邱建東 （蘭州交通大學(xué) 機(jī)電技術(shù)研究所，甘肅 蘭州730070）

QIU Jian-dong (Mechatronic T & R Institute, Lanzhou Jiaotong University, Lanzhou 730070, China)

0 引 言

航空貨運(yùn)伴隨經(jīng)濟(jì)全球化進(jìn)程和日益激烈的企業(yè)競(jìng)爭(zhēng)得到了飛速發(fā)展。航空貨運(yùn)是高附加值高速高效的貨運(yùn)手段，在貨物運(yùn)輸總時(shí)間中，機(jī)場(chǎng)貨運(yùn)站貨物處理時(shí)間占據(jù)了近80%，因此貨運(yùn)站工作效率高低直接影響到航空貨運(yùn)的效率。貨運(yùn)站中物流裝備的工作效率及平均無(wú)故障運(yùn)行時(shí)間是保障整體效率的關(guān)鍵因素之一。

升降式轉(zhuǎn)運(yùn)車（Elevating Transfer Vehicle, ETV） 是大型機(jī)場(chǎng)貨運(yùn)站內(nèi)結(jié)構(gòu)剛度、制作精度、安全性要求最高、貨物存取動(dòng)作最多、控制策略最復(fù)雜的大型機(jī)電設(shè)備，是一個(gè)大型航空貨運(yùn)站貨運(yùn)能力的標(biāo)志。作為控制性核心設(shè)備，在ETV 發(fā)生較復(fù)雜故障時(shí)，能夠快速診斷并處理，就顯得尤為重要。

ETV 的基本結(jié)構(gòu)如圖1 所示，由于ETV 本身的復(fù)雜性，它的復(fù)雜性故障原因與征兆之間呈現(xiàn)出較復(fù)雜的邏輯關(guān)聯(lián)關(guān)系，呈現(xiàn)出“多因一果”、“多因多果”、“一因多果”等特點(diǎn)，很難用單一的判別函數(shù)進(jìn)行故障分離和解析。因此，考慮使用神經(jīng)網(wǎng)絡(luò)+模糊推理系統(tǒng)融合的模式進(jìn)行診斷判別研究。

1 模糊神經(jīng)網(wǎng)絡(luò)

模糊推理（Fuzzy System, FS） 技術(shù)和神經(jīng)網(wǎng)絡(luò)（Neural Network, NN） 能夠很好的融合，源于兩者的相似性。兩者均是具有并行處理能力的非線性輸入/輸出系統(tǒng)。FS 和NN 融合，將符號(hào)處理（物理符號(hào)機(jī)制） 和非符號(hào)處理（聯(lián)絡(luò)機(jī)制） 進(jìn)行了有效關(guān)聯(lián)，將不精確處理與精確處理做了很好的互補(bǔ)。因此，融合有助于提高模糊推理系統(tǒng)的自適應(yīng)能力，同時(shí)提高了NN 的全局性能與可觀測(cè)性。這里選用Mamdani 模型FS 和BP-NN 進(jìn)行融合。

Mamdani 模型選用極大—乘積復(fù)合推理范式，規(guī)則形式一般為：

圖1 機(jī)場(chǎng)升降式轉(zhuǎn)運(yùn)車

圖2 BPNN-FS 結(jié)構(gòu)

堆垛機(jī)故障診斷屬于多輸入—多輸出（MIMO） 的模糊推理系統(tǒng)，為研究方便，可以將其分解成多個(gè)多輸入—單輸出（MISO） 的系統(tǒng)，給出系統(tǒng)結(jié)構(gòu)如圖2 所示。

該系統(tǒng)分成5 層，第一層為輸入層，第二層對(duì)應(yīng)模糊系統(tǒng)條件（IF），輸出輸入變量對(duì)應(yīng)模糊集的隸屬度函數(shù)，在本系統(tǒng)中，隸屬度生成函數(shù)使用高斯函數(shù)：

第三層是推理層，輸出對(duì)應(yīng)每條規(guī)則的適應(yīng)度，πi節(jié)點(diǎn)是乘法器。輸出為所有輸入的乘積，設(shè)為αi，αi的計(jì)算如（5） 所示：

由圖2 結(jié)構(gòu)看，該神經(jīng)模糊系統(tǒng)本質(zhì)和多層前饋神經(jīng)網(wǎng)絡(luò)是一致的，可以參考BP 神經(jīng)網(wǎng)絡(luò)的誤差反傳算法來(lái)調(diào)整參數(shù)。這里面主要需要調(diào)整的參數(shù)為隸屬度函數(shù)的寬度和中心值此外還有第四層輸出規(guī)則置信度wi。參數(shù)調(diào)整公式有：

式中，η 為學(xué)習(xí)率，一般取大于零的數(shù)。c為輸出的數(shù)據(jù)個(gè)數(shù)，mi是ui的模糊分割數(shù)。

2 故障征兆采集與模糊處理

根據(jù)現(xiàn)場(chǎng)試驗(yàn)和專家維修經(jīng)驗(yàn)，通過(guò)技術(shù)資料整理歸納，做出故障征兆信息的隸屬度分布。

對(duì)復(fù)雜故障，主要界定一級(jí)故障原因。堆垛機(jī)復(fù)雜故障一級(jí)原因主要有：y1檢測(cè)控制光電未報(bào)警失效；y2通信故障；y3軟件故障；y4變頻器故障；y5電機(jī)減速器滾筒故障；y6鋼結(jié)構(gòu)變形故障。同時(shí)確定故障的模糊范疇描述，如表1 所示：

表1 故障的模糊描述

根據(jù)設(shè)計(jì)人員、維修人員、工程專家及現(xiàn)場(chǎng)歸納，做出如表2 所示的故障征兆與故障原因?qū)?yīng)關(guān)系的模糊規(guī)則庫(kù)，同時(shí)該庫(kù)作為神經(jīng)模糊系統(tǒng)網(wǎng)絡(luò)的訓(xùn)練樣本。

表2 堆垛機(jī)故障征兆與原因?qū)?yīng)關(guān)系

3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練與故障診斷

神經(jīng)模糊系統(tǒng)結(jié)構(gòu)模型本質(zhì)是BP 神經(jīng)網(wǎng)絡(luò)，因此也存在著一些BP 神經(jīng)網(wǎng)絡(luò)固有的缺陷，例如容易陷入局部極值、收斂速度慢等。此外，隸屬度函數(shù)的參數(shù)a和以及規(guī)則權(quán)重值wi等都嚴(yán)重依賴專家經(jīng)驗(yàn)，而B(niǎo)P 網(wǎng)絡(luò)訓(xùn)練時(shí)對(duì)初始權(quán)值和閾值非常敏感，容易造成優(yōu)化失敗。采用粒子群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)是目前比較通用的一種做法，它是利用粒子群算法經(jīng)驗(yàn)參數(shù)依賴度低、全局搜索能力強(qiáng)、并行計(jì)算等優(yōu)點(diǎn)來(lái)提高BP 權(quán)值訓(xùn)練速度，避免陷入局部極小比，提升其推廣概括能力。

本文采用的粒子群優(yōu)化BPNN 的方式是：在確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，將BP 網(wǎng)絡(luò)的權(quán)值按統(tǒng)一的次序排列為一個(gè)向量的元素，將該向量作為粒子群中的一個(gè)粒子，然后將BP 神經(jīng)網(wǎng)絡(luò)正向傳播過(guò)程得到的誤差作為PSO 算法的適應(yīng)度函數(shù)，由BP 神經(jīng)網(wǎng)絡(luò)和PSO 算法的循環(huán)迭代來(lái)找到最佳的BP 網(wǎng)絡(luò)的權(quán)值。

采用PSO 優(yōu)化方法，其中粒子編碼長(zhǎng)度為（5+5+3+5+3+5+3+2+2）×2+7×6=108。設(shè)定訓(xùn)練目標(biāo)均方誤差目標(biāo)為0.001，最大循環(huán)次數(shù)為10 000 次。PSO 的參數(shù)設(shè)定為：c1,c2分別設(shè)為2.5、1，慣性權(quán)重w采用由shi 提出的線性遞減權(quán)重策略，即：

式中：wmax=0.9，wmin=0.4，t為當(dāng)前迭代次數(shù)；最大限制速度Vmax。算法優(yōu)化網(wǎng)絡(luò)訓(xùn)練情況如圖3 所示。網(wǎng)絡(luò)的仿真輸出如表3 所示，采用PSO 優(yōu)化方法，經(jīng)過(guò)130 次左右的訓(xùn)練，誤差滿足要求，網(wǎng)絡(luò)訓(xùn)練成功。

系統(tǒng)輸出故障原型的隸屬度向量y，通過(guò)判斷分析y來(lái)確定故障原因。故障原因分析可以采用最大隸屬度原則，即將輸出層中最大隸屬度節(jié)點(diǎn)作為故障原因，這種方法雖然可行，但是和實(shí)際現(xiàn)場(chǎng)是有差異的。作為一臺(tái)機(jī)電一體化設(shè)備，堆垛機(jī)融合了計(jì)算機(jī)技術(shù)、通信技術(shù)、電子技術(shù)、控制理論等多門學(xué)科理論與技術(shù)，其復(fù)雜故障，往往不是一個(gè)單一的原因造成的，往往是由主要原因和輔助原因共同作用產(chǎn)生的結(jié)果，這就是“一果多因”的情況。因此需要根據(jù)輸出結(jié)果，綜合表1 設(shè)定的故障模糊輸出隸屬度，來(lái)綜合判定系統(tǒng)的輸出代表的故障類型。

表3 網(wǎng)絡(luò)仿真輸出與目標(biāo)輸出的對(duì)比

選擇一個(gè)非樣本輸入，檢測(cè)系統(tǒng)的容錯(cuò)和泛化能力。輸入故障征兆：

得到網(wǎng)絡(luò)輸出為：

采用故障模糊隸屬度判斷，該故障主要原因應(yīng)該是電機(jī)故障，但是變頻器可能也有故障存在，優(yōu)化計(jì)算得到的結(jié)論與工程現(xiàn)場(chǎng)實(shí)際做出的判斷相符合。根據(jù)分析建立的故障診斷系統(tǒng)，加入了在北京首都國(guó)際航空貨運(yùn)站中集天達(dá)空港工程有限公司堆垛機(jī)控制系統(tǒng)中，作為控制系統(tǒng)的一個(gè)獨(dú)立功能模塊存在。通過(guò)實(shí)際驗(yàn)證，系統(tǒng)能夠有效準(zhǔn)確地對(duì)堆垛機(jī)復(fù)雜故障作出有效的故障原因分析，對(duì)復(fù)雜多原因的情況，能夠給出可能原因的置信度，使維修工作能夠有重點(diǎn)，同時(shí)不放過(guò)其他可能性，更加符合現(xiàn)場(chǎng)的實(shí)際應(yīng)用。

圖3 PSO 優(yōu)化BPNN 結(jié)果

4 總 結(jié)

經(jīng)現(xiàn)場(chǎng)統(tǒng)計(jì)，使用了該系統(tǒng)后，堆垛機(jī)的MTBF 從原設(shè)計(jì)的500 小時(shí)提升到了978 小時(shí)左右，說(shuō)明該系統(tǒng)對(duì)故障的定位分析準(zhǔn)確。將故障處理在萌芽狀態(tài)，是提升MTBF 的有效途徑。同時(shí)由于建立了故障征兆信息實(shí)時(shí)提取系統(tǒng)，將定量的一些指標(biāo)參數(shù)實(shí)時(shí)輸入系統(tǒng)，其系統(tǒng)就具備了故障的預(yù)判功能，在征兆剛出現(xiàn)的時(shí)候，就能夠綜合判斷可能會(huì)發(fā)生的故障，從而為設(shè)備的維護(hù)保養(yǎng)提供了科學(xué)的參考依據(jù)。

[1] Javier Garcia F, Virginia Izquierdo, Miguel Luis J.de, et al. Fault diagnostic system using analytical fuzzy redundancy[J]. Engineering Application of Artificial Intelligence, 2000,13(2):441-450.

[2] Vemuri AT, Marios M P. Neural network-based robust fault diagnosis in robotic systems[J]. IEEE Trans. on Neural Networks,1997,8(6):1410-1419.

[3] 李醫(yī)民，胡壽松. 模糊神經(jīng)網(wǎng)絡(luò)技術(shù)在故障診斷中的應(yīng)用[J]. 系統(tǒng)工程與電子技術(shù)，2005,27(5):948-952.

[4] 湯旻安. 基于軟計(jì)算融合的城市道路交通資源選址研究[D]. 蘭州：蘭州交通大學(xué)（博士學(xué)位論文），2011.

[5] 牛強(qiáng). 語(yǔ)義環(huán)境下的礦井提升機(jī)故障診斷研究[D]. 徐州：中國(guó)礦業(yè)大學(xué)（博士學(xué)位論文），2010.

[6] 李國(guó)勇. 基于模糊神經(jīng)網(wǎng)絡(luò)的車用發(fā)動(dòng)機(jī)智能故障診斷系統(tǒng)[J]. 系統(tǒng)仿真學(xué)報(bào)，2007,19(5):1034-1037.

[7] 李曉艷. 基于BP 算法的礦井提升機(jī)故障診斷系統(tǒng)的研究[D]. 青島：山東科技大學(xué)（碩士學(xué)位論文），2007.