修改后的模糊神经网络故障诊断PCVD微波系统

文摘

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。

1。介绍

在PCVD设备(图1)用于光纤芯棒(1,2),等离子体点燃在衬底通过谐振腔的微波功率管。

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,SiCl₄/ GeCl₄蒸汽和O₂混合和interreact等离子体。SiO₂和地理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。

2。模糊神经网络的故障诊断

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(3]。

第一层是模糊化层,产生脆输入的会员等级这属于每个使用模糊集的隶属度函数。神经元层下一层神经元的输出结果。

第二层是规则层。每个神经元的输出发射强度根据Π的定义,如最大操作员或产品。

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2一阶函数

层的输出在哪里,,结果参数。

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3);然后,故障显示基于浓度测量值和模糊神经网络预测之间的区别(4]。

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(5]。

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4)。该方法适用于核电站监测和故障诊断处理大量的在线测量数据。应用模糊神经网络在当地诊断区域和全球诊断数据融合应用于区域;他们补充独立故障诊断通过使用不同的输入,从而,彼此和生成一个更可靠的结果6]。

3所示。改进的模糊神经网络进行故障诊断

3.1。改进的模糊神经网络算法

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(7,8]。然而,提出了一种新的模糊神经网络推理模型层4和更适合这个应用程序,而不是Sugeno模型,它描述了特征信号和故障概率之间的关系;也就是说,这种方法是一个多输入和multioutput故障诊断算法。

修改后的模糊神经网络模型如图5。

在图所示的修改与模糊神经网络2提出在一层一层4和5。

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(9),每一个故障模式的概率是输出。

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。

3.2。算法实现

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。

假设在哪里是微波的正向功率;是微波的反射能力。

隶属度函数是由统计概率的故障:

实际上,= 5%,= 15%,

隶属函数的错误检测到如图所示6 (b)描述(5 b)和(5度)。成员函数是基于统计概率的错误(图6(一)):

(一)

(b)

在生产中,,(单位:瓦特)

隶属函数的错误检测到如图所示7 (b)描述(6 b)和(6摄氏度)。成员函数是基于统计概率的错误(图7(一))。

(一)

(b)

故障诊断的实现(图5)是说明如下。

在生产中,微波微波系统的不匹配是一种常见的故障;现象出现的测量值或/和高于正常。

不匹配的故障分为4个故障模式(图8),波导对准问题,substrate-tube弯曲、自动调谐的错,和磁控管的错。错误的重量从统计数据计算。

,,对应于不同的模糊规则组合;例如,相应的规则(图5)。

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: 在约束矩阵是由物理状态的故障模式,包括内在的限制和相关的限制,然后呢()是内在限制系数来判断故障模式的概率决定的因素直接相关的故障模式;和()是依赖限制系数来判断故障模式的概率,由故障模式间接相关的因素。

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9。

故障模式的内在限制系数(波导对齐),如果波导是重新安装运行之前,和,如果波导在60天(图没有改变9)。

故障模式(磁控管的错)依赖于磁控管的生活时间的可靠性函数(图10和(9))。通常情况下,磁控管的生活时间约为5000小时。根据功能、故障概率很低如果磁控管的使用时间小于4000小时;也就是说,:

实际上,和(单位:小时)。

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(自动调谐的错)(磁控管的错)关联影响;然后,,增加的重量通过。相反,由于没有关联故障模式影响的依赖限制系数完全是零。

3.3。生产实例

故障诊断算法说明如下。

的输入是

根据(5 b)和(5度),

根据(6 b)和(6摄氏度),

先验概率是和其他条件如下:谐振器取代了最近;磁控管已用于4500小时。依赖限制系数(来)设置为0.4:

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1。


时间(人力资源)	故障症状			故障模式的概率				实际过失
时间(人力资源)	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

I.R.C.:intrinsic restriction coefficient.
T:诊断结果与实际相同的错。
X:实际的错。

先验概率的矩阵显示为(13),限制系数的矩阵如下所示。

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2显示了诊断结果的算法。


时间(人力资源)	故障症状		故障模式的概率				实际过失%
时间(人力资源)

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2)。当然,如果故障概率的计算结果近似,诊断很难做出正确的决定。所以应该引入新的输入诊断算法,为了提高准确性。

3.4。与信息融合

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(10]。首先,(证据)遥感数据源的数据进行预处理,然后基本的信心程度由d - s规则相结合;最后,融合结果选择根据指定的决策规则(图11)。

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,设置识别框架用相应的证据和。

一般来说,证据(,)是模拟变量,包括概率密度(10,11]。这将导致巨大的计算和降低故障诊断的实时性。所以,检测信号分级PCVD控制系统用于简化变量的值,如正常(N),高(H)限制,在更高的限制(HH),低限制(左),在较低的限制(LL)。

基于简化的价值,信仰的分布函数确定通过历史统计数据: 假设是一个识别框架;和被称为帧的基本信仰分布函数。是权力的;和的元素。结果d - s证据组合在哪里方程(25)是d - s证据组合公式2证据,用所以,multievidence组合公式在哪里,,,幂集的元素吗。

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[12]。首先,信念函数计算根据(23)和(25),然后(表故障是由最大价值3)。




:	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

从计算的结果表3,信仰的价值分布函数的错显然是最大的;的概率是最大的;信仰的价值分布函数的错为零,即零概率。在这个应用程序中,最大原则是过错的标准的决心。很明显,结果是不相同的实际情况。例如,在磁控管使用时间超过5000小时,错和故障是可能的(见表1)。随着(证据)遥感数据源的数据是不够的,不能被引入额外的限制条件,诊断结果偏离实际的。当然,一些修正方法可以应用于信息融合;这将在另一篇论文。

证明该算法的优越性,仿真诊断结果(见表1,2,3)表中列出4进行比较。诊断结果描述和评估诊断指定故障条件下的误码率。


样本的限制		算法
时间(人力资源)	谐振器所取代最近	修改模糊神经网络	信息融合

0 ~ 6000	是的	5.0%	58.3%
0 ~ 6000	没有	9.6%	44.1%
0 ~ 4000	没有	39.4%	39.4%

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。

4所示。结论

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。

利益冲突

作者宣称没有利益冲突有关的出版。

引用

李z h·李,“一种新型谐振器设计为等离子体化学汽相淀积,”应用力学和材料卷,121 - 126,642 - 646年,2012页。视图:谷歌学术搜索
p . Matthijsse d·r·西蒙斯张,j .罗j . Vydra h·费边,“向低限制的1383 nm PCVD使单模光纤生产损失,”《光纤通信会议(OFC ' 04),卷1,p。3,洛杉矶,加州,美国,2004年2月。视图:谷歌学术搜索
m . Saridemir”预测混凝土的抗压强度包含偏高岭土通过人工神经网络和模糊逻辑,“工程软件的进步,40卷,不。9日,第927 - 920页,2009年。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
h . Honggui l .应、问:Junfei”在线故障检测的模糊神经网络方法在废水处理过程中,“电脑和电子工程,40卷,不。7,2216 - 2226年,2014页。视图:出版商的网站|谷歌学术搜索
张平,r·张,x。跑,”研究飞行控制系统故障诊断的模糊神经网络的基础上,“Procedia工程15卷,第74 - 70页,2011年。视图:出版商的网站|谷歌学术搜索
l . Yong-Kuo p . Min-Jun x春丽,d . Ya-Xin“分布式故障诊断系统的研究和设计在核电站,”发展核能源卷,68年,第110 - 97页,2013年。视图:出版商的网站|谷歌学术搜索
李和z陈,“Sugeno识别的模式,”《自动化学报》,5卷,不。4,58 - 63、1999页。视图:谷歌学术搜索
m . Sugeno和t . Yasukawa Fuzzy-logic-based定性建模方法。”IEEE模糊系统,1卷,不。1,7-31,1993页。视图:出版商的网站|谷歌学术搜索
b . d . Sekar m . c .盾,“贝叶斯模糊推理网在线感应电动机的故障诊断,”学报》第七届国际会议信息,通信和信号处理(ICICS ' 09)IEEE,页1 - 5,澳门,中国,2009年12月。视图:出版商的网站|谷歌学术搜索
M.-A。Simard、j .时装和e·博斯”的多传感器数据融合属性信息target-identity估计使用Dempster-Shafer证据组合算法,”信号和数据处理的小目标卷,2759学报学报,页577 - 588,国际光学工程学会,华盛顿,1996年5月,美国。视图:出版商的网站|谷歌学术搜索
o . Basir和x元”,基于多传感器信息融合的故障诊断引擎使用Dempster-Shafer证据理论,“信息融合,8卷,不。4、379 - 386年,2007页。视图:出版商的网站|谷歌学术搜索
l . Oukhellou a . Debiolles t Denœux, p .阿克尼”在铁路轨道电路故障诊断使用Dempster-Shafer分类器融合,“人工智能技术的工程应用,23卷,不。1,第128 - 117页,2010。视图:出版商的网站|谷歌学术搜索

模糊系统的进步

文摘