CN101540009B - 预测设施与设备故障的方法 - Google Patents

Abstract

一种利用模糊类神经网络，作为预测设施与设备故障的方法，该方法通过模糊类神经网络的学习模式，借助历史数据自动调整影响使用寿命因素的重要性，以预测设施设备零件的使用寿命。

Description

预测设施与设备故障的方法

技术领域

本发明有关一种预测设施与设备故障的方法，且特别是有关一种於电脑***使用模糊类神经网络预测设施与设备零件故障的方法。

背景技术

设施与设备中若有损耗性零件，则每隔一段时间就必须进行维修或更换，然而，零件的使用寿命因环境及材料的特性而有所不同。一般来说，零件的使用寿命受到一些使用因素的影响，而且在不同的情况下，各个影响因素的重要性会有所改变，为避免设施与设备的零件于维护保养前损坏或耗尽，影响其应有的功能，因此如能进一步主动预测设施设备的零件可能损坏或耗尽的时间，即可防范于未然。

发明内容

本发明的目的是提供一种预测设施与设备故障的方法，以准确地估测设施设备零件的使用寿命。

依照本发明的预测设施与设备故障的方法包含选择一指定零件，是选择一设施设备中的一零件作为指定零件。于选定了设施设备中的指定零件后，则选择会影响设施设备中的指定零件使用寿命的因素，并将每一影响因素作为输入变数。

接着根据所采用的影响因素，定义模糊规则，用以预测设施设备的指定零件的使用寿命，模糊规则定义为：

IFx₁ISμ_1j(x₁)ANDx₂ISμ₂(x₂)AND......ANDx_nISμ_n(x_n)THENyISc_j

其中x₁，....x_n为模糊类神经网络中设定的参数，即影响指定零件使用寿命的因素，将参数设定为x₁，其为指定零件使用时间，x₂为指定零件的使用频率，x₃为指定零件使用的间隔时间，x₄为温度，x₅为湿度。μ_1j(x₁)为隶属函数，y为根据各项影响因素所产生的结果，即为c_j所预测零件的使用寿命。

再根据模糊规则，建立一个模糊类神经网络来修正此模糊规则。其中，模糊类神经网络的建立方法包含决定一输入层、决定一模糊层、使用一界面层及使用一输出层。输入层包含多个神经元，神经元的个数对应输入变数的个数。模糊层包含多个群组，每一个群组包含多个神经元，每一个群组中的每一个神经元代表一个模糊隶属函数。界面层包含多个神经元，其是将模糊层的输出值相乘后输出，输出层接收界面层的输出值并将其相乘后输出。

接着，依据一数据库中的历史维护数据，对模糊类神经网络进行训练，以建立指定零件的使用寿命预测模式。然后，训练完成的模糊类神经网络，即可用以进行预测设施设备中的指定零件可能的使用寿命。

由上述本发明的方案可知，应用本发明可防范设施设备于维护保养前即损坏或耗尽，而造成设施设备无法运作，导致例行工作停止所产生的损失。

附图说明

为让本发明的上述和其它目的、特征、优点能更明显易懂，以下将配合附图对本发明的较佳实施例进行详细说明，其中：

图1是依照本发明一较佳实施例的一种预测设施与设备故障的方法的流程图。

图2是图1中的模糊类神经网络的配置图。

图3是图2中的模糊类神经网络的模糊层所使用的三角形隶属函数的示意图。

具体实施方式

在本实施例中，所谓的设施与设备包含设施、设备与家俱三大部分，设施可指一栋建筑或地方以提供特定的服务或特定的工业用途；设备可为一项工作或服务所需要的工具；家俱可为家庭所用的器具，如桌椅、橱柜等。

请参照图1，其绘示依照本发明一较佳实施例的一种预测设施与设备故障的方法的流程图。预测设施与设备故障的方法200包含选择一指定零件，如步骤210。选定影响指定零件使用寿命的因素，如步骤220。定义一预测指定零件使用寿命的模糊规则，如步骤230。建立一模糊类神经网络，如步骤240。训练此模糊类神经网络，如步骤250。推估设施设备中的指定零件可能的使用寿命，如步骤260。

选择一指定零件，如步骤210，是选择一设施设备中的零件作为指定零件。由于设施设备由许多的零件所构成，因此，一开始需选定对哪一个零件进行使用寿命的预测。以一设施设备中使用了一氮气瓶作为零件为例，在一般正常使用下，随着使用的时间长短、使用的次数等因素，会决定氮气何时会耗尽。为了预测此氮气瓶中氮气何时会耗尽，因此选择此氮气瓶作为指定零件，来对其进行使用寿命(即何时需更换)的预测。

选定影响指定零件使用寿命的因素，如步骤220。于选定了设施设备中的指定零件后，必须选择会影响设施设备中的指定零件使用寿命的因素，并将每一影响因素作为一输入变数。在本实施例中，选定了指定零件使用时间、指定零件的使用频率、指定零件使用的间隔时间、温度以及湿度等，作为设施设备中的指定零件使用寿命的影响因素。

根据所采用的影响因素，定义一预测指定零件使用寿命的模糊规则，如步骤230。本实施例使用模糊类神经网络作为预测方法，通过模糊类神经的学习模式，借助历史数据自动调整各个影响因素的重要性，进而提升预测准确度，预测指定零件(即设施设备零件)使用寿命的模糊规则定义如式(1)：

IFx₁ISμ_1j(x₁)ANDx₂ISμ₂(x₂)AND......ANDx_nISμ_n(x_n)THENyISc_j    (1)

其中x₁，....x_n为模糊类神经网络中设定的参数，即影响指定零件使用寿命的因素，将参数设定为x₁为指定零件使用时间，x₂为指定零件的使用频率，x₃为指定零件使用的间隔时间，x₄为温度，x₅为湿度。μ_1j(x₁)为隶属函数，y为根据各项影响因素所产生的结果，即为c_j所预测零件的使用寿命。在本实施例中隶属函数采用三角形隶属函数。

参照图2，其是图1中的模糊类神经网络的配置图。模糊类神经网络为结合模拟人类思考模式与人类神经运作原理的人工网络，该网络同时具有人类思考与学习的特性。根据式(1)建立一个模糊类神经网络来修正这些模糊规则。在本实施例中，模糊类神经网络包含四个阶层，此四个阶层分别为：输入层(Input Layer)310、模糊层(Fuzzify Layer)320、界面层(Intermediate Layer)330及输出层(OutputLayer)340，且其配置为一个含有J条模糊规则的模糊类神经网络，将其进一步说明如下：

输入层310包含n个神经元311，每一个神经元311配合一个输入变数。神经元311在接收输入变数的信号后，直接传递给下一层(即模糊层320)中与此神经元311相连接的其它的神经元。因此，输入层310中第i个神经元的输出值为其可表示如式(2)：

$o_i^{\left(1\right)}=p_i,\mathrm{for}1\≤i\≤n---\left(2\right)$

输入层310的神经元个数为输入变数个数，亦即在输入层310中直接将输入值p_i传送至模糊层320中，不做任何改变。

模糊层320中共有J个群组321，每个群组321包含n个神经元322，每个神经元322代表一个模糊隶属函数，可分别以式(3)、式(4)、式(5)加以表示。模糊层320中的神经元322扮演着将输入的数值转换成隶属度的角色。第j的群组321中的第i个的神经元的输出值为

其为

所对应的隶属函数。模糊层神经元个数为输入变数与模糊语意的积。

请参照图3，其是图2中的模糊类神经网络的模糊层所使的三角形隶属函数的示意图。在本实施例中所使用的隶属函数定义如图3所示，其分别由三个模糊隶属函数所组成，分别以式(3)、式(4)、式(5)加以表示如下。

$o_{1j}^2=\left\{\begin{array}{cc}1& \mathrm{when\; x}\&le;2\\ \frac{(4-x)}{2}& \mathrm{when}2<x\&le;4\\ 0& \mathrm{when\; x}>4\end{array}\right.---\left(3\right)$

$o_{2j}^2=\left\{\begin{array}{cc}1& \mathrm{when\; x}\&le;3\\ \frac{(x-3)}{2}& \mathrm{when}3<x\&le;5\\ \frac{(7-x)}{2}& \mathrm{when}5<x\&le;7\\ 0& \mathrm{when\; x}>7\end{array}\right.---\left(4\right)$

$o_{3j}^2=\left\{\begin{array}{cc}0& \mathrm{when\; x}\&le;6\\ \frac{(x-6)}{2}& \mathrm{when}6<x\&le;8\\ 1& \mathrm{when\; x}>8\end{array}\right.---\left(5\right)$

请参照图2，界面层330包含J个神经元331，每个神经元331均代表每一个规则，神经元331个数与规则数相同，且与模糊层320中的相对应神经元连结。这一层相当于规则中的前提(if…)部份，神经元331可计算输入变数与规则的符合程度(Matching degree)。每个神经元331的输出值

为将所有的输入值相乘，其可表示成式(6)：

$o_j^{\left(3\right)}={\mathrm{\&Pi;}}_{i=1}^n{o}_{\mathrm{ij}}^{\left(2\right)}---\left(6\right)$

界面层330神经元个数采用运用最广泛的法则决定，计算如式(7)所示。

$N_i=\sqrt{(N_f+N_o)}---\left(7\right)$

其中，N_i为界面层310神经元个数，N_f为模糊层320神经元个数，N_o为输出层340神经元个数。

输出层340仅包含一个神经元341，其对应一个输出变数，即可能故障的时间。将输入值相乘即为输出层结果：

$o_j^{\left(4\right)}={\mathrm{\&Pi;}}_{i=1}^n{o}_{\mathrm{ij}}^{\left(3\right)}---\left(8\right)$

此层的神经元负责将输出值进行解模糊，以获得一明确(Crisp)输出值。

接着，对模糊类神经网络进行训练，是依据一数据库中的过去维护的历史数据，执行错误倒传递算法(Error back propagation)训练模糊类神经网络，并建立零件使用寿命推估模式。错误倒传递算法是采用最陡坡降法来进行训练，以使得能量函数(误差函数)能够到达最小化。

训练完成的模糊类神经网络，即可用以进行推估设施设备中的指定零件可能的使用寿命。在本实施例中，会将预测设施与设备故障的方法200建立成一预测故障模块，并配置于一信息电脑***中。预测故障模块包含四个子功能选项，分别为管理专案功能选项，是提供使用者新增或编辑专案；设定隶属函数功能选项，是提供使用者设定隶属函数分布；训练专案功能选项，是提供使用者指定专案进行模糊类神经网络训练；以及预测故障功能选项，是提供使用者选择专案后，推估设施设备零件的寿命。

其中，管理专案功能选项包含两个子功能，分别为新增专案功能选项以及编辑专案功能选项。新增专案功能选项提供使用者输入新增专案文件名与各项参数，如：预测零件名称，预测因子及其最大最小值范围、界面层神经元数量等。编辑专案功能选项，是提供使用者对已存在的专案进行编辑或修改，来修改现有专案内容。

于操作预测故障模块时，借助使用新增专案功能选项，提供使用者选择特定零件并储存为指定名称，且可选择影响零件寿命因子与进行设定界面层神经元数量。于新增专案时，电脑***会自动产生隶属函数分布，此外，使用者亦可使用设定隶属函数功能修改隶属函数分布。

训练专案功能选项为依据过去维护历史数据，提供使用者运用模糊类神经网络建立零件寿命推估模式。预测故障功能选项是提供使用者运用训练完成的专案，推估指定零件可能的寿命，提供作为维护管理的参考。

预测故障模块的操作方式为使用者可针对特定设施设备的零件建立新专案，或依据需求修改过去专案，专案新建或修改后可依据历史数据训练模糊类神经网络，训练结果可用于推估设施设备零件可能的寿命。

虽然本发明已以一较佳实施例揭露如上，然而其并非用以限定本发明，任何熟悉此技术的人员，在不脱离本发明的精神和范围内，当可作出各种等同的改变或替换，因此本发明的保护范围当视后附的本申请权利要求范围所界定的为准。

Claims (7)

1.一种预测设施与设备故障的方法，应用于一电脑***中，包含：

一使用者通过该电脑***选择一指定零件，是选择一设施设备中的一零件为该指定零件；

该一使用者通过该电脑***选定该指定零件的使用寿命的影响因素，其中每一影响因素为一输入变数；

根据这些影响因素，定义一模糊规则，用以预测该指定零件使用寿命；

根据该模糊规则，于该电脑***中建立一模糊类神经网络，其中该模糊类神经网络修正该模糊规则，该模糊类神经网络的建立方法包含：

决定一输入层，其中该输入层包含多个神经元，这些神经元的个数对应这些输入变数的个数；

决定一模糊层，其中该模糊层包含多个群组，每一个群组包含多个神经元，每一个群组中的每一个神经元代表一个模糊隶属函数，该模糊层并产生一输出值；

使用一界面层，将该模糊层的输出值相乘后输出一输出值，其中该界面层包含多个神经元；以及

使用一输出层，接收该界面层的输出值并将其相乘后输出；

训练该模糊类神经网络，是依据该电脑***的一数据库中，关于该指定零件于过去所输入该电脑***的历史维护数据，训练该模糊类神经网络；以及

运用该训练完成的模糊类神经网络，通过该电脑***预测该指定零件的使用寿命。

2.根据权利要求1所述的预测设施与设备故障的方法，其特征在于该模糊规则定义为：

IFx₁ISμ_1j(x₁)ANDx₂ISμ₂(x₂)AND......ANDx_nISμ_n(x_n)THENyISc_j

其特征在于x₁，....x_n为这些输入变数，x₁为该指定零件的使用时间，x₂为该指定零件的使用频率，x₃为该指定零件使用的间隔时间，x₄为一温度，x₅为一湿度，μ_1j(x₁)为一隶属函数，y为根据这些输入变数所产生的结果，即为c_j所预测该指定零件的使用寿命。

3.根据权利要求2所述的预测设施与设备故障的方法，其特征在于该隶属函数为一三角形隶属函数。

4.根据权利要求3所述的预测设施与设备故障的方法，其特征在于该三角形隶属函数包含三个模糊隶属函数分别为：

$o_{1j}^2=\left\{\begin{array}{cc}1& \mathrm{when\; x}\&le;2\\ \frac{(4-x)}{2}& \mathrm{when}2<x\&le;4\\ 0& \mathrm{when\; x}>4\end{array}\right.$

$o_{2j}^2=\left\{\begin{array}{cc}1& \mathrm{when\; x}\&le;3\\ \frac{(x-3)}{2}& \mathrm{when}3<x\&le;5\\ \frac{(7-x)}{2}& \mathrm{when}5<x\&le;7\\ 0& \mathrm{when\; x}>7\end{array}\right.$

$o_{3j}^2=\left\{\begin{array}{cc}0& \mathrm{when\; x}\&le;6\\ \frac{(x-6)}{2}& \mathrm{when}6<x\&le;8\\ 1& \mathrm{when\; x}>8\end{array}\right..$

5.根据权利要求4所述的预测设施与设备故障的方法，其特征在于该训练该模糊类神经网络的步骤是采用错误倒传递算法训练该模糊类神经网络，以建立该指定零件的使用寿命预测模式。

6.根据权利要求5所述的预测设施与设备故障的方法，其特征在于该运用该训练完成的模糊类神经网络，预测该指定零件的使用寿命的步骤包含：

新增专案，是提供一使用者选择一特定零件作为该指定零件并储存为一指定名称，该使用者并选择影响该指定零件寿命因子与设定该界面层的神经元数量；

训练专案，是依据该指定零件的历史维护数据，提供该使用者运用该模糊类神经网络建立该指定零件的寿命预测模式；以及

预测故障，是提供使用者运用训练完成的专案，预测该指定零件的寿命。

7.根据权利要求5所述的预测设施与设备故障的方法，其特征在于该运用该训练完成的模糊类神经网络，预测该指定零件的使用寿命的步骤包含：

编辑专案，是提供修改一已存在的专案内容，以产生一修改后专案，其中专案内容包含影响该指定零件寿命因子与设定该界面层的神经元数量；

训练专案，是依据该修改后专案内容中的该指定零件的历史维护数据，运用该模糊类神经网络建立该指定零件的寿命预设模式；以及

预测故障，是使用运用训练完成的修改后专案，预测该指定零件的寿命。

Images