歡迎光臨異步電機(jī)！誠心、貼心、傾心、異步永遠(yuǎn)用心！

 1引言
系統(tǒng)的狀態(tài)預(yù)測是故障診斷中必不可少的一個環(huán)節(jié)，是診斷技術(shù)的重要目標(biāo)之一。基于模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測是一種非參數(shù)模型預(yù)測。在用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測時，現(xiàn)有的方法一般是利用大量已獲得的觀測數(shù)據(jù)即樣本數(shù)據(jù)進(jìn)行一次建模，然后在預(yù)測時不再進(jìn)行學(xué)習(xí)，即網(wǎng)絡(luò)參數(shù)不變。隨著時間的推移，這種利用歷史數(shù)據(jù)建立的模型不能完全反映時間序列近期和現(xiàn)時的特性，需要隨著新數(shù)據(jù)的積累不斷調(diào)整網(wǎng)絡(luò)模型的參數(shù)，使模型不斷完善。因此，本文提出一種新的模糊神經(jīng)網(wǎng)絡(luò)算法，即在原有算法的基礎(chǔ)上引入時差法，該方法在某種程度上能實(shí)時地根據(jù)觀測數(shù)據(jù)和預(yù)測結(jié)果不斷調(diào)整模型參數(shù)，使模型盡可能完善，從而提高預(yù)測精度。
2模糊神經(jīng)網(wǎng)絡(luò)
模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network）是模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合，通過神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)模糊邏輯，同時利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，動態(tài)調(diào)整隸屬度函數(shù)、在線優(yōu)化控制規(guī)則。二者的融合彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)在模糊數(shù)據(jù)處理方面的不足和純模糊系統(tǒng)在學(xué)習(xí)方面的缺陷。
我們采用的是一種串形結(jié)構(gòu)的多層前向模糊神經(jīng)網(wǎng)絡(luò)，如圖1所示.該模型有四層，分別為輸入層，隸屬函數(shù)生成層（模糊化層），推理層及反模糊化層。