毕业设计与论文（模糊神经网络在飞机故障诊断中的应用）.doc

《毕业设计与论文（模糊神经网络在飞机故障诊断中的应用）.doc》由会员分享，可在线阅读，更多相关《毕业设计与论文（模糊神经网络在飞机故障诊断中的应用）.doc（65页珍藏版）》请在沃文网上搜索。

1、 摘 要为保障飞机的飞行安全，需要对飞机水平尾翼是否发生裂纹故障进行及时诊断，以便及时维修或进行其它紧急处理，防止故障升级，避免灾难性事故的发生。因而，故障诊断技术研究已成为航空界的研究热点之一。本文介绍了模糊神经网络的基本理论及常用模糊神经网络的结构与工作原理，在此基础上，分别采用自适应模糊神经网络（Adaptive Network Fuzzy Inference System）、模糊BP神经网络、模糊RBF神经网络对飞机水平尾翼原始声发射信号的特征值(EMD分解提取的特征向量)进行了诊断研究，并对诊断结果进行了统计与分析。实验表明，本文运用模糊神经网络方法所设计的智能故障诊断器可以较好的实

2、现对飞机水平尾翼裂纹故障的诊断。关键词：裂纹；模糊神经网络；故障诊断Fuzzy neural network in the application of fault diagnosisAbstractThe aircraft stabilizer health status need to be monitored in real time to ensure the aircraft fly safety. The frame and theory of fuzzy artificial neural network are introduced in this paper. On the

3、basis of it, fuzzy artificial neural network diagnosis technique (such as fuzzy BP neural network, fuzzy Pnn neural network, fuzzy LVQ neural network, fuzzy Elman neural network and fuzzy RBF neural network, Adaptive network fuzzy inference system) are used to design intelligent fault diagnosis syst

4、ems. And the intelligent fault diagnosis systems are used to diagnose the eigenvalues(the evergy of wavelet pack analysis coefficient) from the original acoustic emission signals. In addition, the diagnosis results are counted and analysed. The experiments show that the intelligent fault diagnosis s

5、ystems designed by fuzzy artificial neural network technique can diagnose the crack on the aircraft stabilizer successfully.Keywords: crack ; fuzzy artificial neural network; fault diagnosis目 录1 绪论11.1 研究意义与目的11.1.1 研究意义11.1.2 研究目的11.2 课题任务和要求21.2.1 课题任务21.2.2 课题要求21.3 课题内容及安排21.3.1 课题主要内容21.3.2 课题内

6、容安排22 故障诊断技术简介42.1 故障诊断技术的特点42.2 故障诊断技术的发展状况42.3 故障诊断技术的分类52.4 常用的故障诊断方法63 模糊神经网络的介绍103.1 模糊神经网络103.1.1 模糊神经网络介绍113.1.2 几种基本的模糊神经元123.1.3 模糊系统与神经网络的连接方式133.2 分散型模糊神经网络方案的设计163.2.1分散型模糊神经网络的结构163.2.2 样本的选取183.2.3 输入样本的模糊化处理183.2.4 神经网络设计的一般原理193.2.5 输出结果的去模糊化处理214 基于自适应模糊神经网络（ANFIS）的故障诊断224.1 自适应模糊神经

7、网络（ANFIS）224.2 自适应模糊神经网络（ANFIS）故障诊断器的设计264.3 基于自适应模糊神经网络（ANFIS）的故障诊断275 基于模糊BP神经网络的故障诊断325.1 BP神经网络325.1.1 BP神经网络简介325.1.2 BP神经网络结构325.2 模糊BP神经网络故障诊断器的设计345.3 基于模糊BP神经网络的故障诊断366 基于模糊RBF神经网络的故障诊断416.1 RBF神经网络416.2 模糊RBF神经网络故障诊断器的设计416.3 基于模糊RBF神经网络的故障诊断427 不同模糊神经网络故障诊断结果与分析46结 论48社会经济效益分析49参考文献50致 谢5

8、1附录 自适应模糊神经网络（ANFIS）诊断程序清单52附录 模糊BP神经网络诊断程序清单54附录 模糊RBF神经网络诊断程序清单58III沈阳航空航天大学毕业设计（论文）1 绪论1.1 研究意义与目的1.1.1 研究意义随着现代化大生产的发展和科技的进步，设备的复杂程度日益提高，如何保证设备的安全运行，己成为一个十分迫切的问题。设备故障诊断技术是保障设备安全运行的基本措施之一，它能对设备故障的发展做出早期预报，对出现故障的原因做出判断，提出对策建议，避免或减少事故的发生。故障也是影响飞行安全的主要因素，飞机故障诊断能显著提高飞机运行可靠性，保证飞行安全，缩短飞机再次出动时间，提高部队战斗力，

9、并且可以缩短维修时间、减少备件。在本设计中，为保障飞机的飞行安全，需要实时监测飞机水平尾翼的工作状态，特别是当其发生故障时，能够及时识别出其故障模式，以便进行及时维修或其它紧急处理，防止故障升级，提升飞机安全及任务的执行率，具有重要的科学意义与实际价值。1.1.2 研究目的从设备故障诊断技术的起源和发展来看，故障诊断技术的目的是保证可靠地、高效地发挥设备应有的功能。这包含了三点：一是保证设备无故障，工作可靠；二是保证物尽其用，设备要发挥最大的效益；三是保证设备在将有故障或已有故障时，能及时诊断出来，正确地加以维修，以减少维修时间，提高维修质量，节约维修费用，使重要的设备能按其状态进行维修，改革

10、目前按时维修的体制。设备诊断技术应为设备维修服务，可视为设备维修技术的内容，但它决不仅限于为设备维修服务，还应该保证设备能处于最佳的运行状态，这就意味着它还应为设备的设计、制造与运行服务。故障诊断技术的最根本任务是能及时地、正确地对各种异常状态或故障状态做出诊断，预防或消除故障，对设备的运行进行必要的指导，提高设备运行的可靠性、安全性和有效性，把故障损失降低到最低水平。1.2 课题任务和要求1.2.1 课题任务(1) 查阅有关文献及资料。(2) 深入学习并掌握MATLAB语言编程。(3) 理解神经网络故障诊断过程和模糊理论相关知识，重点掌握模糊理论和神经网络的结合方法。(4) 运用模糊系统与神

11、经网络的结合进行故障诊断。(5) 进行方案设计，完成开题报告。(6) 老师审查通过后，运用MATLAB语言编写程序，完成故障诊断算法功能，使之能对飞机某部件出现的故障进行诊断。(7) 检验模糊神经网络对飞行器故障诊断的有效性。1.2.2 课题要求(1) 对飞机某部件应具有故障诊断功能。(2) 故障诊断的准确率80%。(3) 该故障诊断方法应具有较强的实时性与工程实用性。 1.3 课题内容及安排1.3.1 课题主要内容为提升飞机的飞行安全，避免事故的发生，做到预防性维修，需要在飞机飞行时对其各部件可能出现的故障进行诊断。1.3.2 课题内容安排本文共分成5章，具体内容如下：第1章为绪论，介绍了飞

12、机故障诊断的研究意义和目的，论述了本设计中的任务和要求，并罗列了本文的内容及安排。第2章详细介绍了故障诊断技术的相关理论知识，为后文进行飞机水平尾翼的故障诊断作下了铺垫。第3章对模糊神经网络进行了综合描述，并对几种基本的模糊神经元及模糊逻辑系统进行了简单的介绍。第4章论述了自适应模糊神经网络（ANFIS）故障诊断器的设计及其诊断结果。第5章论述了模糊BP神经网络故障诊断器的设计及其诊断结果。第6章论述了模糊RBF神经网络故障诊断器的设计及其诊断结果。第7章主要对以上几种模糊神经网络故障诊断器的诊断结果进行了对比分析。2 故障诊断技术简介2.1 故障诊断技术的特点(1) 层次性：从系统的观点看，

13、系统是由“元素”按一定的规律聚合而成的。显然系统是有层次的，故障的产生对应于系统的不同层次而表现出层次性。(2) 相关性：复杂系统是由若干相互联系的子系统组成的，某些子系统的故障常常是由于与之相关子系统或下一级子系统故障的传递所致，从而表现出相关性。(3) 模糊性：系统运行状态中存在着模糊性，在状态监测和技术诊断中也存在着许多模糊的概念及方法。(4) 随机性：故障的发生常常会与时间紧密相关的随机过程有关。(5) 未确知性：不同于故障描述的模糊性与随机性，由于主观条件的限制，在系统故障产生后，不能准确说明其发生的部位与原因，而它又确实已经存在，只是条件不足以完全感知。(6) 相对性：系统故障与一

14、定的条件和环境有关，不同环境条件下的故障表现以及对其描述与划分存在不一致性。2.2 故障诊断技术的发展状况故障诊断是适应工程实际需要而形成和发展起来的一门综合学科。纵观其发展过程，故障诊断可依据其技术特点分为以下几个阶段：(1) 原始诊断阶段原始诊断始于19世纪末至20世纪初，由于机器设备比较简单，故障诊断主要依靠个体专家或维修人员通过感官、经验或简单仪表进行。(2) 基于传感器与计算机技术的诊断阶段基于传感器与计算机技术的诊断始于20世纪60年代的美国。1961年美国开始执行“阿波罗计划”以后，出现了一系列由设备故障酿成的悲剧，导致了美国机械故障预防小组（MFPG）于1967年成立，同时也揭

15、开了现代诊断技术的进程。在这一阶段，诊断技术融合吸收了大量的现代科技成果：由于传感器技术的发展，使得对各种诊断信号和数据的测量变得容易。计算机的使用弥补了人类在数据处理上的低效率和不足，从而使各种诊断方法应运而生，涌现了状态空间分析诊断、对比诊断、函数诊断、逻辑诊断、统计诊断和模糊诊断等诊断方法。这一阶段的诊断技术缺乏智能性。(3) 智能化诊断阶段智能化诊断技术始于20世纪80年代初期。这一阶段的特点是将人工智能的研究成果应用到故障诊断领域中，以常规诊断技术为基础，以人工智能技术为核心。人工智能技术的发展为设备故障诊断的智能化提供了可能性，使诊断技术进入了新的发展阶段，以数值计算和信号处理为核

16、心的诊断过程被以知识处理为核心的诊断过程所代替，对诊断技术的研究是从知识的角度出发来系统地加以研究。虽然智能诊断技术还远远没有达到成熟阶段，但智能诊断的开展大大提高了诊断的效率和可靠性。2.3 故障诊断技术的分类故障分类的方法主要有以下几种：(1) 按故障存在的时间历程分 暂时性故障，即在一定条件下，系统所产生的功能上的故障，通过调整系统参数和运行参数，不需更换零部件就可恢复系统正常的功能。 永久性故障，它是由某些零部件损坏而引起的，必须更换或修复后才能消除的故障。(2) 按故障发生的时间历程分 突发性故障，就是在故障前无明显征兆，难以早期的试验或测试来预测，它们一般发生时间较短，往往具有破坏

17、性，运行人员的误操作引起的设备的毁坏就属于这种类型。 渐发性故障，是指在设备的使用过程中，某些零部件因疲劳、腐蚀、磨损等使性能逐渐下降，最终超出允许值而发生的故障，这类故障占的比重相当大，且具有一定得规律性，可通过早期的状态监测和故障预报来预防。(3) 按故障发生的严重程度分 破坏性故障，它既是突发性又是永久性的，故障发生后往往危及设备和人身安全。 非破坏性故障，它一般是渐发性的又是局部性的，故障发生后暂时不会危及设备和人身的安全。(4) 按故障发生的原因分 外因故障，即因操作人员操作不当或由于环境变化而造成的故障，如调解系统的误动作，转子的超速运行等。 内因故障，即设备在运行过程中，因设计或

18、生产方面存在的潜在隐患而造成的故障，如设计、工艺、材料的缺陷。(5) 按故障相关性分 相关性故障，也可称间接故障。这种故障是由设备其它部件引起的。对设备进行故障诊断应注意这种故障。 非相关性故障，也可称直接故障，这是因零部件的本身直接因素引起的，对设备进行故障诊断首先应诊断这类故障。上面是几种较为常见的分类方法，另外还有其他不同的方法，无论是采用何种分类方法，最终目的都是为了弄清故障的兴致，采取切实可行的预防诊断方法，防止事故的发生，达到安全、经济运行的目的。2.4 常用的故障诊断方法故障诊断技术是一门综合性技术，它不但与诊断对象的性能和运行规律密切相关，而且还涉及多门学科。故障诊断方法的研究

19、是故障诊断技术的核心。对状态监视，即判断设备处于正常还是异常状态，也就是两类问题的判别，传统的方法主要有对比分析法、模型分析法、逻辑推理法、贝叶斯分类法、距离函数分类法、模糊诊断法、故障树分析法等。对故障诊断，多类分类问题，主要有神经网络、专家系统、遗传算法等识别方法。现在简单介绍如下：(1) 对比分析法对比分析法的基本思路是：事先在故障机理研究的基础上，通过计算分析、试验研究、统计归纳等手段，确定各类有关状态的特征作为标准模式；然后在设备运行时，选择某种特征，根据其变化规律和参考模式比较，用人工分析的方法，判别设备的运行状态。(2) 模型分析法随着计算机和应用数学的发展，动态过程一般都可以用

20、数学方程描述。由于数学模型能最本质地表征动态过程规律，因此可根据模型结构或模型参数的变化，研究机器的运行状态。最经典的模型分析法是采用时间序列分析。时间序列分析是根据观测数据建立数学表达式即模型，如果模型正确，则动态过程的基本规律、工况状态正常与异常等重要信息必然蕴含在模型的结构及其参数之中，特别是模型参数、残差平方和。实践证明，用时间序列分析建模方法，在工况状态预测、预报方面可取得很好的效果。但是此方法的建模需要时间，难以适应实时性要求高的场合，且难以实现对非线性系统的建模。(3) 逻辑判别法在大多数情况下，过程参数与过程状态之间没有一一对应的因果关系，然而在某些情况下，如果征兆与状态之间有

21、一定的逻辑联系，这时可以通过征兆以推理的方式判断机器的运行状态。(4) 贝叶斯分类法贝叶斯分类法是基于概率统计分析的识别方法。在机械工程中，大量的问题是随机的。可采用概率密度函数描述随机现象。把设备运行过程中的状态看作是一个随机变量，事件出现的概率在很多情况下是可以估计的，这种根据经验知识对工况状态出现的概率做出的估计，称之为先验概率，因为状态是随机变量，故障状态空间可以写成，其中是状态空间的一个模式点，如果只判断工况正常与异常两种状态，它们的先验概率用 表示，并有。(5) 距离函数分类法 由个特征参数组成的维特征矢量相当于维特征空间的一个点。研究证明了同类模式点具有类聚性，不同类状态的模式点

22、有各自的聚类域和聚类中心，如果我们将各类的聚类中心作为参考模式，可将待检模式与参考模式间的距离作为判别函数待检状态的属性。具体的距离指标有空间距离(如欧氏距离、马氏距离)和相似性指标(如相关系数)。(6) 专家系统诊断法这是一种基于知识(Knowledge-based)的人工智能诊断系统。它的实质是应用大量人类专家的知识和推理方法求解复杂的实际问题的一种人工智能计算机程序。专家系统能够模拟、再现、保存和复制，有时还能够超过人类专家的脑力劳动，是人工智能领域中目前最活跃最成功的一个分支。就工程领域而言，它比较适用于复杂的、规范化的大型动态系统。通常专家系统由知识库、推理机、数据库、解释程序和知识

23、获取程序组成。可以采用神经网络来解决专家系统的知识获取瓶颈问题。人工智能系统在故障诊断中得到了相当广泛的应用，并有了一批成功的例子。(7) 故障树分析法故障树分析法是把所研究的最不希望发生的故障状态作为故障分析的目标，然后寻找直接导致这一故障发生的全部因素，再找出造成下一事件发生的全部直接因素，一直追查到无需再深究的因素为止。通常，把最不希望发生的事件称为顶事件，无需再深究的事件称为底事件，介于之间的事件成为中间事件。用相应的符号代表这些事件，再用适当的逻辑门把顶事件、中间事件和底事件联结成树形图，这样的树形图就称为故障树，用以表示系统或设备的特定事件与它的各个子系统或各个部件故障树事件之间的

24、逻辑结构关系。故障树分析法将系统故障形成的原因作为由总体至部分按树状逐级细化，因为方法简单，概念清晰，容易被人们所接受，所以它是对动态系统的设计、工厂试验或对现场设备工矿状态分析的一种有效的工具。(8) 模糊诊断法机器运行过程的动态信号及其特征值都具有某种不确定性，即区分或评价客观事物差异不分明。故障征兆特征和故障原因可以用很多概念来描述，如“进口温度比较高”、“制冷剂很少”等，同一种机器，在不同的条件下，由于工况的差异，使机器的动态行为不尽一致，人们对同一种机器的评价只能在一定范围内作出估计，而不能做出明确的判断，而且还受人为主观判断能力的限制。模糊现象往往是客观规律，为了解决这类问题，需要

25、以模糊数学为基础，把模糊现象与因素间关系用数学表达方式描述，并用数学方法进行运算，得到某种确切的结果，这就是模糊诊断技术。隶属函数在模糊理论中占有重要地位，它把模糊性进行数值化描述，使事物的不确定性在形式上用数学方法进行计算。利用它可以把参数值分为若干等级，如很高、高、较高、正常、较低、低、很低等。(9) 神经网络诊断法神经网络模型是在现代神经生理学和心理学研究的基础上，模仿人的脑神经元结构特性而建立的一种非线性动力学网络系统。它由大量的简单的非线性处理单元高度并联、互连而成，具有对人脑的某些特性的简单的数学模拟能力。实践证明，多层感知器网络能实现任意非线性映射能力，因此广泛应用于系统辨识、智

26、能控制和模式识别中。人工神经网络在故障诊断领域中显示了巨大的应用潜力，主要集中于三个领域方面的应用:一是从模式识别的角度应用神经网络，使其作为分类器进行故障诊断；二是从预测的角度应用，使其作为预测模型进行故障预测；三是从知识处理的角度建立基于神经网络的专家诊断系统。(10) 遗传算法应用于故障诊断遗传算法是一种新型的优化计算方法，它模拟达尔文的遗传和自然淘汰的生物进化论，对种群进行选择、交叉、变异操作后使其得到优化。它适合故障诊断中的推理和网络结构和权重的优化。3 模糊神经网络的介绍3.1 模糊神经网络理论神经网络和模糊系统都属于“计算智能（Computational Intelligence

27、）”的范畴。神经网络根据人脑的生理结构和信息处理过程创造人工神经网络，模糊系统则试图描述和处理人的语言和思维中存在的模糊性概念，两者都是模仿人的智能，存在着许多的相同点。由下表3.1可以看到模糊逻辑和神经网络各有优缺点，因此有必要将模糊逻辑和神经网络融合起来构成模糊神经网络，使它同时具有模糊逻辑与神经网络的优点，即希望模糊神经网络既能表示定性的知识又能拥有强大的自学习能力和数据处理能力。表3.1 神经网络与模糊逻辑的比较项目神经网络模糊逻辑组成神经元互联模糊逻辑和模糊规则映射关系点与点之间对应块与块之间的对应知识储存方式连接权值规则方式知识表达能力弱强容错能力强较强学习能力能进行学习不能进行学

28、习精度比较高较高计算量多少应用用于建模、模式识别可用于凭经验处理的系统模糊逻辑与神经网络的结合主要体现在以下5个方面：(1) 用模糊技术提高神经网络的学习能力。(2) 利用神经网络的学习能力提取模糊规则或调整模糊规则参数，例如：神经网络-模糊推理协作系统。(3) 把模糊逻辑的概念应用于神经网络的计算和学习，从而在普通神经网络的基础上发展各种模糊神经网络，例如：模糊感知器。(4) 用神经网络来实现一个已知的模糊逻辑系统，以完成并行模糊推理。(5) 构造完整意义上的模糊神经网络模型和算法。3.1.1 模糊神经网络介绍目前，神经网络、模糊逻辑和进化计算是人工智能最新的理论基础，在国际上受到人们的高度

29、关注，也是现在各国学者热衷于研究的前沿课题。人们对这三种新理论的兴趣，不是在于它们的流行或者在于它们的奇特，而是在于它们在人工智能的实现过程中有着十分重要的应用价值。不少学者不约而同地认为：未来的前沿技术将是模糊逻辑和神经网络结合的新技术神经模糊技术。模糊神经网络就是将模糊理论同神经网络有机结合起来，可有效发挥其各自的优势，并弥补不足。模糊技术的优点在于逻辑推理能力强，容易进行高阶的信息处理，将模糊技术引入神经网络，可大大拓宽神经网络处理信息的范围和能力，使其不仅能处理精确信息，也能处理模糊信息和其他不精确信息。神经网络在学习和自动模式识别方面有极强的优势，采用神经网络技术进行模糊信息处理，则

30、使得模糊规则的自动提取和隶属度函数的自动生成有可能得以解决，使模糊系统成为一种自适应模糊系统。由于模糊神经网络汇集了神经网络与模糊理论的优点，集学习、联想、识别、自适应及模糊信息处理于一体，提高了整个系统的学习能力和表达能力。模糊神经网络通常既指将模糊化概念和模糊推理引入神经元的模糊神经网络，又指基于神经网络的模糊系统。前者将模糊成分引入神经网络，提高了原有网络的可解释性和灵活性，它有两种形式：引入模糊运算的神经网络和用模糊逻辑增强网络功能的神经网络。而后者则用神经网络来实现模糊系统，并利用神经网络学习算法对模糊系统的参数进行调整。(1) 引入模糊运算的神经网络引入模糊运算的神经网络是由普通神

31、经元或模糊神经元组成的。模糊神经元与普通神经元的结构相同，只不过用模糊数学描述部分参数，因此具有处理模糊信息的能力。这种模糊神经网络通过调整参数进行学习，其学习算法可以采用通用学习算法，也可以通过对原有神经网络的学习算法进行拓展得到；反向传播学习算法、随机搜索法、遗传算法等是几种与具体神经网络结构无关的通用学习算法。(2) 用模糊逻辑增强网络功能的神经网络这类模糊神经网络不是对神经网络与模糊逻辑直接进行融合，而是通过模糊逻辑改进神经网络的学习算法。首先通过分析网络性能得到启发式知识用于调整学习参数，从而加快学习收敛速度。这方面研究才起步不久，所做的研究工作还不多。(3) 基于神经网络的模糊系统

32、基于神经网络的模糊系统，是利用神经网络学习算法的模糊系统。这类模糊神经网络按照模糊逻辑的运算步骤分层构造，不改变模糊系统的基本功能（如模糊化、模糊推理和反模糊化）。该类网络通常先提取模糊规则，再利用神经网络的学习算法对系统的参数进行调整。网络的学习过程既可以是数据驱动的，又可以是知识驱动的，从而体现了模糊神经网络的特点。3.1.2 几种基本的模糊神经元 (1) 模糊化神经元模糊化神经元是一种可将观测值或输入值定量化或标准化的神经元。它接受离散的或连续的、确定的或模糊的单元输入，而输出为由系统模糊变量基本状态隶属度函数所确定的标准化的值。通常选用单输入单输出形式，其输入/输出关系为： （3.1）

33、式中为模糊化神经元的输出； 为神经元的输入； 为模糊化函数，通常取分段函数当系统的模糊变量基本状态隶属度函数比较复杂时，模糊变量的基本状态的模糊化常采用模糊化网层来实现。此时网层中模糊化神经元的输入/输出关系则采用与模糊变量某一基本状态隶属度函数相对应的形式，其输入/输出关系为： （3.2）式中为模糊化神经元与基本状态的隶属度函数相对应的形式。(2) 模糊逻辑神经元在模糊神经网络中，最经常使用的一类模糊神经元是模糊逻辑神经元，这是一类多输入单输出类型的神经元，其输入/输出关系为： （3.3） （3.4）式中为神经元的个输入，其值取区间0，1上的值；为神经元联接权值，其值取区间0，1上的值；为神

34、经元内部状态；为输出函数，常取为单调升函数；为神经元的输出，其值取区间0，1上的值；为神经元阈值；为模糊逻辑函数，其具体形式可根据实际需要确定。(3) 去模糊神经元去模糊神经元是一类可将以“分布值”表示的输出结果以“确定性”的形式输出的信息处理单元。去模糊化神经元所表达的输入/输出关系为： （3.5）式中为去模糊函数。为了将“分布值”转化为“确定性值”，去模糊函数的功能包括映射和逼近。具有特定功能的去模糊函数不易给出，通常可选用提取“分布值”的最大值方法和提取“质心”方法。所谓提取最大值方法，是指提取“分布值”函数的最大值处的点值为确定性输出值。而所谓提取“质心”方法，是指提取“分布值”函数“

35、质心”处的值作为确定性输出。3.1.3 模糊系统与神经网络的连接方式根据模糊系统和神经网络连接的形式和功能，两者结合的形态可以归纳成如下5大类：(1) 松散型结合在系统中，对于可用Ifthen规则来表示的部分可用模糊系统描述，而对于很难用If-then规则来表示的部分，则用神经网络来表示，两者之间没有直接联系。(2) 并联型结合模糊系统和神经网络在系统中按并联方式连接，即享有共同的输入。按照两系统起的作用的轻重程度，还可分为同等型和补助型，如图3.1所示。在补助型中，系统的输出主要由一个子系统(模糊系统或是神经网络系统)决定，而另一个系统的输出起补偿作用。这种情况往往是在周围环境产生变化时，一

36、个系统的输出会产生偏差，需另一个系统进行补偿。模糊系统神经系统（a）同等型模糊系统神经系统（b）补助型图3.1 并联型结合(3) 串联型结合模糊系统和神经网络在系统中按串联方式联接，即一方的输出成为另一方的输入，如图3.2所示。这种情形可看成是两段推理或者串联中的前者作为后者输入信号的预处理部分。例如，用神经网络从原始输入信号中提取有效的特征值，作为模糊系统的输入，这样可以使获得模糊规则的过程变得容易。反之，以模糊系统对信号进行处理，然后用神经网络进行故障诊断则会提高精度。模糊系统神经网路（a）模糊系统在前面神经网络模糊系统（b）神经网络在前面图3.2 串联型结合(4) 网络学习型连接整个系统

37、由模糊系统表示，但模糊系统的隶属函数等由神经网络的学习来生成和调整，如下图3.3所示。模糊系统神经网络图3.3 网络学习型结合(5) 等价结构型模糊系统由一等价结构的神经网络表示。神经网络不再是一黑箱，它的所有节点(由数字1,2,7,8代表)和参数都具有一定的意义，即对应模糊系统的隶属函数或推理过程，如下图3.4所示。12345678图3.4 结构等价型结合上面的五种集合类型中，前三种可以先将系统分成模糊系统和神经网络，然后再利用各自的方法分别处理，因此不太适合复杂系统的故障诊断。第四种是以模糊系统为主，系统的总体性能差，缺少智能型，最后一种集合方式建立的智能模糊神经网络故障诊断系统总体性能好

38、。本文将主要针对等价结构型与串联型两种类型的模糊神经网络进行介绍。3.2 分散型模糊神经网络方案的设计首先了解模糊神经网络的故障诊断机理，然后将实际采集的飞机水平尾翼的声发射信号实验数据与模糊神经网络的理论及方法相结合，对飞机水平尾翼的裂纹故障进行有效诊断。本课题模糊神经网络智能故障诊断器的设计主要包括样本的选取、输入样本的模糊化处理、神经网络的训练与诊断、去模糊化处理及诊断结果输出几个部分。本章将对这几个部分作简要介绍。3.2.1分散型模糊神经网络的结构模糊神经网络（Fuzzy Neural Network,简称FNN）是全部或部分采用模糊神经元所构成的一类可处理模糊信息的神经网络系统。基本

39、的模糊神经元包括：模糊化神经元、去模糊化神经元和模糊逻辑神经元。模糊化神经元接受离散或连续的、确定或模糊的单元输入，输出由系统模糊变量基本状态隶属度函数所确定的标准化值。去模糊化神经元可将以“分布值”表示的输出结果以“确定性值”的形式输出。模糊逻辑神经元则以多输入、单输出的形式实现模糊逻辑函数或模糊整合函数。图3.5为模糊神经网络的一般组织结构。其中每个节点层的节点数及权值可以通过模糊系统所采用的具体模块形式而预置，其隶属度函数和模糊规则是通过一定的学习算法产生的。模糊神经网络的具体结构则因模糊系统的具体描述方式、网络学习算法和节点函数选取的不同而异。 确定性输入模糊化运算模糊推理清晰化运算确

40、定性输出 图3.5 模糊神经网络的逻辑结构模糊神经网络有很多种类型，与一般神经网络相似，通常可以分为前向型模糊神经网络和反馈型模糊神经网络两大类。前向型模糊神经网络是一类可以实现模糊映射关系的模糊神经网络。一般来说，一个前向型模糊神经网络可以由五层组成，分别为输入层、模糊化层、模糊推理层（模糊关系映射网层）、去模糊化层和输出层。图3.6为含有两个输入层节点、一个输出节点的一个基本前向模糊神经网络的结构。输入层是指接受外部输入信号的一层，并将输入值（如直接测量值或处理过的数据）传送给模糊化层的模糊单元。模糊化层的作用是按照模糊规则将输入值转换为一定的模糊度，是对模糊信息进行预处理的网层，主要由模

41、糊化神经元组成。模糊推理层是前向型模糊神经网络的核心，联系着模糊推理的前提和结论，精确的说是模糊推理的基本模糊状态和结论变量的基本模糊状态，其网络参数即为模糊推理过程中前提变量的基本模糊状态和结论变量的基本模糊状态之间的模糊关系，它们是由具体的问题所确定的。所以说，模糊推理层可以模拟执行模糊关系的映射，以实现模糊模式识别、模糊推理和模糊联想等。去模糊化层接受经中间层处理的数据，并按照模糊度函数将这些数据进行非模糊化处理，即将推理结论变量的分布型基本状态转化成与网络输入值相应的确定状态的量，这在模式识别中非常必要。最后由输出层给出问题的确定性求解结果。X1A11A12A21A22A23A33A3

42、2A31yX2 输入层 模糊化层 模糊推理层 去模糊化层 输出层图3.6 模糊神经网络结构模型这样构成的模糊神经网络除具有一般神经网络的性质和优点外，还可以有一些特殊的性质：由于采用了模糊数学中的计算方法，使得一些处理单元的计算变得较为简便，信息处理的速度显著加快；由于采用了模糊化的运行机制，系统的容错能力大大加强。最主要的是，模糊神经网络扩大了系统处理信息的范围，即系统可同时处理确定性信息和非确定性信息；同时它大大强化了系统处理信息的手段，使系统处理信息的方法变得更加灵活。反馈型模糊神经网络主要是一类可实现模糊联想存储和映射的网络，也称模糊联想存储器。3.2.2 样本的选取本文所采用的是飞机

43、水平尾翼原始声发射信号的经过EMD分解的能量特征值，该数据是2组特征数据分别存放在文件good中和文件bad中，其中文件good中存放的是未产生裂纹的数据，文件bad中存放的是已产生裂纹的数据。本文选取的训练样本trndata、测试样本tesdata分别是由50组特征数据构成的504矩阵如表4.1、4.2所示。其中的前25组特征数据是未产生裂纹的数据（来自文件good中X组特征数据中的前25组），后25组特征数据是产生裂纹的数据（来自文件bad中X组特征数据中的前25组）。测试样本tesdata是一个由50组特征数据构成的504的矩阵，其中的前25组特征数据是未产生裂纹的数据（由文件good中

44、前25组的后10组添加扰动后产生的数据），后25组数据是产生裂纹的数据（由文件bad中前25组特征数据中的后10组添加扰动后产生的数据）。3.2.3 输入样本的模糊化处理将模糊的概念结合于网络输入层和输出层之中，对被诊断信号进行模糊量化后使其输入是具有语义性质的隶属度，输出也是模糊集的隶属度。由于其输入输出都是隶属度，所以既可处理语义形式的输入，又可适应在分类上具有模糊性质的数据。其诊断结果不再是单一的分类结果，而是各类的隶属度。因此，将输入样本送到神经网络输入层之前需要经过模糊量化。在输入样本的模糊化处理过程中，寻找恰当的隶属函数是非常关键的。一般隶属度函数的选择要遵守3个原则：(1) 表示

45、隶属函数的模糊集合必须是凸模糊集合；(2) 变量所取的隶属函数通常是对称和平衡的；(3) 隶属函数要遵从语意顺序并避免不恰当的重叠。根据以上原则及相关参考文献，本文选择了两种模糊隶属度函数对输入样本进行模糊化处理，分别为高斯型隶属度函数（公式3.6）及钟型隶属度函数（公式3.7）： (3.6)这里参数x用于指定变量的论域，c代表函数中心点，代表函数曲线的宽度。 (3.7)3.2.4 神经网络设计的一般原理虽然神经网络目前应用比较广泛、研究比较多。但关于它的开发设计到目前为止还没有一套完整的理论。大多数是根据使用者的经验来设计网络结构、功能函数、学习算法、样本等。一般神经网络的参数设置步骤如下：

46、(1) 神经网络输入与输出参数的确定 输入量的选择a. 输入量必须选择那些对输出影响大且能够检测或提取的变量。b. 各输入量之间互不相关或相关性很小。从输入、输出量性质分类来看，可以分为两类：数值变量和语言变量。数值变量又可以分为连续变量或离散变量。如常见的温度、压力等就是连续变量；语言变量是用自然语言表示的概念。如红、绿；男、女；大、小；亮、暗等。一般来说，语言变量在网络处理时需要转化成离散变量。c. 输入量的表示与提取。大多数情况下，直接送给神经网络的输入量无法直接得到，常常需要用信号处理与特征提取技术从原始数据中提取能反映其特征的若干参数作为网络输入。本设计选择的是原始声发射信号的小波包分解系数的能量特征值作为网络的原始输入。 输出量的选择与表示a. 输出量一般代表系统要实现的功能目标，如分类问题的类别归属等。b. 输出量表示可以是数值也可以是语言变量。本设计的输出形式为数值表示法，即用0，1之间的连续的数据表示，也称模糊隶属函数表示法。(2) 训练样本集的设计网络的性能与训练用的样本密切相关