1引言

系統的狀態預測是故障診斷中必不可少的一個環節，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，動態調整隸屬度函數、在線優化控制規則。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。

取相鄰 12個峰峰值數據為一組訓練樣本，第 13個數據作為訓練目標。這樣共取 10組用來訓練網絡。將最為接近的數據作為訓練樣本，并隨系統采樣而不斷更新訓練樣本，以便用最接近的數據來得到更準確的預測結果。運用 Matlab中的神經網絡工具箱進行仿真，通過測試，選取輸入為 12，最大循環次數（epoch）為 50，期望誤差最小值為0.001。其預測過程如圖4所示，預測分析如表1所示。

預測結果與實際結果相比，其絕對誤差最大值等于 0.06，結合現場傳感器的測量誤差，可以認為這些數據基本滿足實際的電機正常運行的預測要求。

5 結論

本文將模糊神經網絡與時間序列結合起來，并引入時差法，建立了新的預測模型，并以電機運行時的振動電壓峰峰值為依據，對電機的運行狀態做了預測。檢測結果表明：該預測模型的預測精度較高，誤差小，是一種較為實用可行的方法。

責任編輯：gt