孔莉芳，張 虹

KONG Li-fang1,2, ZHANG Hong1

（1. 中國礦業(yè)大學(xué) 信電學(xué)院，徐州 221006；2. 徐州空軍學(xué)院，徐州 221000）

基于ANFIS的汽車發(fā)動(dòng)機(jī)振動(dòng)參數(shù)故障診斷云模型

The vibration parameter fault diagnosis cloud model for automobile engine based on ANFIS

孔莉芳1,2，張 虹1

KONG Li-fang1,2, ZHANG Hong1

（1. 中國礦業(yè)大學(xué) 信電學(xué)院，徐州 221006；2. 徐州空軍學(xué)院，徐州 221000）

為解決汽車發(fā)動(dòng)機(jī)振動(dòng)參數(shù)故障問題，采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)建立故障診斷模型，利用減法聚類方法確定模型初始結(jié)構(gòu)，并采用云模型優(yōu)化模型接口參數(shù)。實(shí)例建模對(duì)比分析，引入云模型后的ANFIS模型的識(shí)別率從88.75%提高到99.68%，訓(xùn)練誤差也從0.12021降低至0.11526。試驗(yàn)表明引入云模型后該模型收斂速度快，擬合能力強(qiáng)且診斷識(shí)別精度高，能夠有效識(shí)別汽車發(fā)動(dòng)機(jī)振動(dòng)參數(shù)的故障。

ANFIS模型；故障診斷；振動(dòng)參數(shù)；云模型；

0 引言

汽車發(fā)動(dòng)機(jī)是一個(gè)復(fù)雜的非線性系統(tǒng)。其故障的引發(fā)原因較多且難以診斷。發(fā)動(dòng)機(jī)的振動(dòng)參數(shù)異常是發(fā)動(dòng)機(jī)常見的一種故障。若發(fā)動(dòng)機(jī)的振動(dòng)較大，不但乘坐不舒適，使駕駛員煩躁和疲勞，而且縮短零部件的使用壽命，甚至引起機(jī)械事故。因此如何建立良好的故障診斷數(shù)學(xué)模型來診斷汽車發(fā)動(dòng)機(jī)的振動(dòng)參數(shù)狀況，對(duì)判斷發(fā)動(dòng)機(jī)工作是否正常，保證汽車運(yùn)行的安全性和降低汽車發(fā)動(dòng)機(jī)的維修費(fèi)用都是有很大意義的。

近年來，人工神經(jīng)網(wǎng)絡(luò)和模糊理論在設(shè)備故障診斷中已得到廣泛的應(yīng)用。將模糊邏輯系統(tǒng)對(duì)先驗(yàn)知識(shí)的概括提取能力與神經(jīng)網(wǎng)絡(luò)對(duì)未知特性的學(xué)習(xí)歸納能力結(jié)合起來已成為現(xiàn)實(shí)。自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)是一種將模糊邏輯與神經(jīng)元網(wǎng)絡(luò)有機(jī)結(jié)合的新型模糊推理系統(tǒng)結(jié)構(gòu)，它具有以任意精度逼近非線性函數(shù)的能力，泛化能力強(qiáng)和收斂速度快等特點(diǎn)。本文通過引入云模型，將ANFIS模型的輸出結(jié)果進(jìn)行連續(xù)化，并通過實(shí)例建模對(duì)比分析。本文建立一種基于ANFIS 的汽車發(fā)動(dòng)機(jī)故障診斷模型，采用減法聚類方法自適應(yīng)地確定模糊系統(tǒng)的初始結(jié)構(gòu)和參數(shù)，避免了盲目性和隨機(jī)性，同時(shí)將云模型引入模型接口，提高參數(shù)優(yōu)化效率[3]。

1 故障診斷模型及分析方法

故障診斷模型的核心是故障診斷算法，對(duì)于神經(jīng)網(wǎng)絡(luò)診斷過程，可以簡化為樣本輸入—節(jié)點(diǎn)輸出，如圖1 所示。為簡化ANFIS模型并提高其學(xué)習(xí)速率和輸出精度，將減法聚類方法應(yīng)用于該模型的建立過程。ANFIS 診斷模型初始結(jié)構(gòu)的確定涉及模糊規(guī)則提取、輸入和輸出空間的模糊劃分，初始參數(shù)選取等諸多問題，初始結(jié)構(gòu)的確定對(duì)模型的性能以及訓(xùn)練效率有很大的影響。目前，常用的聚類算法包括有最近鄰聚類法、模糊C均值法等。這些算法通常需要預(yù)先確定聚類數(shù)；同時(shí)規(guī)則的提取沒有考慮輸入輸出數(shù)據(jù)的相關(guān)特性，聚類的結(jié)果往往是僅對(duì)輸入空間的聚類劃分。減法聚類是一種高效的估計(jì)類別數(shù)目和聚類中心的方法[4]，該算法是通過建立山峰函數(shù)這個(gè)數(shù)據(jù)密度指標(biāo)，自適應(yīng)地確定聚類數(shù)及類中心，聚類結(jié)果可以確定ANFIS 模型初始結(jié)構(gòu)。

圖1 診斷過程簡圖

1.1 減法聚類過程

考慮有一個(gè)n維空間的包含N個(gè)樣本數(shù)據(jù)點(diǎn)的樣本集：

圖2 減法聚類過程

1.2 ANFIS

1985年Takagi和Sugeno提出了一種非線性T-S模糊模型，即后來的Sugeno模糊模型，是一種對(duì)有精確輸入、輸出數(shù)據(jù)集產(chǎn)生模糊規(guī)則推理的系統(tǒng)化方法。它結(jié)合模糊邏輯與神經(jīng)網(wǎng)絡(luò)二者之優(yōu)勢(shì)，改善了傳統(tǒng)模糊控制設(shè)計(jì)中必須人為地不斷調(diào)整隸屬度函數(shù)以減小誤差的不足，采用混合學(xué)習(xí)算法調(diào)整前提參數(shù)和結(jié)論參數(shù)，自動(dòng)產(chǎn)生模糊規(guī)則。后來，Tang Roger提出與一階Sugeno模糊模型功能等同的基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)(ANFIS )用來實(shí)現(xiàn)Sugeno模糊模型的學(xué)習(xí)過程。ANFIS可以認(rèn)為是Sugeno型模糊模型的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，該網(wǎng)絡(luò)是一個(gè)多層前饋網(wǎng)絡(luò)，結(jié)構(gòu)如圖3。

圖3 ANFIS結(jié)構(gòu)示意圖

假定模糊規(guī)則庫包含兩種規(guī)則:

網(wǎng)絡(luò)共有5層，各層功能如下:

第1層:Ai和Bi為輸入變量的模糊子集，該層節(jié)點(diǎn)的激活函數(shù)代表模糊變量的隸屬函數(shù)，該層的輸出代表模糊化結(jié)果，即隸屬度，其中一個(gè)節(jié)點(diǎn)的傳遞函數(shù)可以表示為

通常使用的激活函數(shù)為高斯型函數(shù)。

第2層:將模糊化得到的隸屬度兩兩相乘，該層的輸出代表著模糊規(guī)則的強(qiáng)度或適用度。

第3層:將各條規(guī)則的適用度歸一化:

第4層:計(jì)算每條規(guī)則的結(jié)論:

第5層:計(jì)算所有規(guī)則的輸出之和，即系統(tǒng)輸出:

Piqiri為未知參數(shù)，通過算法訓(xùn)練ANFIS可以按指定的指標(biāo)得到這些參數(shù)，從而達(dá)到模糊建模的目的。

1.3 參數(shù)優(yōu)化

為提高學(xué)習(xí)的速度和質(zhì)量，將模型參數(shù)分解為非線性前提參數(shù)和線性結(jié)論參數(shù)，并采用混合算法進(jìn)行參數(shù)優(yōu)化[5,6]。首先固定前提參數(shù)，采用線性最小二乘估計(jì)算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)論參數(shù)。系統(tǒng)總輸出可表示為結(jié)論參數(shù)的線性組合，即

1.4 云模型優(yōu)化輸出

云是用語言值描述的某個(gè)定性概念與其數(shù)值表示之間的不確定性轉(zhuǎn)換模型，或者簡單地說云模型是定性定量間轉(zhuǎn)換的不確定性模型。它主要反映宇宙事物人類知識(shí)中概念的兩種不確定性；模糊性（邊界的亦此亦彼性）和隨機(jī)性（發(fā)生的概率）。云模型把模糊性和隨機(jī)性完全集成在一起，研究自然語言中的最基本的語言值（又稱為原子）所蘊(yùn)含的不確定性的普遍規(guī)律，使得有可能從語言值表達(dá)式的定性信息中獲得定量的數(shù)據(jù)的范圍和分布規(guī)律，也又可能把精確的數(shù)值有效轉(zhuǎn)換為恰當(dāng)?shù)亩ㄐ哉Z言值。云模型實(shí)現(xiàn)的算法為：

其中，mean（）、stdev（）分別為求均值和標(biāo)準(zhǔn)差的函數(shù)。為提高學(xué)習(xí)的為提高學(xué)習(xí)的速度和質(zhì)量，將模型參數(shù)適應(yīng)云模型發(fā)生器。利用給定樣本數(shù)據(jù)，輸入模型并通過云發(fā)生器，直到滿足誤差指標(biāo)要求或達(dá)到最大訓(xùn)練次數(shù)。

3 汽車發(fā)動(dòng)機(jī)振動(dòng)參數(shù)故障診斷實(shí)例

發(fā)動(dòng)機(jī)由于各零部件的結(jié)構(gòu)和運(yùn)行速度不同，致使不同零部件的故障特征頻率分布在機(jī)體振動(dòng)信號(hào)的不同頻帶范圍內(nèi)。通常某一個(gè)或幾個(gè)頻帶內(nèi)信號(hào)能量的改變即可代表一種故障情況。因此，可提取包含待診斷部件故障信息的頻帶能量值作為故障診斷的特征參數(shù)。本文以康明斯6BT5.9型發(fā)動(dòng)機(jī)振動(dòng)參數(shù)為例，對(duì)該型號(hào)發(fā)動(dòng)機(jī)在由機(jī)身處獲得65組加速度信號(hào)作為訓(xùn)練樣本和65組測(cè)試樣本。

3.1 原始數(shù)據(jù)與測(cè)試數(shù)據(jù)

表1 訓(xùn)練數(shù)據(jù)

表2 測(cè)試數(shù)據(jù)

3.2 ANFIS故障診斷模型與識(shí)別

建立ANFIS 診斷模型如圖4，隸屬度函數(shù)均采用高斯型。為簡化模型，采用減法聚類法對(duì)訓(xùn)練數(shù)據(jù)空間進(jìn)行非線性劃分，生成一個(gè)Sugeno 型作為初始模糊推理系統(tǒng)結(jié)構(gòu)，并采用云模型來優(yōu)化模型參數(shù)。具體診斷流程如圖5。同時(shí)利用相同的樣本數(shù)據(jù)集建立ANFIS模型，并對(duì)兩種神經(jīng)網(wǎng)絡(luò)的擬合能力及收斂速度進(jìn)行比較。對(duì)比結(jié)果如表3及圖7 所示。

圖4 ANFIS模型結(jié)構(gòu)

圖5 ANFIS故障診斷流程圖

圖6 兩種神經(jīng)網(wǎng)絡(luò)的擬合能力及收斂速度誤差圖

通過對(duì)比可見引入云模型后的ANFIS 網(wǎng)絡(luò)模型在訓(xùn)練速度、擬合能力以及收斂性方面均優(yōu)于原始的ANFIS 網(wǎng)絡(luò)模型。故障診斷的實(shí)際值與識(shí)別值的對(duì)比如圖7、圖8所示。

圖7 傳統(tǒng)的邊界示意圖

圖8 經(jīng)過云變換的邊界示意圖

3.3 模型結(jié)果對(duì)比分析

將傳統(tǒng)的ANFIS與加入云模型的ANFIS結(jié)果對(duì)比如表3可以看出，加入云模型的ANFIS系統(tǒng)訓(xùn)練誤差少，故障識(shí)別率高。

4 結(jié)論

本文在ANFIS模型的基礎(chǔ)上引入云模型后，改進(jìn)的ANFIS模型的識(shí)別率從88.75%提高到99.68%，而且訓(xùn)練誤差也從0.12021降低至0.11526。表明了云模型的嵌入使得輸出數(shù)據(jù)由離散型轉(zhuǎn)化為連續(xù)型，可以提高原模型的識(shí)別精度和降低誤差精度。云模型的加入，對(duì)于故障識(shí)別及相關(guān)領(lǐng)域的研究提供了新的思路。

表3 傳統(tǒng)的ANFIS與加入云模型的ANFIS結(jié)果對(duì)比

[1] 王新洲,史文中,王樹良.模糊空間信息處理.[M]武漢:武漢大學(xué)出版社,2003.88-89.

[2] 施小成,謝睿,丁宗華.一種基于模糊神經(jīng)網(wǎng)絡(luò)的信息融合技術(shù).[J]自動(dòng)化技術(shù)與應(yīng)用,2006,01.

[3] 祖家奎,戴冠中,張駿.基于聚類算法的神經(jīng)模糊推理系統(tǒng)結(jié)構(gòu)和參數(shù)的優(yōu)化[J].系統(tǒng)仿真學(xué)報(bào),2002,14(4):501-503.

[4] Yager R D Filev.Approximate clustering via the mountain method[J].IEEE Transactions on Systems,Man and Cybernetics (S0018-9472),1994,24(8):1279-1284.

[5] 梁華.基于神經(jīng)網(wǎng)絡(luò)及模糊理論的機(jī)械磨損故障診斷模型與策略研究[D].湖北:武漢汽車工業(yè)大學(xué). 1995.

TP183

B

1009-0134(2010)10(上)-0020-03

10.3969/j.issn.1009-0134.2010.10(上).07

2009-10-14

孔莉芳（1972 -），女，江蘇徐州人，在讀博士，研究方向?yàn)槟Ｊ阶R(shí)別、智能計(jì)算。