò)故障診斷專家系統(tǒng)必須建立在大量的故障樣本訓(xùn)練基礎(chǔ)上，而且樣本的分布要盡量均勻，否則很難有好的診斷效果；=2\*GB3②忽略了領(lǐng)域?qū)＜业脑\斷經(jīng)驗(yàn)知識(shí)。通常神經(jīng)網(wǎng)絡(luò)僅僅通過典型實(shí)例來獲取診斷知識(shí)，忽略了領(lǐng)域?qū)＜议L(zhǎng)期實(shí)踐積累的重要寶貴經(jīng)驗(yàn)；=3\*GB3③權(quán)重形式的知識(shí)表達(dá)方式難于理解。對(duì)用戶而言，整個(gè)診斷系統(tǒng)是一個(gè)“黑箱”，不具備基于知識(shí)的故障診斷專家系統(tǒng)的透明特性。=4\*GB3④技術(shù)不成熟，應(yīng)用不太廣泛。由此可見，傳統(tǒng)專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)兩者相比較各有千秋：傳統(tǒng)專家系統(tǒng)在解釋機(jī)制上比神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)要容易得多，而且知識(shí)的顯示表示也比較直觀；神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)卻克服了傳統(tǒng)專家系統(tǒng)的致命弱點(diǎn)，具有知識(shí)容量大，處理的問題范圍廣，推理速度快、學(xué)習(xí)能力強(qiáng)等優(yōu)勢(shì)，正是由于各自都存在優(yōu)劣兩方面，使得兩者誰也不能替代誰，而只能同時(shí)存在，相互補(bǔ)充。將專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)融合成一整體，能取長(zhǎng)補(bǔ)短，使之既擁有了傳統(tǒng)專家系統(tǒng)知識(shí)表示直觀，解釋性強(qiáng)的優(yōu)點(diǎn)，又具有神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的學(xué)習(xí)功能和實(shí)現(xiàn)不精確推理的功能。第二章MATLAB及其神經(jīng)網(wǎng)絡(luò)工具箱簡(jiǎn)介利用神經(jīng)網(wǎng)絡(luò)進(jìn)行解決問題和設(shè)計(jì)的時(shí)候，必定會(huì)涉及到大量的有關(guān)數(shù)值的計(jì)算等問題。盡管現(xiàn)代數(shù)值計(jì)算理論已經(jīng)發(fā)展得很完善，多數(shù)計(jì)算問題都有高效的標(biāo)準(zhǔn)解法，但是利用計(jì)算機(jī)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行仿真和輔助設(shè)計(jì)時(shí)，仍然是很麻煩的事情。首先，編制程序是很繁復(fù)的工作，需要不斷的找出錯(cuò)誤，反復(fù)調(diào)試。若用C、FORTRAN等高級(jí)語言編制程序，往往需要從最基本的矩陣加減乘除做起，不僅編程費(fèi)時(shí)費(fèi)力，影響工作進(jìn)度，而且程序運(yùn)行效率底。開發(fā)人員對(duì)神經(jīng)計(jì)算有關(guān)算法有較深理解的同時(shí)，還必須具備較高的編程技巧，這對(duì)對(duì)數(shù)科研人員來說有一定的難度。其次，人機(jī)界面的設(shè)計(jì)很難令人滿意，計(jì)算結(jié)果缺乏強(qiáng)有力的圖形輸出支持；更重要的是，針對(duì)各種特定問題只能編制特定的程序求解。由于神經(jīng)網(wǎng)絡(luò)本質(zhì)上是數(shù)值運(yùn)算，我們應(yīng)當(dāng)選擇一種專門的數(shù)學(xué)計(jì)算工具來開發(fā)神經(jīng)網(wǎng)絡(luò)軟件。幸運(yùn)的是，不少公司推出了大量用于工程及數(shù)學(xué)計(jì)算的優(yōu)秀軟件，MATLAB就是其中之一。MATLAB是現(xiàn)在國(guó)際上公認(rèn)的最優(yōu)秀的數(shù)值計(jì)算和仿真分析軟件。本文就是利用Matlab軟件對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。MATLAB是美國(guó)MathWorks公司自80年代中期推出的數(shù)學(xué)軟件，其名字是矩陣（matrix）和實(shí)驗(yàn)室（laboratory）兩個(gè)英文單詞的前三個(gè)字母的組合。在國(guó)際學(xué)術(shù)界，MATLAB已經(jīng)被確認(rèn)為準(zhǔn)確、可靠的科學(xué)計(jì)算標(biāo)準(zhǔn)軟件。下面我們簡(jiǎn)單的介紹一下MATLAB的特點(diǎn)[6]。2.1MATLAB簡(jiǎn)介1）MATLAB的工作環(huán)境A）大量引入了圖形用戶界面除了在指令窗通過純文本形式的指令進(jìn)行各種操作之外，還提供了很多讓用戶一目了然的圖形界面，如在線幫助的交互型界面HelpWin，管理工作內(nèi)存的WorkSpace，交互式的路徑管理界面PathTool，指令窗顯示風(fēng)格設(shè)置界面等。它們的開啟方式有：工具條圖標(biāo)開啟、選擇菜單項(xiàng)開啟、直接“文本式”指令開啟。另外，圖形顯示窗也具有交互操作的編輯能力。B）文件編輯、調(diào)試的集成環(huán)境新的編輯器有十分良好的文字編輯功能。他可采用色彩和制表位醒目的區(qū)分標(biāo)識(shí)程序中不同功能的文字，如運(yùn)算指令、控制流指令、注釋等。通過編輯器的菜單選項(xiàng)可以對(duì)編輯器的文字、段落等風(fēng)格進(jìn)行類似Word那樣的設(shè)置。其“變量現(xiàn)場(chǎng)顯示”功能，只要把鼠標(biāo)放在變量名上，就能在現(xiàn)場(chǎng)顯示該變量的內(nèi)容。而且，調(diào)試器也已經(jīng)被圖形化了，它與編輯器集成為一體。只需要點(diǎn)動(dòng)交互窗上的調(diào)試圖標(biāo)就可完成對(duì)程序的調(diào)試。C）文件的性能剖析調(diào)試器只負(fù)責(zé)M文件中語法錯(cuò)誤和運(yùn)行錯(cuò)誤的定位，而性能剖析指令profile將給出程序各環(huán)節(jié)的耗時(shí)分析報(bào)告。通過這個(gè)報(bào)告，用戶可以找出影響程序運(yùn)行的“瓶頸”所在，以便改進(jìn)。2）MATLAB的圖示系統(tǒng)MATLAB的圖形的可視能力在所有數(shù)學(xué)軟件中是首屈一指的。MATLAB的圖形系統(tǒng)是由高層和低層兩個(gè)部分組成。高層指令友善、簡(jiǎn)便；低層指令細(xì)膩、豐富、靈活。一般來說，不管二元函數(shù)多么復(fù)雜，它的三維圖形僅需10條左右指令就能得到富于感染力的表現(xiàn)。數(shù)據(jù)和函數(shù)的圖形可視手段包括：線的勾畫、色圖使用、濃淡處理、視角選擇、透視和裁剪。MATLAB有比較完善的圖形標(biāo)識(shí)指令，它們可以標(biāo)注：圖名、坐標(biāo)軸名、解釋文字和繪畫圖例。3）MATLAB與外部程序的交互MATLAB所自帶的編譯器Compiler可以把全M函數(shù)文件編譯成獨(dú)立應(yīng)用程序，而且可以把C和Fortran程序與M文件混編成獨(dú)立應(yīng)用程序。這種程序可以脫離MATLAB環(huán)境獨(dú)立運(yùn)行；運(yùn)行速度較快。4）MATLAB的語言特點(diǎn)MATLAB語言的最突出的特點(diǎn)就是簡(jiǎn)潔。MATLAB用更直觀的、符合人們思維習(xí)慣的代碼，代替了C和FORTRAN語言的冗長(zhǎng)代碼。MATLAB給用戶帶來的是最直觀的、最簡(jiǎn)潔的程序開發(fā)環(huán)境。A）語言簡(jiǎn)潔緊湊，使用方便靈活，庫(kù)函數(shù)極其豐富。MATLAB程序書寫形式自由，利用其豐富的庫(kù)函數(shù)避開煩雜的子程序的編程任務(wù)，壓縮了一切不必要的編程工作。由于庫(kù)函數(shù)都由本領(lǐng)域的專家編寫，用戶不必?fù)?dān)心函數(shù)的可靠性?？梢哉f，用MATLAB進(jìn)行科技開發(fā)是站在專家的肩膀上。B）運(yùn)算符豐富。由于MATLAB是用C語言進(jìn)行編寫的，MATLAB提供了FORTRAN和C語言幾乎一樣多的運(yùn)算符，靈活使用MATLAB的運(yùn)算符將使程序變得極為簡(jiǎn)短。C）MATLAB既具有結(jié)構(gòu)化的控制語句（如for循環(huán)、while循環(huán)、break語句和if語句），又有面向?qū)ο缶幊痰奶匦浴）語法限制不嚴(yán)格，程序設(shè)計(jì)自由度大。例如，在MATLAB里，用戶無需對(duì)矩陣預(yù)定義就可以使用。E）程序的可移植性好，基本上不做修改就可以在各種型號(hào)的計(jì)算機(jī)和操作系統(tǒng)上運(yùn)行。F）MATLAB具有強(qiáng)勁的工具箱。MATLAB包含兩個(gè)部分：核心部分和各種可選的工具箱。核心部分中有數(shù)百個(gè)核心內(nèi)部函數(shù)。其工具箱又分為兩類：功能型工具和學(xué)科性工具箱。功能性工具箱主要用來擴(kuò)充其符號(hào)計(jì)算功能、圖示建模仿真功能、文字處理功能以及與硬件實(shí)時(shí)交互功能。功能性工具箱能用于多種學(xué)科。而學(xué)科性工具箱是專業(yè)性比較強(qiáng)的，如ControlToolbox、SignalProcessingToolbox、CommunicationToolbox、VirtualRealityToolbox等。這些工具箱都是由該領(lǐng)域的學(xué)術(shù)水平很高的專家編寫的，所以用戶無需編寫自己學(xué)科范圍的基礎(chǔ)程序，而直接進(jìn)行高、精、尖的研究。G）源程序的開放性。開放性也許是MATLAB最受人們歡迎的特點(diǎn)。除內(nèi)部函數(shù)外，所有MATLAB的核心文件和工具箱文件都是可讀的源文件，用戶可以通過對(duì)源文件的修改以及加入自己的文件構(gòu)成新的工具箱。MATLAB被稱為第四代計(jì)算機(jī)語言。如同高級(jí)語言的執(zhí)行效率要低于匯編語言的執(zhí)行效率，MATLAB的執(zhí)行效率要比一般的高級(jí)語言的執(zhí)行效率低，但是MATLAB的編程效率要遠(yuǎn)遠(yuǎn)高于其它高級(jí)語言，并且其程序的可讀性及可移植性也很好。2.2神經(jīng)網(wǎng)絡(luò)工具箱簡(jiǎn)介MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱是以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，利用MATLAB語言構(gòu)造出典型神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，如S型、線性等激活函數(shù)，使設(shè)計(jì)者對(duì)所選定網(wǎng)絡(luò)輸出的計(jì)算，變成對(duì)激活函數(shù)的調(diào)用。另外，根據(jù)各種典型的修正網(wǎng)絡(luò)權(quán)值的規(guī)則，加上訓(xùn)練過程，用MATLAB編寫出各種網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的子程序，網(wǎng)絡(luò)的設(shè)計(jì)者可以根據(jù)自己的需要去調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)訓(xùn)練程序，使自己能夠從繁瑣的編程中解脫出來，集中精力去思考問題和解決問題，從而提高效率和解題質(zhì)量。目前MATLAB版本幾乎完整的概括了神經(jīng)網(wǎng)絡(luò)的基本成果，涉及到的網(wǎng)絡(luò)模型有：感知器；線性網(wǎng)絡(luò)；BP網(wǎng)絡(luò)；徑向基函數(shù)網(wǎng)絡(luò)；自組織網(wǎng)絡(luò)；回歸網(wǎng)絡(luò)。對(duì)于各種網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)工具箱集成了多種學(xué)習(xí)算法，為用戶提供了極大的方便。此外，神經(jīng)網(wǎng)絡(luò)工具箱還給出了大量的示例程序，為用戶輕松的使用工具箱提供了生動(dòng)實(shí)用的范例。MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱所給出的神經(jīng)網(wǎng)絡(luò)模型主要適用的應(yīng)用范圍有：函數(shù)和模型逼近、信號(hào)處理和預(yù)測(cè)、分群、自適應(yīng)控制、故障診斷推理等。在實(shí)際應(yīng)用中，面對(duì)一個(gè)具體的應(yīng)用問題時(shí)，首先要分析用神經(jīng)網(wǎng)絡(luò)求解問題的性質(zhì)，然后根據(jù)問題特點(diǎn)，確定網(wǎng)絡(luò)模型，最后通過網(wǎng)絡(luò)仿真模型分析，確定網(wǎng)絡(luò)是否適應(yīng)，是否需要修改，具體過程如下：確定信息表達(dá)式將領(lǐng)域問題極及其相應(yīng)的領(lǐng)域知識(shí)化為網(wǎng)絡(luò)所能表達(dá)并能處理的形式，即將領(lǐng)域問題提煉成適合網(wǎng)絡(luò)求解所能接受的某種數(shù)據(jù)形式。2）網(wǎng)絡(luò)模型選擇這主要包括確定激活函數(shù)，聯(lián)接方式，各神經(jīng)元的相互作用等。3）網(wǎng)絡(luò)參數(shù)選擇確定輸入、輸出神經(jīng)元的數(shù)目、多層網(wǎng)的層數(shù)和隱層神經(jīng)元數(shù)等4）學(xué)習(xí)訓(xùn)練算法選擇確定網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練似的學(xué)習(xí)規(guī)則及改進(jìn)學(xué)習(xí)規(guī)則，在訓(xùn)練時(shí)，還要結(jié)合具體的算法，考慮初始化問題。5)系統(tǒng)仿真通過神經(jīng)網(wǎng)絡(luò)的仿真模型進(jìn)行模擬，輸入樣本，得到仿真結(jié)果。第三章基于神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷實(shí)例下面通過一個(gè)簡(jiǎn)單的例子說明如何組建一個(gè)神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)來進(jìn)行故障診斷。這是一個(gè)基于神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷實(shí)例。如圖6所示為一個(gè)故障模擬實(shí)驗(yàn)臺(tái)。振動(dòng)信號(hào)經(jīng)過垂直、水平兩只渦流傳感器送至ZXP-4型表和BK2034頻譜分析儀，實(shí)驗(yàn)臺(tái)轉(zhuǎn)速可調(diào)。垂直傳感器垂直傳感器潤(rùn)滑油杯調(diào)速器轉(zhuǎn)子水平傳感器轉(zhuǎn)軸ZXP-4BK2034打印機(jī)圖6轉(zhuǎn)子實(shí)驗(yàn)臺(tái)結(jié)構(gòu)簡(jiǎn)圖在該轉(zhuǎn)子實(shí)驗(yàn)臺(tái)上，可以通過調(diào)整中間軸承座底部墊片厚度、不平衡重塊大小和潤(rùn)滑油黏度、軸承長(zhǎng)徑比等來實(shí)現(xiàn)模擬不平衡、油膜振蕩和不對(duì)中三種故障。3.1訓(xùn)練樣本的建立分別取振動(dòng)信號(hào)頻譜圖中的0.4-0.5x，1x，2x，3x，>3x分量作為特征值。網(wǎng)絡(luò)學(xué)習(xí)和測(cè)試時(shí)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，即：令，這樣網(wǎng)絡(luò)所有輸入都在[0，1]內(nèi)。每種典型單故障可分別選取5組頻譜值，構(gòu)成相應(yīng)三種故障的15組學(xué)習(xí)樣本，如表1在這個(gè)實(shí)例中，有5個(gè)征兆數(shù)和3個(gè)故障原因，因而，神經(jīng)網(wǎng)絡(luò)也就有5個(gè)輸入神經(jīng)元和3個(gè)輸出神經(jīng)元。隱含神經(jīng)元數(shù)目的確定一方面要遵循前面提到的原則，另一方面要考慮使網(wǎng)絡(luò)收斂速度快并對(duì)測(cè)試樣本的識(shí)別效果好。因此可以確定油樣分析技術(shù)綜合診斷的BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。輸入層：節(jié)點(diǎn)數(shù)nI為5，分別對(duì)應(yīng)振動(dòng)信號(hào)頻譜圖中的0.4-0.5x，1x，2x，3x，>3x分量。輸出層：節(jié)點(diǎn)數(shù)nO為3，分別對(duì)應(yīng)不平衡、油膜振蕩和不對(duì)中三種故障，即從F1到F3。隱含層：節(jié)點(diǎn)數(shù)nH根據(jù)經(jīng)驗(yàn)取為10。表1神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本序號(hào)故障模擬樣本輸入樣本輸出0.4x-0.5x1x2x3x>3xF1F2F31大油膜震蕩0.880.220.020.040.02大油膜震蕩0.900.200.050.020.03大油膜震蕩0.920.210.030.010.04大油膜震蕩0.850.250.060.020.05大油膜震蕩0.820.280.050.040.06油膜震蕩0.040.980.100.020.07油膜震蕩0.021.000.080.030.08油膜震蕩0.050.900.110.050.09油膜震蕩0.030.960.120.040.010油膜震蕩0.020.910.080.010.011大不對(duì)中0.020.410.430.30.912大不對(duì)中0.010.520.400.30.913大不對(duì)中0.010.400.470.30.914大不對(duì)中0.020.450.420.280.215大不對(duì)中0.010.480.480.30.9圖7網(wǎng)絡(luò)誤差平方和隨訓(xùn)練步數(shù)的變化情況圖7網(wǎng)絡(luò)誤差平方和隨訓(xùn)練步數(shù)的變化情況利用Matlab軟件編制程序（見附錄.1）對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)的誤差平方和與訓(xùn)練步數(shù)的關(guān)系如圖7所示，網(wǎng)絡(luò)很快收斂，在最大訓(xùn)練次數(shù)1000次前，期望網(wǎng)絡(luò)誤差平方和達(dá)到小于0.001。3.2實(shí)例驗(yàn)證為了驗(yàn)證基于神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷的有效性，列舉一些實(shí)例：表2旋轉(zhuǎn)機(jī)械故障的神經(jīng)網(wǎng)絡(luò)診斷結(jié)果輸入振動(dòng)信號(hào)實(shí)際輸出故障原因序號(hào)0.4x-0.5x1x2x3x>3xF1F2F31.0.870.230.040.030.030.89660.15400.0734大油膜震蕩2.0.020.950.100.020.030.05950.97310.1010油膜震蕩3.0.020.500.450.300.350.09730.09290.9028大不對(duì)中由表2可見，對(duì)相應(yīng)的輸入樣本和目標(biāo)樣本，輸出模式中相應(yīng)的故障節(jié)點(diǎn)值接近1，非故障節(jié)點(diǎn)值接近0，本文提出的神經(jīng)網(wǎng)絡(luò)診斷方法的診斷結(jié)果與實(shí)際情況較為吻合，同時(shí)也驗(yàn)證了本文方法的有效性。第四章基于神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)磨損故障融合診斷實(shí)例圖8樣分析的神經(jīng)網(wǎng)絡(luò)融合診斷流程鐵譜圖8樣分析的神經(jīng)網(wǎng)絡(luò)融合診斷流程鐵譜分析光譜分析顆粒計(jì)數(shù)理化分析各子系統(tǒng)診斷標(biāo)準(zhǔn)將各子ES輸出變換為故障征兆的布爾值，作為綜合診斷神經(jīng)網(wǎng)絡(luò)輸入。BP神經(jīng)網(wǎng)絡(luò)綜合診斷結(jié)果4.1基于規(guī)則的油樣分析子專家系統(tǒng)知識(shí)庫(kù)是專家系統(tǒng)的核心，下面是對(duì)油樣分析子專家系統(tǒng)的知識(shí)規(guī)則的簡(jiǎn)單表述：鐵譜診斷知識(shí)規(guī)則由于鐵譜診斷知識(shí)通?；诜治鋈藛T的經(jīng)驗(yàn)，因此需要將這些經(jīng)驗(yàn)性的知識(shí)轉(zhuǎn)化為規(guī)則存入數(shù)據(jù)庫(kù)以形成知識(shí)庫(kù)。通過對(duì)文獻(xiàn)[7]的研究，總結(jié)出如下知識(shí)規(guī)則：RILE1if各類磨粒均少量，then系統(tǒng)正常；RILE2if球狀磨粒大量and層狀磨粒少量and疲勞剝塊少量，then滾動(dòng)軸承出現(xiàn)初期疲勞裂紋；RILE3if球狀磨粒大量and層狀磨粒大量and疲勞剝塊少量，then滾動(dòng)軸承疲勞裂紋正在擴(kuò)展；RILE4if球狀磨粒大量and層狀磨粒大量and疲勞剝塊大量，then滾動(dòng)軸承出現(xiàn)表面疲勞剝離；RILE5if球狀磨粒少量and疲勞剝塊大量，then齒輪過載疲勞；RILE6if球狀磨粒少量and嚴(yán)重滑動(dòng)磨粒大量and切削磨粒少量，then齒輪膠合；RILE7if球狀磨粒少量and嚴(yán)重滑動(dòng)磨粒大量and切削磨粒大量，then齒輪擦傷；RILE8if球狀磨粒少量and疲勞剝塊少量and嚴(yán)重滑動(dòng)磨粒少量and切削磨粒大量，then潤(rùn)滑油中混入雜質(zhì)；RILE9if球狀磨粒少量and疲勞剝塊少量and嚴(yán)重滑動(dòng)磨粒少量and紅色氧化物大量，then潤(rùn)滑油中混入水份；RILE10if球狀磨粒少量and疲勞剝塊少量and嚴(yán)重滑動(dòng)磨粒少量and黑色氧化物大量，then潤(rùn)滑不良。其中，各類磨粒大量與少量，是根據(jù)其百分比是否超過給定的閾值，而閾值標(biāo)準(zhǔn)應(yīng)該針對(duì)具體機(jī)器，通過大量實(shí)驗(yàn)獲取。光譜診斷知識(shí)規(guī)則光譜診斷比較簡(jiǎn)單，通常是根據(jù)檢測(cè)出的金屬類型及其濃度，并依據(jù)其是否超過磨損界限值來判別含該類金屬的摩擦副是否磨損過量。但是合適的磨損界限值應(yīng)該根據(jù)實(shí)際的機(jī)器摩擦副結(jié)構(gòu)及類型，并且需要通過大量的實(shí)驗(yàn)來加以確定，通常比較困難。顆粒計(jì)數(shù)知識(shí)規(guī)則顆粒計(jì)數(shù)的診斷是根據(jù)國(guó)際標(biāo)準(zhǔn)NAS1638[7]來實(shí)現(xiàn)的。其知識(shí)庫(kù)根據(jù)該標(biāo)準(zhǔn)不難得到。最后的診斷結(jié)果尚需根據(jù)油樣需要達(dá)到的污染度等級(jí)來確定其污染度是否超標(biāo)。需要達(dá)到的污染度等級(jí)通常要根據(jù)具體機(jī)器系統(tǒng)來確定。（4）理化分析診斷知識(shí)規(guī)則理化分析診斷通常需要通過儀器檢測(cè)出油樣的運(yùn)動(dòng)粘度、冷凝點(diǎn)、閃點(diǎn)、酸值、雜質(zhì)含量、水分含量等理化指標(biāo)，然后根據(jù)其是否超過規(guī)定閾值來確定理化指標(biāo)是否超標(biāo)。4.2油樣分析技術(shù)綜合診斷的BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)針對(duì)某型號(hào)軍用發(fā)動(dòng)機(jī)的摩擦副材質(zhì)成份分析，其關(guān)鍵摩擦副軸承和齒輪的材料分別為Cr4Mo4V和2Cr3WMoV-1。表3為兩種材料的組成元素及含量。對(duì)齒輪和軸承部件的金屬含量分析可以知道，齒輪和軸承材料的金屬成分主要區(qū)別在于四種元素，其中W元素僅齒輪材料含有，Cu元素僅軸承材料含有，Mo元素含量軸承遠(yuǎn)比齒輪高，Cr元素含量軸承遠(yuǎn)比齒輪高。如表3中帶底紋的元素項(xiàng)。其磨損界限值應(yīng)該通過大量的實(shí)驗(yàn)得到。表3Cr4Mo4V和2Cr3WMoV-1材料的元素含量比較元素C(%)Mn(%)Si(%)S(%)P(%)Cr(%)Ni(%)Mo(%)V(%)Cu(%)W(%)Cr4Mo4V0.75-0.85<0.40<0.35<0.03<0.033.75-4.25<0.204.00-4.500.90-1.10<0.200.002Cr3WMoV-10.15-0.200.25-0.500.17-0.37<0.030.032.80-3.30<0.30.35-0.550.60-0.850.000.30-0.50針對(duì)該型號(hào)軍用發(fā)動(dòng)機(jī)，由鐵譜分析、光譜分析、顆粒計(jì)數(shù)分析及理化分析診斷后得到的診斷結(jié)論為：1）滾動(dòng)軸承初期疲勞S1、6）軸承嚴(yán)重磨損S6、2）滾動(dòng)軸承疲勞裂紋發(fā)展S2、7）齒輪嚴(yán)重磨損S73）滾動(dòng)軸承疲勞剝落S3、8）污染度超標(biāo)S84）齒輪過載疲勞S4、9）理化指標(biāo)超標(biāo)S9。5）齒輪膠合或擦傷S5、6F3F3F1F2F5S3S1S2S9圖9油樣融合診斷的BP網(wǎng)絡(luò)結(jié)構(gòu)系統(tǒng)正常F1、滾動(dòng)軸承磨損失效F2、滾動(dòng)軸承疲勞失效F3、齒輪過載疲勞F4、齒輪膠合或擦傷F5。因此可以確定油樣分析技術(shù)綜合診斷的BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。如圖9所示。輸入層：節(jié)點(diǎn)數(shù)nI為9，分別對(duì)應(yīng)各油樣分析技術(shù)的診斷輸出，即從S1到S9。輸出層：節(jié)點(diǎn)數(shù)nO為5，分別對(duì)應(yīng)發(fā)動(dòng)機(jī)各磨損故障，即從F1到F5。隱含層：節(jié)點(diǎn)數(shù)nH根據(jù)經(jīng)驗(yàn)取為30。4.3滑油綜合診斷BP網(wǎng)絡(luò)的訓(xùn)練樣本生成要實(shí)現(xiàn)BP網(wǎng)絡(luò)的綜合診斷，首先需要得到其訓(xùn)練樣本，亦即要建立各征兆與故障的樣本，由于油樣分析通常是基于專家的經(jīng)驗(yàn)知識(shí)，通常按分析結(jié)果是否超標(biāo)來對(duì)機(jī)械故障進(jìn)行評(píng)判。因此征兆與故障之間可以通過布爾變量（0或1）來實(shí)現(xiàn)。通過專家經(jīng)驗(yàn)分析，可以得到表4中的訓(xùn)練樣本。表4滑油綜合診斷BP網(wǎng)絡(luò)的訓(xùn)練樣本生成S1S2S3S4S5S6S7S8S9F1(1.0),F2(0.0),F3(0.0),F4(0.0),F5(0.0)000000000F1(0.0),F2(1.0),F3(0.3),F4(0.0),F5(0.2)000001011F1(0.0),F2(0.6),F3(0.2),F4(0.2),F5(0.6)000001111F1(0.0),F2(0.8),F3(0.2),F4(0.0),F5(0.1)000001001F1(0.0),F2(0.6),F3(0.1),F4(0.2),F5(0.5)000001101F1(0.0),F2(0.9),F3(0.3),F4(0.0),F5(0.2)000001010F1(0.0),F2(0.5),F3(0.2),F4(0.2),F5(0.5)000001110F1(0.0),F2(0.6),F3(0.4),F4(0.0),F5(0.0)000001000F1(0.0),F2(0.4),F3(0.2),F4(0.2),F5(0.4)000001100F1(0.0),F2(0.3),F3(0.0),F4(0.0),F5(0.3)000000011F1(0.0),F2(0.2),F3(0.0),F4(0.0),F5(0.2)000000010F1(0.0),F2(0.1),F3(0.0),F4(0.0),F5(0.1)000000001F1(0.0),F2(0.4),F3(1.0),F4(0.0),F5(0.0)001001000F1(0.0),F2(0.3),F3(0.9),F4(0.2),F5(0.3)001001100F1(0.0),F2(0.0),F3(0.8),F4(0.0),F5(0.0)001000000F1(0.0),F2(0.0),F3(0.7),F4(0.2),F5(0.3)001000100F1(0.0),F2(0.4),F3(0.6),F4(0.0),F5(0.0)010001000F1(0.0),F2(0.3),F3(0.5),F4(0.2),F5(0.3)010001100F1(0.0),F2(0.0),F3(0.4),F4(0.0),F5(0.0)010000000F1(0.0),F2(0.0),F3(0.3),F4(0.2),F5(0.3)010000100F1(0.0),F2(0.4),F3(0.4),F4(0.0),F5(0.0)100001000F1(0.0),F2(0.4),F3(0.3),F4(0.2),F5(0.3)100001100F1(0.0),F2(0.0),F3(0.3),F4(0.0),F5(0.0)100000000F1(0.0),F2(0.0),F3(0.2),F4(0.2),F5(0.3)100000100F1(0.0),F2(0.0),F3(0.0),F4(1.0),F5(0.3)000100100F1(0.0),F2(0.3),F3(0.2),F4(0.8),F5(0.2)000101100F1(0.0),F2(0.0),F3(0.0),F4(0.6),F5(0.0)000100000F1(0.0),F2(0.3),F3(0.2),F4(0.4),F5(0.0)000101000F1(0.0),F2(0.0),F3(0.0),F4(0.4),F5(0.6)000000100F1(0.0),F2(0.3),F3(0.2),F4(0.2),F5(0.3)000001100F1(0.0),F2(0.1),F3(0.0),F4(0.4),F5(1.0)000010111F1(0.0),F2(0.2),F3(0.2),F4(0.3),F5(0.8)000011111F1(0.0),F2(0.2),F3(0.0),F4(0.2),F5(0.95)000010110F1(0.0),F2(0.3),F3(0.2),F4(0.1),F5(0.75)000011110F1(0.0),F2(0.1),F3(0.0),F4(0.3),F5(0.85)000010101F1(0.0),F2(0.3),F3(0.2),F4(0.2),F5(0.65)000011101F1(0.0),F2(0.0),F3(0.0),F4(0.3),F5(0.8)000010100F1(0.0),F2(0.3),F3(0.2),F4(0.2),F5(0.6)000011100F1(0.0),F2(0.1),F3(0.0),F4(0.0),F5(0.8)000010011F1(0.0),F2(0.2),F3(0.2),F4(0.0),F5(0.5)000011011F1(0.0),F2(0.1),F3(0.0),F4(0.0),F5(0.75)000010010F1(0.0),F2(0.3),F3(0.2),F4(0.0),F5(0.6)000011010F1(0.0),F2(0.0),F3(0.0),F4(0.0),F5(0.65)000010001F1(0.0),F2(0.2),F3(0.3),F4(0.1),F5(0.5)000011001F1(0.0),F2(0.0),F3(0.0),F4(0.0),F5(0.6)000010000F1(0.0),F2(0.4),F3(0.2),F4(0.0),F5(0.4)000011000F1(0.0),F2(0.3),F3(0.0),F4(0.2),F5(0.6)000000111F1(0.0),F2(0.2),F3(0.0),F4(0.2),F5(0.55)000000110F1(0.0),F2(0.0),F3(0.0),F4(0.2),F5(0.5)000000101F1(0.0),F2(0.0),F3(0.0),F4(0.2),F5(0.4)000000100將訓(xùn)練樣本整理后，按圖8構(gòu)建的前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練4.4訓(xùn)練程序的編制及討論具體的程序編制（見附錄.2）下面對(duì)訓(xùn)練結(jié)果進(jìn)行討論利用Matlab軟件對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)的誤差平方和與訓(xùn)練步數(shù)的關(guān)系如圖10所示可以發(fā)現(xiàn)網(wǎng)絡(luò)很快收斂，在最大訓(xùn)練次數(shù)1000次前，期望網(wǎng)絡(luò)誤差平方和達(dá)到小于0.001。但需要指出的是：有時(shí)運(yùn)行程序時(shí)會(huì)出現(xiàn)網(wǎng)絡(luò)收斂速度慢且各權(quán)值收斂到某一穩(wěn)定值，而誤差值沒有達(dá)到所要求的精度。（如圖11所示情況，在最大訓(xùn)練次數(shù)1000次后，期望網(wǎng)絡(luò)誤差平方和還不能達(dá)到小于0.001的要求）為什么會(huì)出現(xiàn)這樣的情況呢？BP算法學(xué)習(xí)的目的是為了尋找連接權(quán)值使得趨于全局最小，然而在實(shí)際操作中，我們的連接權(quán)常常不能使E趨于全局最小，而只能使之趨于一個(gè)相對(duì)大一點(diǎn)的E值。圖10網(wǎng)絡(luò)誤差平方和隨訓(xùn)練步數(shù)的變化情況圖10網(wǎng)絡(luò)誤差平方和隨訓(xùn)練步數(shù)的變化情況圖11BP網(wǎng)絡(luò)的局部最優(yōu)情況圖11BP網(wǎng)絡(luò)的局部最優(yōu)情況系統(tǒng)陷入局部最小點(diǎn)后的處理方法有很多種，最簡(jiǎn)單的方法是重新做起，此外我們還可以采用模擬退火法和遺傳算法來消除局部最小問題，在此不作介紹。4.5應(yīng)用實(shí)例驗(yàn)證為了驗(yàn)證本文提出的基于神經(jīng)網(wǎng)絡(luò)的多種油樣分析技術(shù)融合診斷方法的有效性，以前面提及的某軍用發(fā)動(dòng)機(jī)為例，列舉一算例，對(duì)“齒輪膠合或擦傷”這一故障模式來加以分析。情形1：設(shè)對(duì)油樣分析，由鐵譜分析得到診斷結(jié)論為“齒輪擦傷”；由光譜分析得到診斷結(jié)論為“齒輪嚴(yán)重磨損”；由顆粒計(jì)數(shù)分析得到診斷結(jié)論為“油樣污染度超標(biāo)”；由理化指標(biāo)分析得到診斷結(jié)論為“油樣理化指標(biāo)超標(biāo)”。因此形成神經(jīng)網(wǎng)絡(luò)輸入向量為：情形2：設(shè)對(duì)油樣分析，由鐵譜分析得到診斷結(jié)論為“齒輪擦傷”；由光譜分析得到診斷結(jié)論為“齒輪嚴(yán)重磨損”；由顆粒計(jì)數(shù)分析得到診斷結(jié)論為“油樣污染度超標(biāo)”；由理化指標(biāo)分析得到診斷結(jié)論為“油樣理化指標(biāo)不超標(biāo)”。因此形成神經(jīng)網(wǎng)絡(luò)輸入向量為：情形3：設(shè)對(duì)油樣分析，由鐵譜分析得到診斷結(jié)論為“齒輪擦傷”；由光譜分析得到診斷結(jié)論為“齒輪嚴(yán)重磨損”；由顆粒計(jì)數(shù)分析得到診斷結(jié)論為“油樣污染度不超標(biāo)”；由理化指標(biāo)分析得到診斷結(jié)論為“油樣理化指標(biāo)不超標(biāo)”。因此形成神經(jīng)網(wǎng)絡(luò)輸入向量為：情形4：設(shè)對(duì)油樣分析，由鐵譜分析得到診斷結(jié)論為“齒輪擦傷”；由光譜分析得到診斷結(jié)論為“齒輪未發(fā)生嚴(yán)重磨損”；由顆粒計(jì)數(shù)分析得到診斷結(jié)論為“油樣污染度不超標(biāo)”；由理化指標(biāo)分析得到診斷結(jié)論為“油樣理化指標(biāo)不超標(biāo)”。因此形成神經(jīng)網(wǎng)絡(luò)輸入向量為：情形5：設(shè)對(duì)油樣分析，由鐵譜分析得到診斷結(jié)論為“齒輪擦傷”；由光譜分析得到診斷結(jié)論為“軸承嚴(yán)重磨損”；由顆粒計(jì)數(shù)分析得到診斷結(jié)論為“油樣污染度不超標(biāo)”；由理化指標(biāo)分析得到診斷結(jié)論為“油樣理化指標(biāo)不超標(biāo)”。因此形成神經(jīng)網(wǎng)絡(luò)輸入向量為：對(duì)上述各油樣的診斷結(jié)果，運(yùn)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)