第6章 基于神經(jīng)網(wǎng)絡(luò)的設(shè)備故障智能診斷方法及故障振動趨勢分析研究
當(dāng)前嚼龄，故障診斷技術(shù)發(fā)展的一個首要問題就是診斷的智能化淀然。這種智能化主要體現(xiàn)在診斷過程中故障論域?qū)＜医?jīng)驗(yàn)的干預(yù)柳锣，即在對故障信號進(jìn)行分析處理及識別的基礎(chǔ)上便晶，還需結(jié)合故障論域中淺谁意、深知識進(jìn)行基于知識的診斷推理椭赋。這包括兩方面的內(nèi)容：第一辩恼，智能型的信號處理技術(shù)惕橙；第二瞧甩，智能型的故障識別方法。
故障診斷最終可歸結(jié)為模式識別這一類問題告岸。從這個基本思想出發(fā)湖弱，作為診斷分類依據(jù)的許多診斷方法被提出，如函數(shù)分析法指模、統(tǒng)計模型分析法祖修、專家系統(tǒng)法、按信息準(zhǔn)則的近類分類法枝玩、分形幾何法和模糊數(shù)學(xué)綜合判別法等等炊健。雖然這些方法已廣泛應(yīng)用于各種故障診斷實(shí)例，且取得良好效果覆厦，然而一般說來凰茫，這些分類方法僅僅是表達(dá)了診斷過程某個環(huán)節(jié)所用的科學(xué)理論與工具，并不能反映診斷過程的本質(zhì)们袜。
復(fù)雜機(jī)械設(shè)備（包括齒輪減速機(jī)）的故障與癥狀之間的關(guān)系一般來說是復(fù)雜的迫赞，難于用一個簡單的關(guān)系式來表示啼阵，有時還具有不確定性，要借助于經(jīng)驗(yàn)知識和統(tǒng)計來表達(dá)扑轮。故它的故障診斷用傳統(tǒng)的診斷方法是不能取得較好的效果撤奸。
人工神經(jīng)網(wǎng)絡(luò)（簡稱神經(jīng)網(wǎng)絡(luò)）是近年來掀起熱潮的研究領(lǐng)域，它以全新的與傳統(tǒng)不同的信息表達(dá)和處理方式喊括，對人工智能和故障診斷研究產(chǎn)生了巨大的吸引力胧瓜。
神經(jīng)網(wǎng)絡(luò)是試圖模擬人的神經(jīng)系統(tǒng)而建立起來的自適應(yīng)非線性動力學(xué)系統(tǒng)，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和結(jié)點(diǎn)的處理功能決定其最大的特點(diǎn)表現(xiàn)為可學(xué)習(xí)（訓(xùn)練）性和計算巨量并行性及能表達(dá)和處理復(fù)雜信息關(guān)系郑什。神經(jīng)網(wǎng)絡(luò)的研究工作可追根溯源四十多年前McCulloch和Pitts及Hebb的工作府喳，其后多種模型和算法已被提出，并得到了廣泛深入的研究并應(yīng)用到設(shè)備的故障診斷上蘑拯。目前在故障診斷中應(yīng)用最廣泛的算法是BP算法钝满。
本章研究了常用的基于BP算法的神經(jīng)網(wǎng)絡(luò)對機(jī)械設(shè)備的診斷。本章根據(jù)故障診斷經(jīng)驗(yàn)知識和現(xiàn)場故障排除統(tǒng)計及齒輪減速機(jī)故障振動機(jī)理的研究對已有的齒輪減速機(jī)故障訓(xùn)練樣本進(jìn)行了完善申窘，并用基于改進(jìn)的MBP算法的神經(jīng)網(wǎng)絡(luò)對實(shí)際的齒輪減速機(jī)故障進(jìn)行了診斷研究弯蚜。
故障振動趨勢分析研究是本章要研究的另一個問題。趨勢分析是故障診斷中的一個重要環(huán)節(jié)剃法，其主要任務(wù)是對設(shè)備的故障發(fā)展趨勢或劣化趨勢作出估計和預(yù)測碎捺。通過趨勢分析，可對設(shè)備進(jìn)行事故預(yù)防和無破壞性監(jiān)測贷洲，充分發(fā)揮設(shè)備的工作潛力掖猬，合理安排生產(chǎn)。
根據(jù)采集的故障振動數(shù)據(jù)序列是平穩(wěn)時間序列還是非平穩(wěn)時間序列诀次，振動故障趨勢分析可分別采用AR（M）模型和GM(1,1）及AR（M）組合模型赃律，也可采用預(yù)報精度較高的神經(jīng)網(wǎng)絡(luò)組合預(yù)報模型。
6.1 基干BP算法的設(shè)備故障智能診斷方法
BP算法即是誤差反傳訓(xùn)練算法凳慈，它是一種有導(dǎo)師的訓(xùn)練算法咆比，它在給定輸出目標(biāo)的情況下，按其實(shí)際輸出與目標(biāo)值之差的平方和為目標(biāo)函數(shù)檬舀，通過調(diào)節(jié)權(quán)值使目標(biāo)函數(shù)達(dá)到最小值毙帚。多層感知器前饋BP網(wǎng)絡(luò)模型如圖6-1所示。
前饋網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)是一種監(jiān)督學(xué)習(xí)腹痹，而監(jiān)督學(xué)習(xí)的范例要求每一個輸入模式矢量與表示所期望的輸出模式矢量必須配對熔布。一般說來，網(wǎng)絡(luò)輸出值{OPK｝與期望的輸出值｛tPK｝是不相等的下伙。對每一個輸入模式的模式樣本默徘，其平方誤差
為：
式中，p=1～N吗浩，N為輸入模式模式樣本總數(shù)建芙。而對于所有的學(xué)習(xí)樣本没隘，網(wǎng)絡(luò)均方程差：
對于圖6-1所示的網(wǎng)絡(luò)，其訓(xùn)練學(xué)習(xí)的過程包括：1）網(wǎng)絡(luò)內(nèi)部的前向計算禁荸；2）誤差的反向傳播右蒲。其主要目的就是通過逐步調(diào)整網(wǎng)絡(luò)的內(nèi)部連接權(quán)值，使網(wǎng)絡(luò)的均方誤差達(dá)到我們的要求赶熟。網(wǎng)絡(luò)內(nèi)部的連接權(quán)值的調(diào)整瑰妄，都是采用推廣的δ規(guī)則來完成的。
6.1.1 網(wǎng)絡(luò)內(nèi)部的前向計算過程：
1）網(wǎng)絡(luò)輸入模式的各分量作為第i層（輸入層）節(jié)點(diǎn)的輸入映砖。這一層節(jié)點(diǎn)的輸出完全等于它的輸入值间坐。即：
Oi=Ii （6-3）
2）網(wǎng)絡(luò)第j層（即隱層）節(jié)點(diǎn)的輸入值為
其中Wji為隱層的節(jié)點(diǎn)j與輸入層的節(jié)點(diǎn)i之間的連接權(quán)值，θj為隱層節(jié)點(diǎn)j的閥值邑退，而f為節(jié)點(diǎn)的激勵函數(shù)竹宋，可采取如下單調(diào)遞增的激勵函數(shù)：
其中θ0的作用是改變激勵函數(shù)的形狀。
3）網(wǎng)絡(luò)第k層（即輸出層）節(jié)點(diǎn)的輸入值為
其中Wkj輸出層節(jié)點(diǎn)k與隱層的節(jié)點(diǎn)j之間的連接權(quán)值地技，θk為隱層節(jié)點(diǎn)k的閾值蜈七。
6.1.2 誤差的反向傳播過程
1）設(shè)n為迭代次數(shù)，對于輸出層與隱層之間有如下的權(quán)值調(diào)整公式
α為慣性因子快混，用于調(diào)整網(wǎng)絡(luò)學(xué)習(xí)的收斂速度愚矗，適當(dāng)?shù)摩林禃欣谝种普袷幠芎剑翞閼T性因子穿互，用于調(diào)整網(wǎng)絡(luò)學(xué)習(xí)的收斂速度，適當(dāng)?shù)摩林禃欣谝种普袷幹啃罚菫閷W(xué)習(xí)步長峡徽，即權(quán)值增益因子。一般它們的取值范圍為：0<α<1,0＜η＜1木影。
6.1.3 算例1
在大型旋轉(zhuǎn)機(jī)械中绣首，轉(zhuǎn)子不平衡、轉(zhuǎn)子不對中璃淤、油膜渦動施旱、油膜振蕩、喘振伙斯、旋轉(zhuǎn)失速等是比較常見的幾種故障乌迎。這里采用了幅值譜中七個頻段上的幅值作為網(wǎng)絡(luò)的輸入樣本模式對這幾種常見故障進(jìn)行分類。
在診斷之前笛坦，先建立故障的標(biāo)準(zhǔn)歸一化模式樣本区转，見表6-1（表中f為軸的轉(zhuǎn)動頻率）。將這些樣本用于網(wǎng)絡(luò)訓(xùn)練版扩，然后废离，將這些訓(xùn)練好的樣本應(yīng)用于某大型機(jī)組中侄泽，不斷地積累該機(jī)組的各種故障模式樣本，再加到訓(xùn)練樣本中蜻韭，通過訓(xùn)練學(xué)習(xí)可以得到該機(jī)組的故障識別神經(jīng)網(wǎng)絡(luò)悼尾，從而在該機(jī)組的實(shí)際故障診斷中獲得較高的識別精度。表6-2為標(biāo)準(zhǔn)訓(xùn)練樣本的訓(xùn)練結(jié)果肖方，表6-3為待識別的故障樣本诀豁，表6-4為待識別的故障樣本的識別結(jié)果。本算例網(wǎng)絡(luò)規(guī)模為：輸入層節(jié)點(diǎn)數(shù)為：7個窥妇；一個隱層節(jié)點(diǎn)數(shù)為：10個舷胜；輸出層節(jié)點(diǎn)數(shù)為6個；誤差精度為10-5活翩；網(wǎng)絡(luò)迭代次數(shù)為12000次烹骨。
表6-l 標(biāo)準(zhǔn)訓(xùn)練樣本
故障
樣本 |
0.01～0.40f |
0.41～0.50f |
0.51～0.99f |
lf |
2f |
3f～sf |
5f |
理想
輸出 |
| 不平衡 |
0.0000 |
0.0000 |
0.0000 |
1.0000 |
0.0056 |
0.0055 |
0.0000 |
100000 |
| 不對中 |
0.0000 |
0.0000 |
0.0000 |
0.8000 |
1.0000 |
0.0200 |
0.0000 |
010000 |
油膜
渦動 |
0.0000 |
0.6534 |
0.0000 |
1.0000 |
0.0100 |
0.0084 |
0.0000 |
001000 |
油膜
振蕩 |
0.0000 |
0.9543 |
0.0000 |
1.0000 |
0.0100 |
0.0081 |
0.0000 |
000100 |
| 喘振 |
0.8546 |
0.0000 |
0.0000 |
1.0000 |
0.1262 |
0.1045 |
0.1105 |
000010 |
旋轉(zhuǎn)
失速 |
0.9032 |
0.0000 |
0.7056 |
1.0000 |
0.2854 |
0.1539 |
0.1135 |
000001 |
表6-2 標(biāo)準(zhǔn)訓(xùn)練樣本的訓(xùn)練結(jié)果
| 故障樣本 |
不平衡 |
不對中 |
油膜渦動 |
油膜振蕩 |
喘振 |
旋轉(zhuǎn)失速 |
| 不平衡 |
0.9487 |
0.0058 |
0.0123 |
0.0000 |
0.0065 |
0.0006 |
| 不對中 |
0.0054 |
O.9489 |
0.0000 |
0.0000 |
0.0015 |
0.0036 |
| 油膜渦動 |
0.0006 |
0.0007 |
0.9399 |
0.0131 |
O.0031 |
0.0005 |
| 油膜振蕩 |
0.0000 |
0.0012 |
0.0209 |
0.9468 |
0.0014 |
0.0012 |
| 喘 振 |
0.0067 |
0.0036 |
0.0019 |
0.0000 |
0.9480 |
0.0068 |
| 旋轉(zhuǎn)失速 |
0.0009 |
0.0031 |
0.0002 |
0.0000 |
0.0073 |
0.9489 |
表6-3 待識別的故障樣本
| 故障樣本 |
0.01～0.4Of |
0.41～O.50f |
0.51～0.99f |
1f |
2f |
3f～5f |
5f |
實(shí)際輸出 |
| 待識別 |
0.0000 |
0.0000 |
0.0000 |
0.8510 |
1.0000 |
0.0250 |
0.0000 |
未知 |
| 待識別 |
0.6501 |
0.0000 |
0.0000 |
1.0000 |
O.0000 |
0.1254 |
0.1159 |
未知 |
| 待識別 |
0.0000 |
0.6820 |
0.0000 |
1.0000 |
0.0120 |
O.0086 |
0.0000 |
未知 |
表6-4 待識別的故障樣本的識別結(jié)果
| |
不平衡 |
不對中 |
油膜渦動 |
油膜振蕩 |
喘振 |
旋轉(zhuǎn)失速 |
| 故障1 |
0.0083 |
0.9413 |
0.0000 |
0.0000 |
0.0015 |
0.0033 |
| 故障2 |
0.0716 |
0.0020 |
0.0046 |
0.0000 |
0.7752 |
0.0035 |
| 故障3 |
0.0003 |
0.0007 |
O.9049 |
0.0266 |
0.0029 |
0.0005 |
BP訓(xùn)練算法已成功地應(yīng)用于廣泛的問題，但是它訓(xùn)練過程存在著不確定性矩袖。比如陵阁，對于一些復(fù)雜的問題，它可能要訓(xùn)練幾天以至幾周的時間拖牢，甚至根本不能訓(xùn)練锹鹉。冗長的訓(xùn)練時間，可能是由不適當(dāng)?shù)恼{(diào)節(jié)階距引起的浦忠，也就是與選取的訓(xùn)練步長太小有關(guān)塑满。完全不能訓(xùn)練，則一般由兩種原因引起的：一是網(wǎng)絡(luò)的麻痹現(xiàn)象韩记，另一是局部最小硫联。
針對BP訓(xùn)練算法存在的問題，人們提出了許多改進(jìn)算法喂交，針對訓(xùn)練速度問題援仍，人們提出了回歸算法、樣本添加法察夕、雙BP算法等改進(jìn)算法妖坡；針對網(wǎng)絡(luò)完全不能訓(xùn)練問題，人們提出了改進(jìn)誤差函數(shù)和統(tǒng)計訓(xùn)練算法等改進(jìn)算法区匣。
上一頁
下一頁
