| 假设在征兆域s中，Bel对应于第一通道神经网络的输出结果，Be1对应第二通道神经网络输出结果，依次类推，每个信任函数的焦点元素都对应不同神经网络目标诊断结果（即各故障模式），它们构成辨别框架Θ，将神经网络每一通道的各个输出节点输出值归一化处理，作为各焦点元素的基本概率分配m，其中i=1,2,…,n,j=1,2,…,p，n为通道数，p为故障模式分类数，即焦元数。然后运用D-S证据理论的组合规则得到该征兆域的诊断结果m(j)。
4.1BP网络多测点诊断
为了全面精确检测破碎机的故障情况，对表4.1给出的五种故障状态各提供4个样本，构成了20个样本的样本集。采用神经网络来对这20个样本进行仿真。
表4.1故障测试样本的部分仿真结果
|
组号
|
A
|
B
|
C
|
D
|
E
|
|
1
|
0.9968
|
0.0884
|
0.0369
|
0.0787
|
0.0223
|
|
0.9496
|
0.0685
|
0.0769
|
0.0144
|
0.0191
|
|
0.9714
|
0.0902
|
0.0847
|
0.0087
|
0.0963
|
|
0.9505
|
0.0880
|
0.0666
|
0.0131
|
0.0699
|
|
2
|
0.0043
|
0.9256
|
0.0129
|
0.0560
|
0.0219
|
|
0.0575
|
0.9359
|
0.0203
|
0.0944
|
0.0184
|
|
0.0113
|
0.9310
|
0.0753
|
0.0852
|
0.0213
|
|
0.0727
|
0.9676
|
0.0067
|
0.0580
|
0.0901
|
|
3
|
0.0697
|
0.0452
|
0.9751
|
0.0265
|
0.0968
|
|
0.0169
|
0.0442
|
0.9193
|
0.0472
|
0.0454
|
|
0.0303
|
0.0403
|
0.9733
|
0.0808
|
0.0175
|
|
0.0139
|
0.0304
|
0.9184
|
0.0339
|
0.0817
|
|
4
|
0.0933
|
0.0280
|
0.0985
|
0.9569
|
0.0512
|
|
0.0567
|
0.0784
|
0.0085
|
0.9442
|
0.0454
|
|
0.0620
|
0.0002
|
0.0446
|
0.9535
|
0.0516
|
|
0.0206
|
0.0921
|
0.0136
|
0.9599
|
0.0632
|
|
5
|
0.0683
|
0.0231
|
0.0116
|
0.0098
|
0.9066
|
|
0.0432
|
0.0356
|
0.0456
|
0.0901
|
0.9615
|
|
0.0042
|
0.0628
|
0.0410
|
0.0986
|
0.9736
|
|
0.0926
|
0.0995
|
0.0331
|
0.0865
|
0.9092
|
4.2D-S证据理论决策融合诊断
将神经网络的计算结果转化为证据推理模型，设信任函数Bel，对应于第一测点的判断结果，信任函数Bel对应第二测点的判断结果，两个信任函数的焦点元素都是A,A,...,A，这些不同的故障模式构成了分辨框Θ，即Bel、Bel有共同的分辨框。
将神经网络的训练误差作为不确定因素，将网络输出节点的输出作归一化处理，作为各焦点元素的基本概率值，计算公式为：
 （4.1）
A表示故障模式，i=1,2,...,10；y(A)表示BP网络的诊断结果， ，E为网络的样本误差， ，t,y分别对应第j个神经元的期望值和实际值。
表4.2单个样本网络误差
|
测点
|
样本
1
|
样本2
|
样本
3
|
样本
4
|
样本5
|
样本6
|
样本7
|
样本8
|
样本9
|
样本10
|
|
1
|
0.0128
|
0.0114
|
0.0288
|
0.0184
|
0.0179
|
0.0194
|
0.0113
|
0.0142
|
0.0236
|
0.0213
|
|
2
|
0.0127
|
0.0166
|
0.0128
|
0.0202
|
0.0168
|
0.0258
|
0.0131
|
0.0139
|
0.0161
|
0.0156
|
|
3
|
0.0193
|
0.0171
|
0.0138
|
0.0146
|
0.0148
|
0.0239
|
0.0145
|
0.0133
|
0.0182
|
0.0177
|
|
4
|
0.0163
|
0.0132
|
0.0140
|
0.0161
|
0.0237
|
0.0239
|
0.0122
|
0.0120
|
0.0266
|
0.0039
|
由于A,A,...,A相互独立，则A∩A=φ(i≠j)，把测点1的数据排成横排，测点2的数据排成竖排，再用Dempster合并规则计算表格中的各栏，即可得到1、2测点的融合结果；用融合的结果再与测点3的判断结果融合，即可得到1、2、3测点的融合结果；最后再用1、2、3测点的融合结果与测点4的判断结果融合，得到所有测点的融合数据。将表4.1中的数据用D-S合并规则融合，得到的结果如表4.3所示。
表4.3数据融合的部分结果
|
组号
|
θ
|
A
|
B
|
C
|
D
|
E
|
F
|
|
1
|
0.00001
|
0.999985
|
0.000000
|
0.000008
|
0.000003
|
0.000001
|
0.000008
|
|
2
|
0.00001
|
0.000008
|
0.999944
|
0.000001
|
0.000008
|
0.000007
|
0.000006
|
|
3
|
0.00001
|
0.000009
|
0.000005
|
0.999922
|
0.000003
|
0.000002
|
0.000004
|
|
4
|
0.00001
|
0.000000
|
0.000003
|
0.000002
|
0.999963
|
0.000006
|
0.000007
|
|
5
|
0.00001
|
0.000010
|
0.000006
|
0.000006
|
0.000006
|
0.999973
|
0.000006
|
比较表4.1和表4.3可以发现，经过数据融合，诊断精度大大提高了。如果只用单测点数据进行判断，很容易误判。而利用数据融合的办法，将4个测点的数据综合考虑，用D-S合并规则进行合并，得出表4.3中的最后结果是非常理想的。从总体上看，表4.1中单测点用于表征样本类型的量与1的差约在10量级上，而表4.3中多测点的融合结果表征样本类型的量与1的差约在10量级上，同时干扰项由原来10量级变为10量级。说明根据融合之后的数据进行诊断决策把握要大得多，诊断决策的可信度能够大幅度提高。
5结束语
以信息融合的基本思路，将多子神经网络和D-S证据理论综合起来设计出一套综合诊断方法，将两种方法取长补短相结合应用于故障诊断中，取得了较好的诊断效果。
参考文献
1 王江萍.基于神经网络的信息融合故障诊断技术.机械科学与技术,2002,21(1):127~149
2 高洪涛,王敏.证据理论在旋转机械综合故障诊断中应用.大连理工大学学报,2001,41(4):459 ~462
3 肖本贤,郭福权,王群京. 基于模糊神经网络的车用发电机故障诊断系统的研究. 系统仿真学报,2004,16(5) :1001~1008
4 卢绪祥,李录平,胡念苏. 汽轮机组回热系统故障诊断知识的模糊处理及诊断研究. 热能动力工程,2003,103 (18):13~16 2/2 首页 上一页 1 2 |
