基于自適應共振理論的混合智能診斷方法及其應用.pdf

1、復雜機械系統(tǒng)狀態(tài)和性能的診斷與評估是先進制造系統(tǒng)的重要組成部分，也是保證生產(chǎn)和質量控制的穩(wěn)定性的重要手段。基于傳統(tǒng)神經(jīng)網(wǎng)絡的智能診斷技術在對復雜機械設備的狀態(tài)和性能進行診斷和評估時，常遭受“穩(wěn)定性”和“適應性”的困窘，而基于自適應共振理論的神經(jīng)網(wǎng)絡則能很好地解決此問題。為了充分發(fā)揮該網(wǎng)絡的優(yōu)勢，使其更好地應用于設備的狀態(tài)和性能的診斷與評估之中，本論文以自適應共振理論為基礎，深入研究了基于自適應共振理論的混合智能診斷技術，并將其應用于自制

2、的準高速進給系統(tǒng)的狀態(tài)和性能的評估和診斷分析之中。
　　 論文首先深入地分析了模糊自適應共振理論(Fuzzy ART)的基本原理和性質。針對Fuzzy ART的性能受訓練樣本順序影響的缺點，以及基于Yu的范數(shù)的相似分類器和ART的優(yōu)點，提出了一種基于Yu的范數(shù)的ART-Similarity 無監(jiān)督診斷方法。從多個角度提取反應機械設備不同狀態(tài)和性能的特征參數(shù)，利用距離區(qū)分技術進行敏感特征參數(shù)的選擇，并結合ART-Similarit

3、y分類器對機械設備的狀態(tài)和性能進行診斷分析。通過對齒輪不同剝落程度的故障分析，結果表明結合特征選擇的無監(jiān)督分類方法的診斷精度較高，甚至優(yōu)于Fuzzy ART網(wǎng)絡。
　　 針對Fuzzy ARTMAP神經(jīng)網(wǎng)絡采用“硬競爭”機制進行分類時帶來的問題，提出了一種采用混合分類機制的改進的Fuzzy ARTMAP網(wǎng)絡。當Fuzzy ARTMAP被訓練后，利用每個模式節(jié)點所包含的訓練樣本就可獲取其對應的中心。對于給定的樣本，就可將兩種分類機

4、制即基于Yu范數(shù)的相似分類方法和Fuzzy ARTMAP原始的分類機制相結合起來對該樣本進行分類。同樣以齒輪的五種故障狀態(tài)為診斷實例，驗證了該改進FuzzyARTMAP神經(jīng)網(wǎng)絡的優(yōu)越性，同時也運用Bootstrap法驗證了其通用性。
　　 由于Fuzzy ARTMAP 神經(jīng)網(wǎng)絡自身的缺陷即其性能受訓練樣本輸入順序影響及一些特征參數(shù)反映設備狀態(tài)信息不充分的問題，常使得其對復雜機械系統(tǒng)故障進行診斷時精度不夠高，對此提出了一種基于多特

5、征域的選擇性集成的Fuzzy ARTMAP神經(jīng)網(wǎng)絡診斷方法。從多個特征域中抽取特征參數(shù)用來描述機械系統(tǒng)狀態(tài)信息，并運用修正的距離區(qū)分技術分別選取各個特征域中的敏感特征，將其分別輸入到Fuzzy ARTMAP網(wǎng)絡進行診斷分析，并運用相關性方法對網(wǎng)絡個數(shù)進行了選擇，通過貝葉斯置信方法對診斷結果做出了最后的決策。通過對軸承不同故障類型和不同損傷程度的診斷分析，驗證了該方法有效性、通用性和魯棒性。
　　 不同的特征參數(shù)對機械系統(tǒng)的不同狀

6、態(tài)和性能有著不同的敏感度，為了使FuzzyARTMAP網(wǎng)絡每個節(jié)點所包含的知識更加緊湊，提出了一種加權的Fuzzy ARTMAP智能診斷方法。從時域和頻域的角度抽取反映設備狀態(tài)和信息的特征參數(shù)，運用修正的距離評估技術可以獲取一些對設備狀態(tài)較敏感的特征參數(shù)及其對應敏感系數(shù)，然后結合加權的Fuzzy ARTMAP進行設備的狀態(tài)和性能的診斷分析。以軸承不同損傷程度的故障診斷為例，驗證了該方法診斷性能的優(yōu)越性。
　　 Fuzzy ART

7、MAP 神經(jīng)網(wǎng)絡在進行故障診斷時遭遇“黑箱”問題，特別是數(shù)據(jù)樣本與其對應類名事先不知道時，提出了一種基于Fuzzy ART&ARTMAP的故障診斷及規(guī)則抽取的方法。當訓練數(shù)據(jù)樣本與其對應的類別已知時，可利用其對Fuzzy ARTMAP 進行學習，并運用訓練好的網(wǎng)絡對測試樣本進行分類，從而進行規(guī)則的抽?。煌瑫r可將那些不知類名的測試樣本歸為一類。對于這些不知類名的數(shù)據(jù)樣本，可用Fuzzy ART對其進行識別并獲取相對應的類名。利用這些樣本和

8、類名可重新訓練Fuzzy ARTMAP，并結合預測數(shù)據(jù)就可進行新的診斷規(guī)則的獲取。通過對軸承不同損傷程度的診斷分析，驗證了該方法的有效性。
　　 每種預測方法都有各自不同的優(yōu)劣性，RBF 網(wǎng)絡的性能也常其因隱含層節(jié)點個數(shù)不能動態(tài)地確定而受到影響，對此提出了一種基于ART-RBF 神經(jīng)網(wǎng)絡的混合預測方法。
　　 首先運用時變AR方法和LS-SVM 兩種不同的預測方法對同一時間序列進行預測，然后將各自的預測結果作為ART-R

9、BF 網(wǎng)絡的輸入進行訓練和測試。通過對Mackey-Glass混沌時間序列的預測分析，驗證了該組合預測方法的優(yōu)越性。
　　 最后，以HUST-FS-001 進給系統(tǒng)實驗臺為應用對象，運用三種方法即基于Yu的范數(shù)ART-Similarity、改進的Fuzzy ARTMAP和基于特征域的選擇性集成Fuzzy ARTMAP對其軸承的不同預緊狀態(tài)進行了診斷分析；運用加權的Fuzzy ARTMAP、FuzzyART&ARTMAP對因溫度變