1引言

系統(tǒng)的狀態(tài)預測是故障診斷中必不可少的一個環(huán)節(jié)，是診斷技術(shù)的重要目標之一。基于模糊神經(jīng)網(wǎng)絡(luò)的預測是一種非參數(shù)模型預測。在用模糊神經(jīng)網(wǎng)絡(luò)進行預測時，現(xiàn)有的方法一般是利用大量已獲得的觀測數(shù)據(jù)即樣本數(shù)據(jù)進行一次建模，然后在預測時不再進行學習，即網(wǎng)絡(luò)參數(shù)不變。隨著時間的推移，這種利用歷史數(shù)據(jù)建立的模型不能完全反映時間序列近期和現(xiàn)時的特性，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)上引入時差法，該方法在某種程度上能實時地根據(jù)觀測數(shù)據(jù)和預測結(jié)果不斷調(diào)整模型參數(shù)，使模型盡可能完善，從而提高預測精度。

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，通過神經(jīng)網(wǎng)絡(luò)實現(xiàn)模糊邏輯，同時利用神經(jīng)網(wǎng)絡(luò)的自學習能力，動態(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)在學習方面的缺陷。

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個峰峰值數(shù)據(jù)為一組訓練樣本，第 13個數(shù)據(jù)作為訓練目標。這樣共取 10組用來訓練網(wǎng)絡(luò)。將最為接近的數(shù)據(jù)作為訓練樣本，并隨系統(tǒng)采樣而不斷更新訓練樣本，以便用最接近的數(shù)據(jù)來得到更準確的預測結(jié)果。運用 Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱進行仿真，通過測試，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。其預測過程如圖4所示，預測分析如表1所示。

預測結(jié)果與實際結(jié)果相比，其絕對誤差最大值等于 0.06，結(jié)合現(xiàn)場傳感器的測量誤差，可以認為這些數(shù)據(jù)基本滿足實際的電機正常運行的預測要求。

5 結(jié)論

本文將模糊神經(jīng)網(wǎng)絡(luò)與時間序列結(jié)合起來，并引入時差法，建立了新的預測模型，并以電機運行時的振動電壓峰峰值為依據(jù)，對電機的運行狀態(tài)做了預測。檢測結(jié)果表明：該預測模型的預測精度較高，誤差小，是一種較為實用可行的方法。

責任編輯：gt