模糊神经专家系统在风机实时状态监测与故障诊断中的应用林家国，刘晓波9江西理工大学机电工程学院，江西赣州341000）处理、小波分析、神经网络和专家系统等先进的诊断方法及信号处理技术，提出了一种新型的模糊神经专家状态监测与故障诊断方法，并采用先进的VisualC语言及模块式设计，为提高故障诊断准确性和实时性提供了可靠保证。

　　概述随着科技的发展，风机设备的复杂化和自动化难免给诊断带来很大困难，广泛利用专家系统对机组实时监测和故障诊断，能使领域专家知识和经验得以再现和传播，提高了机组运行的可靠性和效率但专家系统的知识获取、推理能力、自适应能力及对专家知识的依赖性等先天不足制约了它的进一步发展。而神经网络可通过实例学习，实现知识自动获取、并行推理机制及自适应能力强并能存储有关过程的知识，能直接从故障信息中学习，因此专家系统与神经网络有机结合可实现优势互补，进行模糊化处理能提高诊断的准确性，进一步提高系统的性能。本系统集中了神经网络和专家系统的优点，采用VisualC++语言及模块式设计，具有良好的人机交互功能，系统总体结构如。

　　基金项目：江西省科技厅资助项目（200210200211）。

　　系统总体结构模糊神经专家系统诊断原理系统首先对采集的实时信号进行小波分析及FFT分析，并进行模糊化处理，得到特征向量分别送神经网络诊断和专家诊断。采用小波基函数实现对模糊隶属函数实时调整'3（，并调整模糊规则使其具有自适应能力。在诊断中神经诊断和专家诊断采用协同方式工作，二者同时进行故障诊断处理，当结果一致时直接输出诊断结果；若不一致则调整网络权值重新诊断后输出，若此时结果偏差很大则输出各自结果，否则可直接输出结果。模糊神经网络专家系统的建立过程是根据模糊神经网络的推理机制的特点建立知识库的过程，实质上是知识库的初始化，而知识库是已获取的领域专家知识的语言表示形式。模糊神经专家诊断系统的工作过程是知识的应用过程及对诸多规则的检验过程，系统的自学习是对知识库的完善和修正，基于知识库的容量和故障发生的概率考虑，不可能通过学习对已经建立的知识库中全部规则作彻底的调整，因此知识库的初始化是**位的，学习手段是第二位的，是以对故障未能做出正确诊断为代价的对知识库进行补充和修正的过程。诊断知识库的组建包括两个过程：知识的获取和知识的存储。知识表示同时采用显性表示和隐性表示，通过领域专家提供学习实例及期望解实现知识的自动获取，并修改网络的权值分布，实现无师竞争学习，得到稳定的知识数据库。推理采用模糊推理与正、反向推理相结合来提高推理能力网络结构采用四层自组织竞争网络。竞争型网络的基本思想是网络竞争层各神经元竞争对输入模式的响应机会，*后仅一个神经元成为竞争的胜者，且只将与获胜神经元有关各连接权值进行修正，使之朝有利于竞争的方向调整。神经网络工作时，对某输入模式，网络中与该模式*相近的学习输入模式相对应的竞争层神经元将有*大输出值，即以竞争层获胜神经元来表示分类结果。竞争BP算法权值调整公式为：模糊神经专家系统的主要功能本系统主要包括状态监测与故障诊断两大部分，主要功能如模糊神经专家系统功能14江西理工大学学报2006年12月实时状态监测以风机振动信号为例，通过控制系统定时器来实现的，每间隔一段时间采集一组数据，并绘图显示采集的数据，从而形成动态效果。动态的波形显示可对工业设备状况进行实时、直观的监测。界面起到了直接显示数据的作用，而后台运行的是数据采集部分。其状态监测情况如、数据采集模块。本系统采用研华的高性能工业采集卡PCL 1800，对风机各类相关数据进行实时采集与处理。

　　信号处理。通过各种传感器采集的风机实时信号经信号调理、采样后再通过傅里叶变换或小波变换等处理，并模糊化后得到特征向量，作为模糊神经和专家系统诊断的输入，为进一步故障诊断提供了准确依据。

　　报警处理。系统对风机进行实时状态在线监测，当采集的实时信号超过设定的警戒值时，系统将自动启动报警系统，并同时把数据送系统进行进一步处理。

　　趋势分析模块。对风机运行状态的关键参数的发展趋势进行预测，是实现故障预报的必要条件和提高诊断系统实时性的重要手段。本模块用神经网络模型训练历史数据，对未来一定时期内机组的运行状况进行趋势预测。

　　16）数据查询模块。本模块提供风机相关数据查询功能，包括各种实时监测数据、风机运行数据、报警数据和历史数据等查询服务。

　　（7）故障诊断。主要包括人工诊断、模糊神经诊断、专家系统诊断、模糊神经专家系统诊断和远程诊断等（5各种诊断方法是并存的，可选择任一种使用，系统默认为模糊神经专家系统诊断。

　　诊断实例以福建三钢OG风机来说明本系统的实际应用。为保证机组监测运行状态的准确性和系统诊断结果的可靠性，应选择*有代表性、*能够反映风机运行状态的监测点。监测点的确定总原则是：①能对设备振动状态做出全面的描述；②应是设备振动的敏感点；③应是离机械设备核心部位*近的关键点；④应是容易产生劣化现象的易损点。

　　本例中各测点分布如所示，各测点数据见表1.测点分布风机前轴水平风机前轴垂直风机后轴水平风机后轴垂直风机轴风机壳水平风机壳垂直电机前袖水平电机前轴垂直电机后轴水平电机后轴垂直从表1数据可以看出，风机的振动已十分严重。其峰值明显偏高，高频谐波很大，且轴心轨迹不正常，初步判断为转子不正常。将各测点数据经模糊化后输入神经网络进行数据处理（―级神经网络判断参数变化趋势，二级神经网络进行故障分析），得到系统“潜在故障”由输出神经元输出，并将输出结果在专家系统中进行模糊化处理。得到故障原因和解决方案并及时启动报警系统。下面利用模糊神经专家系统进行诊断，单击模糊神经专家诊断按钮，可直接得到系统诊断情况和诊断结果。其输出结果如所示。

　　诊断结果结束语通过利用模糊神经专家系统进行故障诊断，能准确及时地判断出故障原因、损害程度及诊断可信度等，能方便地了解和预测风机的运行情况和故障原因，它是一种更先进的状态监测和故障诊断系统，可直接应用于工程实践，可避免重大事故隐患和财产损失，并带来可观的社会效益和经济效益。本文主要是基于风机的状态监测和故障诊断系统，当然也可应用于其它方面的状态监测和故障诊断，系统本身也在不断完善中