文档介绍：基于遗传算法和神经网络优化的故障诊断专家系统
主要内容
故障诊断专家系统中的神经推理网络模型
遗传算法训练神经网络
基于规则的遗传神经网络专家系统的体系结构
结论
故障诊断专家系统中的神经推理网络模型
人工神经网络将已有的数据和已知的故障模式作为样本,通
过学习得出数据量与故障模式间的映射关系,在人工神经网
络中,信息的存储和处理是合为一体的,能从不完全、不精
确的信息联想出完整的信息,因而人工神经网络具有很强的
学习能力、信息处理能力以及学习过程中的完善性能,实现
了对人类思维模式的模拟。
故障诊断专家系统中的神经推理网络模型
但神经网络权重形式的知识表达方式难以理解,为使系统具
有良好的透明性,在神经网络的推理中,引用专家的规则推
理方法,这为神经网络系统建立良好的解释机制提供了方便,
且使得系统具有联想记忆和处理非线性问题的能力,其鲁棒性
和容错性好,处理模糊性、随机性的信息能力强,适于在线实
时控制,同时使系统具有良好的透明性。
故障诊断专家系统中的神经推理网络模型
神经网络采用具有模糊联想记忆的网络结构FNC(Fuzzy
Neural Controller),如图1所示:
故障诊断专家系统中的神经推理网络模型
系统利用误差反向传播来指导学习过
程,模糊推理控制器有两个输入e和
△e为误差(yd-y(t), yd是给定值,
y(t)是被控对象输出值),△e是误
差的变化,输出为μ,将e和△e划分
为n个模糊子集,将其用高斯型隶属
函数表示:
Xi : 表示输入变量
Cij: 表示隶属函数的中心
bj :表示隶属函数的宽度.
故障诊断专家系统中的神经推理网络模型
系统中知识的表示用产生式规则表示, 模糊神经推理网络由
如下的一组规则构成:
Ri: 第i 条模糊规则
Ai1 和Ai2 为输入(e, △e) 的隶属函数
U *:总的输出
故障诊断专家系统中的神经推理网络模型
Wi:为第i 个模糊规则对于输出作用权值,且有
μi:第i条规则的隶属度
遗传算法训练神经网络
一般神经网络BP学习方法是一种建立和调整模糊推理控制系
统的良好方法,但这种方法本质上是一种只考虑局部区域的
梯度法,缺乏全局性,有可能仅优化到局部极值部分,其调
整的收敛性依赖于初始状态的选择。
遗传算法是一种基于生物进化过程的随机搜索的全局优化方
法,它通过交叉和变异大大减少了初始状态的影响,使搜索
得到最优化结果而不停留在局部最小处。
遗传算法训练神经网络
遗传算法不仅可优化模糊神经推理系统的参数, 而且可以优
化模糊神经推理系统的结构。使用遗传算法可以修正冗余的
隶属函数和网络的节点数, 以优化模糊推理规则。
因此,用GA算法优化具有全局性的参数和网络结构,用BP算
法调节和优化具有局部性的参数,这样GA算法作为一种离线
训练模糊神经推理控制器(粗略学习),用BP算法作为一种
在线调节神经网络的局部性参数(细调节)。
这两种方法的综合使用,大大提高了模糊神经推理控制系统
的自学习性能和鲁棒性。