4、神经网络 - 模糊系统混合技术在故障诊断与知识集成中的应用

神经网络 - 模糊系统混合技术在故障诊断与知识集成中的应用

1. 故障诊断中NN - FS混合方法

在故障诊断领域，神经网络（NN）与模糊系统（FS）的混合技术（NN - FS HIS）展现出了独特的优势，但也面临着一些挑战。

1.1 模型训练与结构问题

在某些情况下，模型的结构可能并不合适，训练也未完全完成。例如，一个具有64条规则的模型，经过适当且完整的训练后，应具有重叠的隶属函数和许多具有相似结果的输入区域。但这需要对模型进行后处理以简化，然而这一任务比先预测模型的正确结构，再进行训练更为复杂。

1.2 基于神经模糊的残差评估

在诊断系统的残差生成部分，用户应更关注NN - FS HIS模型的准确性，同时也期望模型具有可解释性，如TSK NN - FS HIS模型。而在评估部分，故障分类器以人类可理解的术语（如分类规则）呈现的透明度或可解释性更为重要。

NN - FS HIS故障分类的主要问题是如何获得一个可解释的模糊分类器，它应具有少量有意义的模糊规则和输入/输出变量的语言规则。Mamdani模糊模型的NN - FS HIS网络结构是评估残差和进行故障隔离的合适工具，因为规则的结果包含语言值，比TSK模糊模型中的线性模型更易读。不过，为了获得分类器的可解释性，会牺牲一定的分类精度。

为了训练NN - FS HIS网络（Mamdani NFNs）以隔离故障，每种故障使用了150个模式。网络对残差值的决策与已知的故障行为相关联。为了获得可读的故障分类器，使用了NEFCLASS神经模糊分类器，它允许用户以简单交互的方式获得具有所需精度和透明度的FS故障分类器。

以下是模拟