修改后的模糊神经网络故障诊断算法本文对微波等离子体化学气相沉积(PCVD)的子系统。症状的输入变量选择,和相应的隶属函数得到从一个个数据以及专家的诊断经验/知识。先验概率和限制系数是通过矩阵算子结合到模糊神经网络算法。这种改进的模糊神经网络算法验证了PCVD故障诊断应用程序和实现multifault模式诊断。
在PCVD设备(图 的微波功率微波发生器通过波导谐振器,引导产生微波谐振腔的谐振器点燃衬底内的等离子体石英管。在底物管,SiCl<年代ub>4/GeCl<年代ub>4蒸汽和O<年代ub>2混合和interreact等离子体。SiO<年代ub>2和地理<年代ub>2等离子体的合成反应,沉淀在管的内表面。
PCVD由一些子系统,执行复杂的化学和物理反应,包括微波和等离子体,汽化器和天然气供应商,炉、传播,反应管道,电气部分,和控制。在生产,这些子系统的故障检测和诊断是非常重要和必要的。本文的故障诊断算法PCVD微波等离子体系统。
在复杂的系统故障诊断,故障的特征和原因是不定;因此,模糊算法更好的用于这种类型的应用程序。模糊神经网络(模糊神经网络)是一种算法模糊和神经网络相结合,通过神经网络实现模糊逻辑推理,指定的输入和输出。Sugeno模型通常是用作推理模型5层(
第一层是模糊化层,产生脆输入的会员等级<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1">
第二层是规则层。每个神经元的输出发射强度<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2">
第三层是归一化层。这一层收到来自所有神经元的输入规则层和计算给定的规范化的发射强度规则: 第四层是节点功能层。2-input节点如图 层的输出 5层和所有输入总输出。
一些应用程序的故障诊断使用模糊神经网络算法预测参数(图 在这个应用程序中,模糊神经网络预测的训练,是一个历史的无故障的运行过程中收集的数据;从网上收集传感器工艺参数。模糊神经网络是用于参数的预测,而不是直接故障诊断。
在另一个应用程序中,故障现象和故障原因之间的关系定义为成员。模糊数学方法用于建立诊断矩阵;然后,根据BP算法,诊断矩阵和故障诊断模型生成;最后,故障原因是输出。专家经验和历史数据都加上会员矩阵,画错的原因( 在核电站故障诊断应用程序,一个诊断解决方案提出了基于模糊神经网络和数据融合(图的结合
在故障诊断应用的微波系统,本文提出了一种改进的模糊神经网络。通过该算法,故障的概率可以直接输出基于一些实时输入信号。模糊神经网络的非线性应用Sugeno模型具有明显的优势,包括复杂的计算结果参数的识别( 修改后的模糊神经网络模型如图 在图所示的修改与模糊神经网络 根据第四层,基于故障先验概率,从实验数据以及专家的诊断经验/知识区分实际故障和各种外部静态因素( 根据5层,第四层的输出输入到这一层,这使得故障决策的限制约束矩阵,由最大的规则。
以下介绍了改进的模糊神经网络故障诊断算法。
脆的输入分为不同的模糊集隶属度函数指定。
假设 隶属度函数是由统计概率的故障: 实际上,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M13">
隶属函数的错误检测到<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M16">
在生产中,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M20">
隶属函数的错误检测到<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M23">
(一)故障概率<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M24">
故障诊断的实现(图 在生产中,微波微波系统的不匹配是一种常见的故障;现象出现的测量值<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M26">
不匹配的故障分为4个故障模式(图 重量的错。
基于上述数据的重量,第四层能够设计的算法如下: 决策算法层5设计如下: 例如,内在限制系数是一个函数来描述指定的部分的工作状态的设备。至于波导,其绝对校准不合格后重新安装;通过运行确认后,它在一段时间内保持稳定;稳定时期之后,对齐将异常状态运动引起的振动和结构变形。所以我们定义的函数内在限制系数图 波导的内在限制系数函数对齐。
故障模式的内在限制系数<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M43">
故障模式<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M46">
可靠性函数。
实际上,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M50">
依赖限制系数代表了关联影响因素从其他缺点。例如,磁控管自动调谐的错造成的故障可能是基于微波理论的应用。以防产生的模的断层自动调谐故障出现在微波系统中,磁控管灯丝将受到损害。这意味着故障模式<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M52">
故障诊断算法说明如下。
的输入是
根据(
根据(
先验概率是
谐振器取代了最近;磁控管已用于4500小时。
依赖限制系数(<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M65">
所以,
模糊神经网络故障诊断的结果60套历史数据表中列出 模糊神经网络故障诊断的结果。
I.R.C.:我ntr我n年代我cre年代tr我ction coefficient. T:诊断结果与实际相同的错。
X:实际的错。
时间(人力资源)
故障症状
故障模式的概率
实际过失
I.R.C.
0 ~ 4000 0.1 0.16 1000年 0.6809 0.1404 0.0681 0.1106 T
0.1 0.13 800年 0.7268 0.1279 0.0569 0.0884 T
0.1 0.10 600年 0.7495 0.1224 0.0503 0.0778 T
0.1 0.07 400年 0.7566 0.1174 0.0533 0.0726 T
0.1 0.20 1000年 0.6809 0.1404 0.0681 0.1106 T
0.1 0.16 800年 0.7077 0.1317 0.0638 0.0968 T
0.1 0.12 600年 0.7526 0.1202 0.0516 0.0755
X
0.1 0.08 400年 0.7548 0.1187 0.0526 0.0739 T
0.1 0.25 1000年 0.6809 0.1404 0.0681 0.1106 T
0.1 0.20 800年 0.7077 0.1317 0.0638 0.0968 T
0.1 0.15 600年 0.7307 0.1242 0.0602 0.0850
X
0.1 0.10 400年 0.7521 0.1206 0.0514 0.0759 T
0.1 0.33 1000年 0.6809 0.1404 0.0681 0.1106 T
0.1 0.27 800年 0.7077 0.1317 0.0638 0.0968 T
0.1 0.20 600年 0.7307 0.1242 0.0602 0.0850
X
0.1 0.13 400年 0.7566 0.1174 0.0533 0.0726 T
0.1 0.50 1000年 0.6809 0.1404 0.0681 0.1106 T
0.1 0.40 800年 0.7077 0.1317 0.0638 0.0968 T
0.1 0.30 600年 0.7307 0.1242 0.0602 0.0850 T
0.1 0.20 400年 0.7518 0.1173 0.0569 0.0740 T
5000年 0.5 0.16 1000年 0.3678 0.0759 0.0368 0.5195 T
0.5 0.13 800年 0.4289 0.0755 0.0335 0.4621 T
0.5 0.10 600年 0.4647 0.0759 0.0312 0.4282 T
0.5 0.07 400年 0.4698 0.0729 0.0331 0.4242 T
0.5 0.20 1000年 0.3678 0.0759 0.0368 0.5195 T
0.5 0.16 800年 0.3998 0.0744 0.0361 0.4897 T
0.5 0.12 600年 0.4669 0.0746 0.0320 0.4264 T
0.5 0.08 400年 0.4685 0.0737 0.0326 0.4252 T
0.5 0.25 1000年 0.3678 0.0759 0.0368 0.5195 T
0.5 0.20 800年 0.3998 0.0744 0.0361 0.4897 T
0.5 0.15 600年 0.4296 0.0730 0.0354 0.4621 T
0.5 0.10 400年 0.4665 0.0748 0.0319 0.4268 T
0.5 0.33 1000年 0.3678 0.0759 0.0368 0.5195 T
0.5 0.27 800年 0.3998 0.0744 0.0361 0.4897 T
0.5 0.20 600年 0.4296 0.0730 0.0354 0.4621
T
0.5 0.13 400年 0.4698 0.0729 0.0331 0.4242 T
0.5 0.50 1000年 0.3678 0.0759 0.0368 0.5195
T
0.5 0.40 800年 0.3998 0.0744 0.0361 0.4897
T
0.5 0.30 600年 0.4296 0.0730 0.0354 0.4621
T
0.5 0.20 400年 0.3854 0.0601 0.0291 0.5253
T
6000年 1 0.16 1000年 0.2914 0.0601 0.0291 0.6193
T
1 0.13 800年 0.3494 0.0615 0.0273 0.5617
T
1 0.10 600年 0.3840 0.0627 0.0258 0.5275
T
1 0.07 400年 0.3940 0.0612 0.0278 0.5171
T
1 0.20 1000年 0.2914 0.0601 0.0291 0.6193
T
1 0.16 800年 0.3231 0.0601 0.0291 0.5876
T
1 0.12 600年 0.3884 0.0620 0.0266 0.5229
T
1 0.08 400年 0.3915 0.0616 0.0273 0.5197
T
1 0.25 1000年 0.2914 0.0601 0.0291 0.6193
T
1 0.20 800年 0.3231 0.0601 0.0291 0.5876
X
1 0.15 600年 0.3537 0.0601 0.0291 0.5570
T
1 0.10 400年 0.3876 0.0622 0.0265 0.5238
T
1 0.33 1000年 0.2914 0.0601 0.0291 0.6193
T
1 0.27 800年 0.3231 0.0601 0.0291 0.5876
T
1 0.20 600年 0.3537 0.0601 0.0291 0.5570
T
1 0.13 400年 0.3940 0.0612 0.0278 0.5171
T
1 0.50 1000年 0.2914 0.0601 0.0291 0.6193
T
1 0.40 800年 0.3231 0.0601 0.0291 0.5876
T
1 0.30 600年 0.3537 0.0601 0.0291 0.5570
T
1 0.20 400年 0.3854 0.0601 0.0291 0.5253
T
先验概率的矩阵显示为(
当使用时间的磁控管在0到4000个小时的时间,
当磁控管使用时间约为5000小时,
当磁控管使用时间约为6000小时,
特别是,在某些情况下,故障诊断算法仍然是有效的。例如,在这种情况下:波导一直没有改变为10到20天,底物管是合格,自动调谐的正常状态,持续时间的磁控管的使用时间是0到4000个小时,似乎每一个部分是在正常的状态,但实际上对齐将糟糕的故障仍然出现振动和移动,或substrate-tube变形通过加热或压力。表 模糊神经网络故障诊断的结果。
时间(人力资源)
故障症状
故障模式的概率
实际过失%
0 ~ 4000 0.16 1000年 0.1758 0.3626 0.1758 0.2857 14 73年 13 0
0.13 800年 0.2101 0.3699 0.1644 0.2556 15 70年 15 0
0.10 600年 0.2303 0.3761 0.1545 0.2391 19 66年 15 0
0.07 400年 0.2371 0.3681 0.1672 0.2276 25 60 15 0
0.20 1000年 0.1758 0.3626 0.1758 0.2857 15 70年 15 0
0.16 800年 0.1949 0.3626 0.1758 0.2666 16 68年 16 0
0.12 600年 0.2333 0.3726 0.1601 0.2341 20. 66年 14 0
0.08 400年 0.2354 0.3701 0.1640 0.2305 20. 66年 14 0
0.25 1000年 0.1758 0.3626 0.1758 0.2857 20. 65年 15 0
0.20 800年 0.1949 0.3626 0.1758 0.2666 21 61年 18 0
0.15 600年 0.2134 0.3626 0.1758 0.2481 19 60 21 0
0.10 400年 0.2327 0.3732 0.1590 0.2350 20. 60 20. 0
0.33 1000年 0.1758 0.3626 0.1758 0.2857 23 56 21 0
0.27 800年 0.1949 0.3626 0.1758 0.2666 25 55 20. 0
0.20 600年 0.2134 0.3626 0.1758 0.2481 25 56 19 0
0.13 400年 0.2371 0.3681 0.1672 0.2276 25 54 21 0
0.50 1000年 0.1758 0.3626 0.1758 0.2857 25 55 20. 0
0.40 800年 0.1949 0.3626 0.1758 0.2666 26 56 18 0
0.30 600年 0.2134 0.3626 0.1758 0.2481 24 56 20. 0
0.20 400年 0.2325 0.3626 0.1758 0.2290 22 57 21 0
0.16 1000年 0.1758 0.3626 0.1758 0.2857 24 55 21 0
0.13 800年 0.2101 0.3699 0.1644 0.2556 25 53 22 0
0.10 600年 0.2303 0.3761 0.1545 0.2391 25 55 20. 0
作为最大的故障决策规则,诊断结果与实际故障,诊断精度高(表
接下来,我们将比较信息融合诊断的诊断结果和修改后的模糊神经网络诊断。
在信息融合诊断,Dempster-Shafer证据组合规则和分类能力强的缺点证据数据重叠应用于获取信息融合结果( 引入信息融合的故障诊断。
随着融合算法的限制,一些条件,如磁控管使用时间和波导重新安装一次,不能引入d - s信息融合模型。
根据d - s规则,设置识别框架 一般来说,证据(<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M97">
基于简化的价值,信仰的分布函数确定通过历史统计数据: 下面的例子展示了d - s信息融合在故障诊断中的应用。由于证据的数量是2,证据是设置成几个排列2证据[ 引入信息融合的计算。
从计算的结果表 证明该算法的优越性,仿真诊断结果(见表 诊断结果比较不同的算法。
在大多数情况下,该算法显示了优越性与诊断出错率要低得多。仅在指定的情况下,这两个算法相同的结果。
0.25 0.60 0.15 0
0.20 0.60 0.20 0
0.1136364 0.818182 0.068182 0
0.25 0.60 0.15 0
0.24 0.56 0.20 0
0.1408451 0.788732 0.070423 0
0.23 0.56 0.21 0
0.20 0.65 0.15 0
0.1041903 0.824462 0.071348 0
样本的限制
算法
时间(人力资源)
谐振器所取代 修改 信息
0 ~ 6000 是的 5.0% 58.3%
0 ~ 6000 没有 9.6% 44.1%
0 ~ 4000 没有 39.4% 39.4%
提出了模糊神经网络故障诊断算法结合先验概率和限制系数是通过PCVD故障诊断仿真。这是一个重要的探索性方法,引入先验概率算法的矩阵建立了诊断结果和历史诊断数据之间的联系。模糊神经网络算法的另一个改进是应用程序限制系数矩阵的诊断决定,其中包含依赖限制系数和内在限制系数,相应的,分别诊断部分的交互和内在属性。通过数学方法,指定对象的特点和相互关系和历史经验直接集成到诊断算法,而不是语言描述。在诊断的应用过程中,固有限制系数应设置根据实际设备情况;和相关限制系数和先验概率应该精心调整和修正基于积累一段时间后统计数据。
作者宣称没有利益冲突有关的出版。