基于模糊神經網絡的電機故障預測新方法

1引言
系統的狀態(tài)預測是故障診斷中必不可少的一個環(huán)節(jié)，是診斷技術的重要目標之一。基于模糊神經網絡的預測是一種非參數模型預測。在用模糊神經網絡進行預測時，現有的方法一般是利用大量已獲得的觀測數據即樣本數據進行一次建模，然后在預測時不再進行學習，即網絡參數不變。隨著時間的推移，這種利用歷史數據建立的模型不能完全反映時間序列近期和現時的特性，需要隨著新數據的積累不斷調整網絡模型的參數，使模型不斷完善。因此，本文提出一種新的模糊神經網絡算法，即在原有算法的基礎上引入時差法，該方法在某種程度上能實時地根據觀測數據和預測結果不斷調整模型參數，使模型盡可能完善，從而提高預測精度。
2模糊神經網絡
模糊神經網絡（Fuzzy Neural Network）是模糊系統與神經網絡的結合，通過神經網絡實現模糊邏輯，同時利用神經網絡的自學習能力，動態(tài)調整隸屬度函數、在線優(yōu)化控制規(guī)則。二者的融合彌補了神經網絡在模糊數據處理方面的不足和純模糊系統在學習方面的缺陷。
我們采用的是一種串形結構的多層前向模糊神經網絡，如圖1所示.該模型有四層，分別為輸入層，隸屬函數生成層（模糊化層），推理層及反模糊化層。