基于减聚类和T-S模糊神经网络的转台故障诊断系统

　　转台作为一类精密测试和仿真设备，主要用于惯性元器件(陀螺仪、加速度计等)、惯性平台的测试和仿真试验[1]。转台的可靠性直接影响试验的置 信度，因此研制高精度、高可靠性的转台具有十分重要的现实和战略意义。转台的故障底事件与征兆信号之间存在复杂的非线性映射关系，它限制了传统的诊断技术 对故障的精确定位。结合Takagi-Sugeno 模糊模型[2]与神经网络，构造出了具有自适应学习能力的神经模糊系统，很好地解决了这个问题。与一般用 IF-THEN 的模糊语言总结的规则不同，本文所使用的经验数据由被诊断对象的观测量和对应的故障类型两部分构成，是以清晰数值形式表示专家的诊断经验[3]。减聚类的 目的是从大量数据中识别出具有相同特征的数据并由某一数据表示。

　　故障与征兆之问的复杂非线性映射关系可以由 T-S 型模糊神经网络实现，同时实测数据中的噪声可以通过抗噪声训练算法抑制。

　　1 转台的故障分析

　　本文针对由旋转变压器和感应同步器作为角度测量元件的转台故障诊断问题展开研究。通过分析转台的故障类型和观察故障征兆，选取合适的特征信号， 建立故障特征信号与故障原因的对应关系。首先，通过从事转台的研究和使用过程中所遇到的故障经验进行总结，转台的故障种类总体上可分为以下五大类：软件故 障、测角系统故障、控制系统故障、通讯系统故障和机械台体故障。

　　其次，当系统发生故障时，系统中的各种可测的或不可测的量表现出与正常状态不同的特性，这种差异就包含丰富的故障信息，如何找到这种故障的特征描述，并利用它来进行故障的检测隔离就是故障诊断的任务。

　　最后，通过对转台机械结构、电气特性和控制系统的深入分析，并结合收集的专家经验知识，确立了转台故障底事件与征兆特征信号的对应关系，如表 1 所示。表中相同的阿拉伯数字标记了不同表现的同一特征信号，如“②”标记转台的运行状态，包含停机、飞车、振动和正常等四种具体表现。

　　2 T-S 型模糊神经网络模型

　　T-S 型模糊神经网络既结合了模糊逻辑推理和神经网络自学习的优点，又可以精确地实现 T-S 型模糊规则，这对复杂系统的故障诊断更容易获得正确的决策[4]。

　　T-S 型模糊规则为：

　　图 1 所示为 T-S 型模糊神经网的模型。该网络由前件网络和后件网络两部分组成，分别用来匹配 T-S 型模糊规则的前件和后件。( 1,2, ,)ix i = n为输入量，表示故障征兆特征信号值。该网络中各层神经元的功能如下：