CN110705812A - 一种基于模糊神经网络的工业故障分析系统 - Google Patents

Abstract

本发明提出了一种基于模糊神经网络(Fuzzy network‑FNN)的工业故障分析系统，包括以下步骤：获取领域内专家经验知识、数据库中所记载的历史故障数据以及相应故障模式解释，并进行数据预处理消除异常和补全缺失值；接下来进行知识数据模糊化；更新解释器，为新增工业故障模式增加相应故障解释；使用模糊化后的数据训练神经网络，动态更新神经网络连接权值；基于神经网络正向推理方法对工业故障进行诊断分析，高效准确的判断数据或设备异常。

Description

一种基于模糊神经网络的工业故障分析系统

技术领域

本发明涉及深度学习领域、工业设备故障诊断领域、模糊控制领域与专家系统领域，具体涉及到一种基于模糊神经网络的工业故障分析系统。

背景技术

基于模糊神经网络(Fuzzy network-FNN)的工业故障分析系统。基于专业领域专家经验知识历史故障检测数据建设训练神经网络，运用模糊神经网络推理方法对工业设备故障进行诊断分析，明确设备运行状态，降低工业设备维护成本。最接近本发明的技术有：

(1)、基于规则的工业设备故障分析专家系统：基于规则的方式是将知识表示成为一系列规则，每个规则使用IF(条件)-THEN(动作)结构指定知识推理关系，当满足规则的条件部分时，便激发规则，执行动作分析部分。规则知识库实现简单，易于理解，但是知识获取过程较为繁琐且无自学习能力。

(2)、基于实例的工业设备故障分析专家系统：基于实例的工业设备故障分析专家系统中存储的知识是各种故障模式的实际用例，这些实例中包括着故障症状、对应着故障发生的部位以及故障发生原因等故障解释信息。基于实例的专家系统的知识库扩充需要不断的添加故障实例，知识获取过程简单，而且知识表示能力差，以致故障推理过程困难，泛化能力一般

近年来，提升工业智能化水平，在安全生产的同时尽可能的提高生产效率成为传统制造业转型需求。并且工业设备故障分析能力受制于技术人员的熟练程度和经验层次等个人因素的问题的限制。本方法采用基于模糊神经网络的工业故障分析系统，在其中记录有人类专家在其领域内的实际操作中积累的知识、经验和对故障的推理方法。故障分析系统的应用可以使得检测人员不再必须拥有丰富的专业经验知识，只需要掌握电脑程序基本的操作流程，便能够媲美拥有一定经验的领域专家。从而准确的诊断分析设备故障情况，保证设备运行的稳定性。

发明内容

为解决现有技术中的缺点和不足以及工业设备故障分析能力受制于技术人员的熟练程度和经验层次等个人因素的问题的限制，本发明提出了基于模糊神经网络的工业故障分析系统，使得检测人员不再必须拥有丰富的专业经验知识，只需要掌握电脑程序基本的操作流程，便能够媲美拥有一定经验的领域专家。从而准确的诊断分析设备故障情况，保证设备运行的稳定性。

本发明的技术方案为：

一种基于模糊神经网络的工业故障分析系统。其特征在于，知识获取与预处理模块、知识数据模糊处理模块、解释器更新模块、模糊神经网络训练模块、故障模糊推理模块，包括以下步骤：

步骤(1)、在知识获取与预处理模块，接收工作人员输入的与故障诊断分析相关的专家经验知识或是历史工业故障分析数据，经过清洗、筛选、和特征提取，形成有效的故障特征相关信息。建立工业故障特征数据集C，

C＝{c₁,c₂,c₃,L,c_m}，

元素c_i(i＝1,2,L,m)代表各种故障数据，以及故障原因分析数据集F，即故障数据的解释集合

F＝{f₁,f₂,f₃,L,f_n}

其中，元素f_i(i＝1,2,L,n)代表各种可能的故障原因解释集合。

步骤(2)、在知识数据模糊处理模块，对故障诊断分析相关的专家经验数据知识进行模糊化处理,根据隶属度函数从具体的输入故障数据得到对模糊集隶属度。故障特征数据模糊化后构成模糊向量：

是故障分析数据c_i的隶属度，同时将故障原因集合进行模糊处理后构成故障原因模糊向量。

其中

是故障原因f_i的隶属度，即可能性大小。故障分析模糊向量对应着模糊神经网络的神经元域，作为神经网络神经元的输入。

步骤(3)、在解释器更新模块，将故障原因分析数据集F，即故障数据的解释集合F＝{f₁,f₂,f₃,L,f_n}(元素f_i(i＝1,2,L,n)代表故障原因解释集合)更新到综合数据库中，为解释器中新增工业故障进行故障解释。

步骤(4)、模糊神经网络训练模块，使用模糊化的专家经验知识以及历史故障数据训练模糊神经网络。模糊神经网络最上层为工业故障特征向量输入层，中间层网络为故障原因分析层，最下层网络为输出层。建立工业故障向量与故障原因向量模糊矩阵，作为模糊神经网络连接权值矩阵：

矩阵中连接权值代表了故障特征向量到原因的模糊关系。其中r_ij表示故障数据中第i个特征到第j种类故障的映射，即故障分析知识。

设定故障诊断模型为β为特征系数，模糊矩阵r_ij将通过模糊神经网络对故障分析样本学习得到。通过实际故障样本不断对模糊神经网络进行训练，不断修正模糊矩阵r_ij，从而提高系统故障分析的准确性与可靠性。

步骤(5)、在模糊推理模块，采用信息正向传播、误差反向传播的模糊神经网络正向推理计算过程。具体来说：

1)输入故障数据信息；

2)在模糊神经网络内，信息向前传播得到实际输出，计算实际输出与理想输出误差，误差反向传播，调整神经网络相关参数；

3)推理误差达到要求时，结束推理。通过解释器把识别结果去模糊化，即转换成逻辑概念，显示解释器中对应的故障原因。

本发明的有益效果：

(1)通过专家经验知识以及历史检测数据训练模糊神经网络，增强了对专家知识的表示能力，提高了处理速度；

(2)通过故障解释模块的实时更新，增强专家系统对故障的可解释性，提高了系统可利用性；

(3)基于模糊神经网络的故障推理方法使得故障分析精度大大提高，在实际中能准确的预测设备工况，从而提高设备运行质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于模糊神经网络的工业故障分析系统的工作流程图；

图2为本发明使用的模糊神经网络结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，基于模糊神经网络的工业故障分析系统，包含知识获取与预处理模块、知识数据模糊处理模块、解释器更新模块、模糊神经网络训练模块、故障模糊推理模块。

下面结合图1与图2，对基于模糊神经网络的工业故障分析系统具体流程进行详细说明：

步骤(1)、在知识获取与预处理模块，接收工作人员输入的与故障诊断分析相关的专家经验知识或是历史工业故障分析数据，经过清洗、筛选、和特征提取，形成有效的故障特征相关信息。建立工业故障特征数据集C，

C＝{c₁,c₂,c₃,L,c_m}，

元素c_i(i＝1,2,L,m)代表各种故障数据，以及故障原因分析数据集F，即故障数据的解释集合

F＝{f₁,f₂,f₃,L,f_n}

其中，元素f_i(i＝1,2,L,n)代表各种可能的故障原因解释集合。

步骤(2)、在知识数据模糊处理模块，对故障诊断分析相关的专家经验数据知识进行模糊化处理,根据隶属度函数从具体的输入故障数据得到对模糊集隶属度。故障特征数据模糊化后构成模糊向量：

是故障分析数据c_i的隶属度，同时将故障原因集合进行模糊处理后构成故障原因模糊向量。

其中

是故障原因f_i的隶属度，即可能性大小。故障分析模糊向量对应着模糊神经网络的神经元域，作为神经网络神经元的输入。

步骤(3)、在解释器更新模块，将故障原因分析数据集F，即故障数据的解释集合F＝{f₁,f₂,f₃,L,f_n}(元素f_i(i＝1,2,L,n)代表故障原因解释集合)更新到综合数据库中，为解释器中新增工业故障进行故障解释。

步骤(4)、模糊神经网络训练模块，使用模糊化的专家经验知识以及历史故障数据训练模糊神经网络。模糊神经网络最上层为工业故障特征向量输入层，中间层网络为故障原因分析层，最下层网络为输出层。建立工业故障向量与故障原因向量模糊矩阵，作为模糊神经网络连接权值矩阵：

矩阵中连接权值代表了故障特征向量到原因的模糊关系。其中r_ij表示故障数据中第i个特征到第j种类故障的映射，即故障分析知识。

设定故障诊断模型为

β为特征系数，模糊矩阵r_ij将通过模糊神经网络对故障分析样本学习得到。通过实际故障样本不断对模糊神经网络进行训练，不断修正模糊矩阵r_ij，从而提高系统故障分析的准确性与可靠性。

步骤(5)、在模糊推理模块，采用信息正向传播、误差反向传播的模糊神经网络正向推理计算过程。具体来说：

1)输入故障数据信息；

2)在模糊神经网络内，信息向前传播得到实际输出，计算实际输出与理想输出误差，误差反向传播，调整神经网络相关参数；

3)推理误差达到要求时，结束推理。通过解释器把识别结果去模糊化，即转换成逻辑概念，显示解释器中对应的故障原因。

本发明提出了基于知识图谱的工业故障分析系统，基于知识图谱的专家知识表示与知识存储方法，结合模糊推理技术准确的诊断分析设备故障情况，保证设备运行的稳定性。有效的利用了专家经验知识，具有故障推理分析更加精确，增加了对设备工况判断的准确性；。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于模糊神经网络的工业故障分析系统。其特征在于，知识获取与预处理模块、知识数据模糊处理模块、解释器更新模块、模糊神经网络训练模块、故障模糊推理模块，包括以下步骤：

步骤(1)、在知识获取与预处理模块，接收工作人员输入的与故障诊断分析相关的专家经验知识或是历史工业故障分析数据，经过清洗、筛选、和特征提取，形成有效的故障特征相关信息。建立工业故障特征数据集C，

C＝{c₁,c₂,c₃,L,c_m}，

元素c_i(i＝1,2,L,m)代表各种故障数据，以及故障原因分析数据集F，即故障数据的解释集合

F＝{f₁,f₂,f₃,L,f_n}

其中，元素f_i(i＝1,2,L,n)代表各种可能的故障原因解释集合。

步骤(2)、在知识数据模糊处理模块，对故障诊断分析相关的专家经验数据知识进行模糊化处理,根据隶属度函数从具体的输入故障数据得到对模糊集隶属度。故障特征数据模糊化后构成模糊向量：

是故障分析数据c_i的隶属度，同时将故障原因集合进行模糊处理后构成故障原因模糊向量。

其中

是故障原因f_i的隶属度，即可能性大小。故障分析模糊向量对应着模糊神经网络的神经元域，作为神经网络神经元的输入。

步骤(3)、在解释器更新模块，将故障原因分析数据集F，即故障数据的解释集合F＝{f₁,f₂,f₃,L,f_n}(元素f_i(i＝1,2,L,n)代表故障原因解释集合)更新到综合数据库中，为解释器中新增工业故障进行故障解释。

步骤(4)、模糊神经网络训练模块，使用模糊化的专家经验知识以及历史故障数据训练模糊神经网络。模糊神经网络最上层为工业故障特征向量输入层，中间层网络为故障原因分析层，最下层网络为输出层。建立工业故障向量与故障原因向量模糊矩阵，作为模糊神经网络连接权值矩阵：

矩阵中连接权值代表了故障特征向量到原因的模糊关系。其中r_ij表示故障数据中第i个特征到第j种类故障的映射，即故障分析知识。

设定故障诊断模型为

β为特征系数，模糊矩阵r_ij将通过模糊神经网络对故障分析样本学习得到。通过实际故障样本不断对模糊神经网络进行训练，不断修正模糊矩阵r_ij，从而提高系统故障分析的准确性与可靠性。

步骤(5)、在模糊推理模块，采用信息正向传播、误差反向传播的模糊神经网络正向推理计算过程。具体来说：

1)输入故障数据信息；

2)在模糊神经网络内，信息向前传播得到实际输出，计算实际输出与理想输出误差，误差反向传播，调整神经网络相关参数；

3)推理误差达到要求时，结束推理。通过解释器把识别结果去模糊化，即转换成逻辑概念，显示解释器中对应的故障原因。

Images