自动化测试
计算机测量与控制. 2004. 12(2) Computer Measurement &Control
・107・
文章编号:1671-4598(2004) 02-0107-03 中图分类号:TP274 文献标识码:B
一种基于故障重要度的概率神经网络诊断方法
雷正伟, 徐章遂, 米 东, 刘美全
(军械工程学院无损检测技术研究所, 河北石家庄 050003)
摘要:在研究概率神经网络的基础上, 提出一种新的聚类方法对网络参数进行优化, 能较好的反应故障重要度以及故障
样本的空间的分布特性, 合理的确定隐含层节点的个数, 从而使网络结构得到优化, 具有较高的训练效率。将该模型应用于漏磁裂纹识别, 取得满意的结果。
关键词:概率神经网络; 故障重要度; 样本聚类
F ault Diagnosis Method by Xu , Dong , Liu Meiquan
(, Ordnance Engineering College , Shijiazhuang 050003, china )
Abstract :on of Probabilistic Neural Networks (PNN ) , a new clustering method is proposed to optimize the parame 2ters of neural network , perfectly respond to the fault importance and the distribution of fault sample , reasonably determine the number of t hidden neurons and a optimized structure and a high training efficiency are achieved. When the model is applied to the recognition of crack leakage magnetic , the result is satisfying.
K ey w ords :PNN ; fault importance ; sample clustering
0 引言
概率神经网络是一种性能良好的分类神经网络, 由
于它直接考虑样本空间的概率特性, 以样本空间的典型样本作为隐含层的节点, 一经确定它不需要进行训练, 只要随实际问题进行样本的追加就够了, 而且它具有全局优化特点, 已经广泛的应用于故障诊断领域[1,3,4]。
在故障诊断领域由于一般用各种意义的距离进行聚类, 但有时用距离去确定故障的类别会淹没某些故障样本, 出现误诊。当运用距离去测度两种故障样本的时候, 虽然它们的距离测度很小, 但是它们的故障函数输出值却差别很大[3]。文章采用一种新的聚类方法, 充分考虑故障重要度和故障样本的空间分布特性, 提高网络的分类能力。最后将此方法用于漏磁裂纹识别, 取得了满意的结果, 证明了该方法的正确性和适用性。1 概率神经网络
式层) 采用Parzen 概率估计函数作为核函数网络中对于
某一种故障模式y k 有s k 个典型故障样本, 则网络对应的模式输出为:
s
k
y k =
i =1
∑p (
σ
) ≈p (x/w k )
T
(1)
式中
p (x -w σ
) (2π) 2/n σ
n exp -
(x -
w ) (x -w )
n
σi
(2)
图1 概率神经网络结构图
概率神经网络的典型结构如图1所示, 它是由输入
层、模式层和求和层三层前馈网络组成, 其隐含层(模
收稿日期:2003-04-03
基金项目:国家自然科学基金资助项目(50175109)
作者简介:雷正伟(1978-) , 男, 湖北省赤壁市人, 硕士生, 主要从事智能仪器设计和故障诊断与预测等方面的研究。
米东(1953-) , 男, 河北省定州市人, 教授, 博士生导师, 主要从事智能控制自动化和故障诊断与预测方面的研究。
构造和训练一个网概率神经网络就是确定出每个隐含层核函数的中心w k (模式样本) 和宽度σk (平滑因子) 这两个参数的过程, 要充分考虑样本的分布特性, 完成样本到故障模式的映射, 得贝叶斯最优估计[3], 通常的估计都没有考虑各样本的空间分布位置, 即使两批的均值和方差都相同, 其分布也可能很不同, 其中边界样本对系统的误判有较大的影响, 如果我们在设计核函数的有关参数时, 能充分考虑类模糊样本的影响, 增加类模糊样本作为模式样本, 这样网络的诊断能力就能大大提高。
・108・计算机测量与控制
空间;
第12卷
2 类模糊样本的提出及其平滑因子的估算思想
文章给出的网络学习算法主要考虑从类模糊样本出发定义其故障重要度, 文献[1]利用减聚类算法合理的聚类得到典型样本作为核函数的中心w k , 但它对边界样本的识别率非常低, 所以应该进行改进。
定义1:判决边界或类区边界附近的样本称为类模糊样本。
定义2:位于类的聚类中心的样本称为类主体样本。
类模糊样本决策函数的建立思想:
(1) 远离边界样本能忽略边界对它的概率贡献。(2) 类模糊样本能适当延展判别距离, 归入应有的距离。
, ) 一批模式样本, 因为这部分模式样本位于聚类中心, 所以它们的平滑因子比较容易确定, 而且可以取得相对的大些, 它的误判率很低。接下来就是解决边界区样本的平滑因子的估算, 由于此区域的样本分布极为不规则, 对它的特性刻画采用分形维数能恰当的描述它们的分布特性[3, 5]。
一种类样本的分布能以分布空间的样本数目计算其分形维数, 当同类样本的加入不会影响其分形维数的变化, 我们可以构造样本的分形维数, 在这里采用工程上常用的相关维数计算比较方便[3, 8]。3 平滑因子的估算方法
Cain 提出了一种估算方法, 它的估计值取决于模式样本空间中各样本之间的最小平均距离, 表达式为:
σ=g ・d avg [k ](3)
(2) 对类主体空间运用常用方法进行聚类和确定平
滑因子;
(3) 确定类模糊样本空间的平滑因子:①对每一类的类模糊样本计算其分形维数;
) =c (ε
N
2
N N
i =1j =1
θ(ε-∑∑
) ‖x i -x j ‖
(4)
) 表示样本空间中N 个点中, 点对(x i , x j ) 之c (ε
间距离小于ε的点对比例。
) ]-ln (ε) 图, 寻找曲线上直线②作出ln [c (ε
部分, (一般取015～(
D =计算出ε值。
ln ε
ε, k 由故障重要度确定, 故障重要度越⑤令σ=k
大, k 就取的越小些。4 预测方案及其实例
考虑类主体样本和类模糊样本的特性、平滑因子的分配后对概率神经网络结构进行重新构造,
其实施方案
图2 概率神经网络诊断方案图
式中
d avg [k ]=
m x
∈c k
p
∑d
i
表示同类样本的最小距离平均值, 而d i 为模式样本与同类样本的最小距离, g 为比例系数[5]。
此外, 通常σ考虑样本的分布特性有经验值
2σ=(2M i ) -β/N
N
如图2所示, 在漏磁无损检测中, 缺陷类别(如裂纹、
划痕、点蚀、剥落、夹杂、夹层等) 繁多, 而且相互间特征十分相近, 运用传统的模式识别方法极难分清[4,7]。虽然BP 网络可以在一定程度上识别缺陷类别, 但要求训练样本多且易陷入局部最优, 有时会使识别失效。为此, 文章采用概率神经网络来识别缺陷类别。由J F Y -iA 漏磁裂纹检测仪检测某飞机大梁螺栓孔缺陷获得的特征数据训练样本如表1所示, 选取概率神经网络结构为INN (8, 72, 5) , 输入层8个节点对应8个特征参数:均值x , 均方值M S E , 峰值M A X , 最小值
01
M IN , 动态范围E , 0阶熵H (s ) , 1阶熵H (s )
, 相关系数r , LL L H HL HH (四个频段的能量分布) , 最后我们以两平行矩形槽缺陷裂纹深度d =1mm , 宽
(4)
式中N 为模式样本矢量的维数, M i 为第i 个模式样本对应的训练样本数, β为置信系数[3]。
上述方法都将所有样本看为同等地位, 没有考虑故障信息重要度的不同[6], 没有刻画信息的细节部分, 下面基于此原因提出一种新的平滑因子确定方法:
(1) 将初始样本空间分成两个子空间:一部分为类主体样本组成的空间; 另外一部分为类模糊样本组成的
图3
纹法向漏磁曲线图图4 裂纹切向漏磁曲线图
第2期雷正伟, 等:一种基于故障重要度的概率神经网络诊断方法・109・
度2b =013mm , 提离高度h =013mm 为例进行缺陷
识别, 经过我们实验仿真得到以下理想训练样本得到的双裂纹漏磁切线和法线方向的训练曲线如图3和图4所示, 测试曲线如图5所示, 实验准确率达到了98%, 因此运用概率神经网络进行缺陷识别是十分有效的
。
障重要度出发提出了一种新的平滑因子确定方法, 最后对某飞机漏磁裂纹进行了有效的识别, 实验表明此方法是有效的, 此外训练集合直接影响识别精度, 所以训练样本集的处理和构造是应该研究的方向。
参考文献:
[1]Specht D F. Probabilistic neural networks [J ].Neural Net 2
works , 1990, 3(1) :109-118. [2]Barcherini S , Cipiccia L , Maggi M , et al. Non -destructive
test by the H opfield network [A ].IEEE [C ].2000:381-386.
图5 计算的双裂纹法向漏磁场
表1 检测某飞机大梁螺栓孔缺陷获得的特征数据训练样本
x
12345
86102
MS E MAX MIN E H 0(s ) H 1(s r
L
HH
[3], . [M ].北京:国
2000.
], C 均值聚类及α-β-γ滤波的
[J计算机测量与控制, 2002, 10(9) :623-625.
[5]徐光华. 概率神经网络及其大机组智能诊断技术[D].西安
62. 582
[1**********]21
147250
51115199
20. 115. 2081. 263. 1245. 241. 80
70. 201120. 061
51. 0. 851122. 223. 010. 10
973. 212. 270. 9990. 23. 417. 010. 42712. 922. 100. 8265. 12. 214. 510. 31
5 结束语
基于概率神经网络进行模式识别关键的就是根据样本空间准确的聚类出模式样本以及平滑因子, 文章从故(上接第103页)
[22]K ousuge Y , Okada T. Bias estimation of two 3-Dimensonal
radars using K alman filter [A ].4th Int. W orkshop on Ad 2vanced Motion C ontrol [C].1996, 1(1) :377-382.
[23]K ouguge Y , Okada T. Minimum eigenvalue analysis using ob 2
servation matrix for bias estimation of two 3-Dimensional radars [C ].′96Proceedings of the 35th SICE Annual Confer 2ence , 1996:1083-1088.
[24]Helmick R E , Rice T R. Removal of alignment errors in an in 2
tegrated system of two 3D sensors [J].IEEE AES , 1993, 29(4) :1333-1343.
[25]Nabaa N , H B ROBORT H B. S olution to a multisensor track 2
ing problem with sensor registration errors [J].IEEE AES , 1999, 35(1) :354-363.
[26]陈非, 敬忠良, 姚晓东. 空基多平台多传感器时间空间数
据配准与目标跟踪[J ].控制与决策(增刊) , 2001, (16) :798-811.
[27]李教, 敬忠良, 王安. 多平台多传感器多源信息融合中的
时空对准研究[J].空军工程大学学报, 2002, (5) :56-60.
[28]Dhar S. Application of a recursive method for registration error
correction in tracking with multiple sensors [A ].In Proceed 2ings of the American Control Conference [C].San Francisco , CA. 1993, 869-874.
[29]K armiely H , Hava T S. Sensor registration using neural net 2
work [J].IEEE AES , 2000, 36(1) :85-100.
交通大学博士学位论文, 1995.
[6]徐章遂, 房立清, 米东, 等, 基于故障信息重要度分析的复
合故障判别[J].燃烧科学与技术, 2001, (2) :141-143. [7]徐章遂, 马爱文, 马春庭. 基于模糊模式识别的漏磁裂纹信
号定量分析[J].中国机械工程, 1998, (6) :35-38.
[8]石博强, 申焱华. 机械故障诊断的分形方法[M ].北京:冶
金工业出版社, 2001.
[30]Abbas H , Xue D P , FAROOQ M. Track -Independent esti 2
mation schemes for registration in network of sensors [J ].IEEE AES , 1996, 3(3) :2563-2568.
[31]K ousuge Y , Okada T. Statistical analysis for bias estimation of
two 3-Dimensional radars [C ].′98Proceedings of the 37th SICE Annual Conference , 98:945-950.
[32]K ousuge Y , Okada T. Statistical analysis for radar bias esti 2
mation in a data fusion system of 3-Dimensional radars [J].IEEE , AES , 2000, 3(3) :2001-2006.
[33]Shalom Y B. Mobile radar bias estimation using unknown loca 2
tion targets [J].ISIF (Information fusion ) , 2000, 1(1) :3-6.
[34]金宏斌, 徐毓. 一种单传感器的配准方法[J].航空计算
技术, (已投) .
北京递杰科进技术开发有限公司
工业组态软件精品:
FIX/IFIX/IN TOUCH
PLC :三菱FX ,A ,Q 系列
工控机:研华, 西门子
地址:北京海淀区清华园三才堂写字楼5111室(100084) 电话:010-62581235,62555899网址:www.Z iDongHua. com. cn