摘要：本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的電機(jī)故障預(yù)測(cè)新方法。該方法將時(shí)間序列與模糊神經(jīng)網(wǎng)絡(luò)結(jié)合，同時(shí)引入時(shí)差法，對(duì)電機(jī)狀態(tài)進(jìn)行預(yù)測(cè)，從而提高了預(yù)測(cè)精度，減少了系統(tǒng)誤差。仿真結(jié)果表明，該預(yù)測(cè)方法的誤差明顯較小，是一種較實(shí)用的預(yù)測(cè)方法。 關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；時(shí)間序列；故障預(yù)測(cè) Abstract: A new fault prediction method of motor based on fuzzy neural network is proposed in the paper. The method commined the time series and fuzzy neural network,and also introduced in difference. Using this method predicted the condition of motor increased the precision and reduced the error. The simulation result indicated that this method reduced the error,and it is a kind of practical predictal method. Key words: Fuzzy neural network;Time series ;Fault prediction 1引言 系統(tǒng)的狀態(tài)預(yù)測(cè)是故障診斷中必不可少的一個(gè)環(huán)節(jié)，是診斷技術(shù)的重要目標(biāo)之一?；谀：窠?jīng)網(wǎng)絡(luò)的預(yù)測(cè)是一種非參數(shù)模型預(yù)測(cè)。在用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)，現(xiàn)有的方法一般是利用大量已獲得的觀測(cè)數(shù)據(jù)即樣本數(shù)據(jù)進(jìn)行一次建模，然后在預(yù)測(cè)時(shí)不再進(jìn)行學(xué)習(xí)，即網(wǎng)絡(luò)參數(shù)不變。隨著時(shí)間的推移，這種利用歷史數(shù)據(jù)建立的模型不能完全反映時(shí)間序列近期和現(xiàn)時(shí)的特性，需要隨著新數(shù)據(jù)的積累不斷調(diào)整網(wǎng)絡(luò)模型的參數(shù)，使模型不斷完善。因此，本文提出一種新的模糊神經(jīng)網(wǎng)絡(luò)算法，即在原有算法的基礎(chǔ)上引入時(shí)差法，該方法在某種程度上能實(shí)時(shí)地根據(jù)觀測(cè)數(shù)據(jù)和預(yù)測(cè)結(jié)果不斷調(diào)整模型參數(shù)，使模型盡可能完善，從而提高預(yù)測(cè)精度。 2模糊神經(jīng)網(wǎng)絡(luò) 模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network）是模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合，通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)模糊邏輯，同時(shí)利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，動(dòng)態(tài)調(diào)整隸屬度函數(shù)、在線優(yōu)化控制規(guī)則。二者的融合彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)在模糊數(shù)據(jù)處理方面的不足和純模糊系統(tǒng)在學(xué)習(xí)方面的缺陷。 我們采用的是一種串形結(jié)構(gòu)的多層前向模糊神經(jīng)網(wǎng)絡(luò)，如圖1所示.該模型有四層，分別為輸入層，隸屬函數(shù)生成層（模糊化層），推理層及反模糊化層。 取相鄰 12個(gè)峰峰值數(shù)據(jù)為一組訓(xùn)練樣本，第 13個(gè)數(shù)據(jù)作為訓(xùn)練目標(biāo)。這樣共取 10組用來(lái)訓(xùn)練網(wǎng)絡(luò)。將最為接近的數(shù)據(jù)作為訓(xùn)練樣本,并隨系統(tǒng)采樣而不斷更新訓(xùn)練樣本，以便用最接近的數(shù)據(jù)來(lái)得到更準(zhǔn)確的預(yù)測(cè)結(jié)果。運(yùn)用 Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行仿真，通過(guò)測(cè)試，選取輸入為 12，最大循環(huán)次數(shù)（epoch）為 50，期望誤差最小值為0.001。其預(yù)測(cè)過(guò)程如圖4所示，預(yù)測(cè)分析如表1所示。 預(yù)測(cè)結(jié)果與實(shí)際結(jié)果相比,其絕對(duì)誤差最大值等于 0.06，結(jié)合現(xiàn)場(chǎng)傳感器的測(cè)量誤差,可以認(rèn)為這些數(shù)據(jù)基本滿(mǎn)足實(shí)際的電機(jī)正常運(yùn)行的預(yù)測(cè)要求。 5 結(jié)論 本文將模糊神經(jīng)網(wǎng)絡(luò)與時(shí)間序列結(jié)合起來(lái),并引入時(shí)差法,建立了新的預(yù)測(cè)模型,并以電機(jī)運(yùn)行時(shí)的振動(dòng)電壓峰峰值為依據(jù)，對(duì)電機(jī)的運(yùn)行狀態(tài)做了預(yù)測(cè)。檢測(cè)結(jié)果表明：該預(yù)測(cè)模型的預(yù)測(cè)精度較高，誤差小，是一種較為實(shí)用可行的方法。 參考文獻(xiàn) [1]鈕永勝,趙新民,孫金瑋.采用基于神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)器的傳感器故障診斷新方法[J].儀器儀表學(xué)報(bào).1998,19（4）:383-388. [2]趙翔,蕭德云.基于神經(jīng)網(wǎng)絡(luò)多步時(shí)序預(yù)測(cè)的非線性系統(tǒng)故障診斷[J].控制理論與應(yīng)用.2000,17（6）:803-808. [3]胡壽松,張正道. 基于神經(jīng)網(wǎng)絡(luò)的非線性時(shí)間序列故障預(yù)報(bào)[J].自動(dòng)化學(xué)報(bào).2007,33 （7）:744-748. [4] Lin C T,Lee C C G.N Neuranl network based on logic control and decision system [J].IEEE Trans.On Computers,1991,40（12）:1320 [5]陳果.非線性時(shí)間序列的動(dòng)力學(xué)混沌特征自動(dòng)提取技術(shù)[J].航空動(dòng)力學(xué)報(bào).2007,22（1）:1-6 [6]史會(huì)余,孟凡榮.BP神經(jīng)網(wǎng)絡(luò)在煤礦監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)中的應(yīng)用[J].微計(jì)算機(jī)信息,2008,24 （71）:26-27 [7] 楊璐,黃梯云.一種基于神經(jīng)網(wǎng)絡(luò)的時(shí)間序列自適應(yīng)建模和預(yù)測(cè)方法[J].決策與決策支持系統(tǒng),1996,6（2）:69-74.