段淇倡，劉順波，周光偉

（1.第二炮兵工程大學(xué)，西安 710025；2.中國人民解放軍96631部隊，北京 710025）

引言

為確保地下工程各設(shè)備間環(huán)境的相對穩(wěn)定，需要使用地下通風(fēng)空調(diào)系統(tǒng)來維持環(huán)境的相對穩(wěn)定。當(dāng)空調(diào)系統(tǒng)工作在故障狀態(tài)時，會影響系統(tǒng)性能，增加系統(tǒng)功耗，嚴(yán)重的情況下會損壞系統(tǒng)設(shè)備。同時還會改變地下設(shè)備間的環(huán)境參數(shù)，對設(shè)備間其它設(shè)備造成影響，帶來不可估量的損失。因此，需要對地下通風(fēng)空調(diào)系統(tǒng)的故障進行檢測與診斷，使工作人員盡快發(fā)現(xiàn)故障進行處理降低損失。

補償模糊神經(jīng)網(wǎng)絡(luò)是一個集模糊邏輯和神經(jīng)網(wǎng)絡(luò)優(yōu)點于一身的系統(tǒng)，利用模糊邏輯來模仿人腦思維，具有較強的結(jié)構(gòu)性和知識表達(dá)能力，可以自動處理模糊信息，模糊運算采用了動態(tài)的、全局優(yōu)化運算[1]；利用神經(jīng)網(wǎng)絡(luò)具有較強的學(xué)習(xí)能力和數(shù)據(jù)處理能力，可對網(wǎng)絡(luò)中權(quán)值和節(jié)點參數(shù)實時加以修正，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法中，又動態(tài)地優(yōu)化了補償模糊運算，使網(wǎng)絡(luò)更適應(yīng)、更優(yōu)化。融合后的補償模糊神經(jīng)網(wǎng)絡(luò)較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練步數(shù)、學(xué)習(xí)時間和精度方面都有較大優(yōu)勢[2]。為了使網(wǎng)絡(luò)更加適應(yīng)地下通風(fēng)空調(diào)系統(tǒng)的故障診斷，對網(wǎng)絡(luò)進行了深入研究并對算法適當(dāng)?shù)剡M行了一些改進。

1 網(wǎng)絡(luò)結(jié)構(gòu)

補償模糊神經(jīng)網(wǎng)絡(luò)是一個具有五層結(jié)構(gòu)的網(wǎng)絡(luò)。第一層為輸入層，各結(jié)點直接與輸入向量相連接，接受各個底事件的輸入特征量值或是特征量值歸一化處理后的值，如果特征參數(shù)個數(shù)為n個，則第一層的節(jié)點個數(shù)就為n個。第二層為模糊空間分割層，把第一層的輸出作為輸入，對每個輸入向量進行模糊空間分割，每個節(jié)點代表一個語言變量值，并計算各輸入向量屬于各語言變量值模糊集合的隸屬函數(shù)，如果將每個輸入論域分為k個模糊分割空間，則第二層的節(jié)點數(shù)為nk個。第三層的每一個結(jié)點代表一條模糊推理規(guī)則，其作用是匹配模糊規(guī)則計算出每條規(guī)則的適用度，第三層的節(jié)點個數(shù)為kn個。第四層為模糊規(guī)則推理層，依據(jù)上層的模糊規(guī)則，在該層用模糊推理去轉(zhuǎn)化和匹配模糊輸入和反模糊輸出，該層的節(jié)點個數(shù)和上層相同。第五層為反模糊化層，把模糊推理輸出用特定的方法表示出來，也就是清晰輸出，此層有多少個輸出就有多少個節(jié)點[3]。其整體結(jié)構(gòu)如圖1所示。

圖1 補償模糊神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)

2 網(wǎng)絡(luò)工作過程

在補償模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程中，其迭代分為兩個過程：正向的補償模糊推理過程和逆向的誤差傳播過程。在訓(xùn)練開始時，先預(yù)置網(wǎng)絡(luò)參數(shù)的初始值，即預(yù)置輸入、輸出模糊隸屬函數(shù)的中心和寬度，以及補償度。然后以此為起點進行補償模糊推理及誤差的逆?zhèn)鞑ミ^程，循環(huán)迭代直到預(yù)定的期望誤差[4]。

例如，具有n輸入q輸出的補償模糊邏輯系統(tǒng)的m條模糊IF-THEN規(guī)則表述如下：

其中A1k是論域U上的模糊集，Bk是論域V上的模糊集，x1和y是語言變量，i=1，2，3…n；k=1，2…m。

模糊推理采用最大-代數(shù)積 （SUP（?））合成運算，則由模糊推理規(guī)則所導(dǎo)出的V上的模糊集合B′為：

補償運算采用消極-積極補償運算：

其中：

γ為補償度，γ∈ （0，1），（2）、（3）式帶入（1）式得：

在此采用單值模糊化令：

綜上所述式 （4）簡化為：

定義反模糊化函數(shù)f（x）為：

程紅兵：深圳明德實驗學(xué)校不是純粹的公辦學(xué)校，也不是純粹的私立學(xué)校。它是福田區(qū)政府和騰訊公益慈善基金會聯(lián)合創(chuàng)辦的一所改革學(xué)校，是董事會領(lǐng)導(dǎo)下的學(xué)校。它并不是對教育內(nèi)部進行資源整合，不是委托教育中介機構(gòu)或剛剛退休的知名校長辦學(xué)，而是由企業(yè)來辦學(xué)，將學(xué)校和企業(yè)、社會等各種資源聯(lián)系起來。

由 （6）、（7）、（8）式可得：

其中：

綜上所述目標(biāo)函數(shù)定義為：

根據(jù)梯度下降方法，有：

1）訓(xùn)練輸出隸屬函數(shù)的中心：

2）訓(xùn)練輸出隸屬函數(shù)的寬度：

3）訓(xùn)練輸入隸屬函數(shù)的中心：

4）訓(xùn)練輸入隸屬函數(shù)的寬度：

5）訓(xùn)練補償度γ∈ [0，1]，定義：

其中，η是學(xué)習(xí)率，t=0，1，2，…

3 算法改進

1）輸出隸屬函數(shù)中心的學(xué)習(xí)率

2）輸出隸屬函數(shù)寬度的學(xué)習(xí)率

3）輸入隸屬函數(shù)中心的學(xué)習(xí)率

4）輸入隸屬函數(shù)寬度的學(xué)習(xí)率

5）補償度學(xué)習(xí)速率

將以上重新定義的學(xué)習(xí)率分別替換式 （12）、（13）、（15）、（17）、（21）中的學(xué)習(xí)率 η進而得到改進的算法[5]。這樣該算法更加適用于地下通風(fēng)空調(diào)系統(tǒng)故障診斷。

4 通風(fēng)空調(diào)故障模擬和診斷

在分析通風(fēng)空調(diào)系統(tǒng)常見故障的基礎(chǔ)上，通過實驗?zāi)M8種常見故障并采集數(shù)據(jù)得到標(biāo)準(zhǔn)模式的故障數(shù)據(jù)樣本[6]，其中1組故障數(shù)據(jù)的特征參數(shù)如下表1所示：

表1 故障診斷樣本

所采集的數(shù)據(jù)中有些數(shù)值較小，但卻起著決定性的作用，為了消除量綱的影響。對原始數(shù)據(jù)進行歸一化處理，為了使得特征參數(shù)之間的區(qū)別盡量明顯，在這里采用比例歸一法：

式中：x為原始數(shù)據(jù)，xmax為原始數(shù)據(jù)中的最大值，x*為歸一化后的數(shù)據(jù)。

通過MATLAB6.0仿真改進后的補償模糊神經(jīng)網(wǎng)絡(luò)[7]，選取10組經(jīng)過歸一化處理后的數(shù)據(jù)對8種故障模式進行訓(xùn)練，網(wǎng)絡(luò)改進后訓(xùn)練過程中的全局誤差與沒有改進的全局誤差在達(dá)到相同的0.0001的誤差精度時的訓(xùn)練過程如圖2、圖3所示。

通過對比發(fā)現(xiàn)，改進后的補償模糊神經(jīng)網(wǎng)絡(luò)在訓(xùn)練步數(shù)，相同訓(xùn)練步數(shù)時的誤差精度和訓(xùn)練過程的穩(wěn)定性方面都有明顯優(yōu)勢。采用訓(xùn)練后的網(wǎng)絡(luò)對模擬的8種故障進行識別，各種故障的平均識別率可以達(dá)96.84%，結(jié)果較為滿意，可見改進后的補償模糊神經(jīng)網(wǎng)絡(luò)較沒有改進的網(wǎng)絡(luò)更能滿足通風(fēng)空調(diào)系統(tǒng)故障診斷的需要。

5 結(jié)論

本文改進了傳統(tǒng)的補償模糊神經(jīng)網(wǎng)絡(luò)，通過網(wǎng)絡(luò)調(diào)整模糊推理隸屬函數(shù)的中心、寬度及補償度，同時按梯度的大小動態(tài)調(diào)整學(xué)習(xí)步長，使得學(xué)習(xí)的迭代速度更快，精度更高。將系統(tǒng)應(yīng)用到通風(fēng)空調(diào)系統(tǒng)的故障診斷過程中，它兼顧了實際問題的非線性和模糊性，診斷結(jié)果比較理想。該模型具有較強的自學(xué)習(xí)能力和推理能力，有較大的理論意義和應(yīng)用價值。

[1] 王沛禹，厲 勇.模糊神經(jīng)網(wǎng)絡(luò)的研究進展[J].日照職業(yè)技術(shù)學(xué)院學(xué)報，2007，2（3）：31-34

[2] 權(quán)太范.信息融合神經(jīng)網(wǎng)絡(luò)—模糊推理理論與應(yīng)用[M].北京：國防工業(yè)出版社，2002

[3] 甄兆聰，肖慈王旬.基于綜合算法的補償模糊神經(jīng)網(wǎng)絡(luò)建模方法[J].青島科技大學(xué)學(xué)報，2006，27（1）：74-77

[4] 馮大勇.基于補償算子的模糊神經(jīng)網(wǎng)絡(luò)及其在系統(tǒng)建模和控制中的應(yīng)用研究 [D].大連：大連理工大學(xué)，2000

[5] Singh M，Srivastava S，Hanmandlu M，eta.Type-2 fuzzy wavelet networks（T2FWN）for system identification using fuzzy differential and Lyapunov stability algorithm.Applied Soft Computing，2009，9（3）：977-989

[6] 易金萍，蔡葉菁，文敦偉.故障診斷技術(shù)及其在暖通空調(diào)系統(tǒng)中的應(yīng)用與發(fā)展 [J].建筑熱能通風(fēng)空調(diào)，2002，21（2）：47-50

[7] 薛定宇，陳陽泉.基于MATLAB/Simulink的系統(tǒng)仿真技術(shù)與運用[M].北京：清華大學(xué)出版社，2002