基于人工神經(jīng)網(wǎng)絡(luò)的工業(yè)機(jī)械故障診斷優(yōu)化方法研究

羅校清

摘 要：針對(duì)當(dāng)前工業(yè)機(jī)械設(shè)備運(yùn)行數(shù)據(jù)龐大，設(shè)備故障診斷復(fù)雜等問(wèn)題，采用三層式BP神經(jīng)網(wǎng)絡(luò)，結(jié)合主元分析法，研究用于工業(yè)機(jī)械設(shè)備故障診斷的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法，來(lái)對(duì)設(shè)備故障原因進(jìn)行分類，并在此基礎(chǔ)上探討B(tài)P神經(jīng)網(wǎng)絡(luò)對(duì)于不同場(chǎng)景的應(yīng)用，從而提高BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用價(jià)值。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；工業(yè)機(jī)械故障；診斷；優(yōu)化方法

中圖分類號(hào)：F407.4 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2017）30-0106-03

前言

隨著信息技術(shù)在各行各業(yè)的不斷深入推進(jìn)，有效帶動(dòng)了科學(xué)技術(shù)日新月異的發(fā)展，現(xiàn)代工業(yè)逐漸向標(biāo)準(zhǔn)化、智能化、自動(dòng)化和數(shù)字化方向發(fā)展，對(duì)工業(yè)生產(chǎn)指數(shù)提出了更高要求。特別神經(jīng)網(wǎng)絡(luò)概念的提出，使人工智能在工業(yè)機(jī)械故障診斷方面得到了前所未有的應(yīng)用，我國(guó)很多學(xué)者開始對(duì)神經(jīng)網(wǎng)絡(luò)在工業(yè)機(jī)械故障診斷中的應(yīng)用進(jìn)行研究，并取得了一定的成果，如東北大學(xué)虞和濟(jì)教授等對(duì)機(jī)械設(shè)備故障診斷的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了深入的研究，建立了旋轉(zhuǎn)機(jī)械神經(jīng)網(wǎng)絡(luò)分類系統(tǒng)[1]并得到了應(yīng)用，取得了滿意的效果。西安交通大學(xué)的屈梁生教授等較早地利用人工神經(jīng)網(wǎng)絡(luò)對(duì)大型旋轉(zhuǎn)機(jī)械的各種故障進(jìn)行了全面的研究[2]，研究了如何從現(xiàn)場(chǎng)故障信號(hào)中將全息診斷法用于神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)中。有聯(lián)想記憶和對(duì)故障實(shí)例進(jìn)行學(xué)習(xí)的功能，在用于設(shè)備軟故障診斷時(shí)，可避開對(duì)設(shè)備結(jié)構(gòu)的數(shù)據(jù)模型研究，因此為設(shè)備診斷優(yōu)化技術(shù)開辟了新的途徑。

1 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展動(dòng)態(tài)分析

自開始工業(yè)生產(chǎn)以來(lái)就存在對(duì)機(jī)械設(shè)備的故障診斷，剛開始是憑著工匠豐富的經(jīng)驗(yàn)來(lái)判斷一些故障的存在并且給出修復(fù)的方法[3]。故障診斷作為一門學(xué)科，是在二十世紀(jì)六十年代之后興起的[4]，最早進(jìn)行機(jī)械設(shè)備故障診斷的是美國(guó)，英國(guó)、日本、挪威、瑞典、丹麥等國(guó)家緊跟其后。因?yàn)槊绹?guó)在1961年執(zhí)行阿波羅計(jì)劃之后發(fā)現(xiàn)了許多設(shè)置故障，所以美國(guó)宇航局在1967年倡導(dǎo)成立美國(guó)機(jī)械設(shè)備故障預(yù)防部門，專門負(fù)責(zé)機(jī)械故障的技術(shù)研發(fā)[5]。歷經(jīng)40年的不斷發(fā)展，機(jī)械設(shè)備故障診斷機(jī)構(gòu)，其技術(shù)已經(jīng)逐漸形成以抽樣分析、振動(dòng)診斷、溫度檢測(cè)為主，一些新技術(shù)不斷發(fā)展的新局面，隨著計(jì)算機(jī)技術(shù)的進(jìn)步，極大的促進(jìn)信號(hào)分析和處理技術(shù)的迅速發(fā)展，進(jìn)一步推動(dòng)了機(jī)械設(shè)備故障檢測(cè)技術(shù)的進(jìn)步更全面科學(xué)的發(fā)展。

綜上所述，前人的理論基礎(chǔ)和實(shí)驗(yàn)基礎(chǔ)已經(jīng)具備，但是僅用BP神經(jīng)網(wǎng)絡(luò)用于機(jī)械設(shè)備故障診斷的時(shí)間過(guò)長(zhǎng)，不能很好地及時(shí)反映機(jī)械故障，且將主元分析法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合的用法比較少[6]。又由于工業(yè)機(jī)械機(jī)理復(fù)雜，所處運(yùn)行環(huán)境不一，突變性、隨機(jī)性等情況較多。因此，建立適用于工業(yè)機(jī)械的有效監(jiān)控與故障診斷系統(tǒng)并推廣其應(yīng)用具有一定的研究?jī)r(jià)值。先用主元分析法在力保數(shù)據(jù)信息損失最少的原則下，對(duì)高維變量空間進(jìn)于降維，再用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)械軟故障的分類與預(yù)警，以提高BP神經(jīng)網(wǎng)絡(luò)用于機(jī)械故障診斷的效率，這在故障診斷中是一種比較新的方法。

2 基于人工神經(jīng)網(wǎng)絡(luò)的工業(yè)機(jī)械故障診斷優(yōu)化方法的選擇

針對(duì)工業(yè)機(jī)械設(shè)備進(jìn)行性能檢測(cè)，并將設(shè)備的參數(shù)調(diào)整至最佳值，以提高系統(tǒng)工作的穩(wěn)定性和可靠性，是一項(xiàng)非常重要的任務(wù)。而傳統(tǒng)的外場(chǎng)檢測(cè)方法只是應(yīng)用模擬式外場(chǎng)檢測(cè)儀對(duì)其行檢測(cè)，這種檢測(cè)方法雖然簡(jiǎn)單易行，但是對(duì)系統(tǒng)的覆蓋率較低，無(wú)法對(duì)系統(tǒng)的軟故障進(jìn)行診斷。因此選取比較好的檢測(cè)方法是完成這一任務(wù)的前提條件。

2.1 主元分析法

主元分析法（PCA）是基于多元統(tǒng)計(jì)過(guò)程控制的故障診斷技術(shù)的核心，由卡爾·皮爾遜于1901年發(fā)明，經(jīng)常用于分析工業(yè)機(jī)械運(yùn)行過(guò)程中的數(shù)據(jù)及建立數(shù)理模型。它試圖將一個(gè)高維數(shù)據(jù)矩陣簡(jiǎn)化、降維，從而揭示工業(yè)機(jī)械運(yùn)行數(shù)據(jù)矩陣中的主要結(jié)構(gòu)。主元分析法實(shí)質(zhì)上是過(guò)程變量協(xié)方差或相關(guān)矩陣的特征向量分解。經(jīng)過(guò)在實(shí)踐過(guò)程中不斷的研究和發(fā)展，主元分析法目前已被廣泛的應(yīng)用在工業(yè)機(jī)械故障的分析和監(jiān)測(cè)中，特別是在工業(yè)機(jī)械故障監(jiān)測(cè)中起到了一定的促進(jìn)作用。經(jīng)過(guò)多年的研究和發(fā)展，已被成功地應(yīng)用于工業(yè)機(jī)械運(yùn)行過(guò)程分析和監(jiān)測(cè)，由于其不依賴過(guò)程數(shù)學(xué)模型，逐漸成為近年來(lái)研究熱點(diǎn)之一。

2.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN）是20世紀(jì)80 年代以來(lái)人工智能領(lǐng)域興起的研究熱點(diǎn)。在工程與學(xué)術(shù)界也常直接簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)（activation function）。人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，試圖通過(guò)模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，在1974年以后在神經(jīng)網(wǎng)絡(luò)的背景下應(yīng)用，由Paul Werbos、David E. Rumelhart、杰弗里·辛頓和Ronald J. Williams的著作，它才獲得認(rèn)可。目前，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP網(wǎng)絡(luò)及其變化形式，它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)的精華，其學(xué)習(xí)規(guī)則是按誤差逆向傳播算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練的多層前饋型神經(jīng)網(wǎng)絡(luò)，是一種有效的分類和識(shí)別工具，可以對(duì)機(jī)械設(shè)備故障類型進(jìn)行分類。

但利用BP神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)械設(shè)備進(jìn)行診斷之前，若不對(duì)原始樣本數(shù)據(jù)進(jìn)行處理與特征提取，一方面使分類結(jié)果準(zhǔn)確性降低，另一方面使BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜化，而主元分析法能較好地提取表征樣本的少數(shù)幾個(gè)主分量。由此可見，有必要采用主元分析法解決BP神經(jīng)網(wǎng)絡(luò)結(jié)果準(zhǔn)確性降低和結(jié)構(gòu)復(fù)雜化的問(wèn)題，從而提高BP神經(jīng)網(wǎng)絡(luò)的收斂速度以更有效更及時(shí)地將機(jī)械設(shè)備出現(xiàn)的軟故障分類并預(yù)警，并在此基礎(chǔ)上探討出相應(yīng)的用于工業(yè)機(jī)械設(shè)備故障診斷的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法模型，在應(yīng)用上進(jìn)一步發(fā)揮其有效的作用。

3 基于人工神經(jīng)網(wǎng)絡(luò)的工業(yè)機(jī)械故障診斷優(yōu)化方案的設(shè)計(jì)endprint

工業(yè)機(jī)械設(shè)備運(yùn)行數(shù)據(jù)龐大，采用已有的神經(jīng)網(wǎng)絡(luò)故障診斷方法由于過(guò)程變量數(shù)目的繁多，使得整個(gè)網(wǎng)絡(luò)的結(jié)構(gòu)相當(dāng)復(fù)雜，并且，在實(shí)際過(guò)程中，這些過(guò)程變量之間往往具有嚴(yán)重的相關(guān)關(guān)系，這將導(dǎo)致網(wǎng)絡(luò)的泛化性變差?？紤]到這些數(shù)據(jù)的分布和彼此間的相關(guān)性包含了過(guò)程的特性，本文將結(jié)合多變量統(tǒng)計(jì)技術(shù)中的主元分析技術(shù)舍去噪聲，將高度相關(guān)的過(guò)程數(shù)據(jù)投影到低維變量空間，而保留原有有用信息。再將數(shù)據(jù)作為輸入值用于BP神經(jīng)網(wǎng)絡(luò)。在BP神經(jīng)網(wǎng)絡(luò)方法的基礎(chǔ)上，結(jié)合主元分析法，進(jìn)一步研究用于工業(yè)機(jī)械設(shè)備故障診斷的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法，機(jī)械故障診斷流程由模型建立、故障檢測(cè)、故障診斷和輸入顯示組成。具體如圖1所示。

3.1 數(shù)據(jù)預(yù)處理

在使用機(jī)械設(shè)備運(yùn)行產(chǎn)生的數(shù)據(jù)之前，需先對(duì)機(jī)械設(shè)備的歷史數(shù)據(jù)進(jìn)行預(yù)處理，用數(shù)據(jù)清理的方法對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)審核，數(shù)據(jù)篩選，數(shù)據(jù)排序，以提高算法運(yùn)行的質(zhì)量。

3.2 構(gòu)造主元模型，提取數(shù)據(jù)特征

構(gòu)造主元模型，即收集工業(yè)機(jī)械設(shè)備正常情況下運(yùn)行的歷史數(shù)據(jù)，按照主元模型標(biāo)準(zhǔn)，利用統(tǒng)計(jì)方法找出能夠表達(dá)正常運(yùn)行情況下過(guò)程各變量之間的因果關(guān)系的低維主元成分。確定主元的個(gè)數(shù)，通過(guò)對(duì)協(xié)方差矩陣進(jìn)行特征分解，以得出數(shù)據(jù)的特征向量（主成分）與它們的特征值（權(quán)值）。

3.3 建立神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)模型

檢測(cè)到機(jī)械設(shè)備故障后需要進(jìn)行故障診斷。主要從機(jī)械故障識(shí)別與機(jī)械故障重構(gòu)進(jìn)行分析。當(dāng)機(jī)械發(fā)生故障時(shí)，從異常的參數(shù)判斷分析出哪個(gè)傳感器出現(xiàn)了異常，再利用已有的模型，將正常的數(shù)據(jù)恢復(fù)出來(lái)。而機(jī)械故障識(shí)別與機(jī)械故障重構(gòu)最主要的由BP神經(jīng)網(wǎng)絡(luò)來(lái)完成。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)如圖2所示，包括輸入層、隱藏層和輸出層。其中網(wǎng)絡(luò)的輸入模式為X=（x1，x2，x3，x4，x5，x6，x7，x8，x9，x10）T，輸出為O=（cu（t），mu（t））.其中X為經(jīng)過(guò)主元分析法降維后的特征向量集；O為結(jié)果集，表示未出現(xiàn)故障或出現(xiàn)故障的位置[8]。

BP神經(jīng)網(wǎng)絡(luò)的工作過(guò)程主要由工作階段和學(xué)習(xí)階段兩部分組成，最開始是工程階段， 開始階段網(wǎng)絡(luò)各節(jié)點(diǎn)的連接權(quán)值固定不變， 網(wǎng)絡(luò)的計(jì)算從輸入層開始， 逐層逐個(gè)節(jié)點(diǎn)計(jì)算每一個(gè)節(jié)點(diǎn)的輸出， 直到輸出層中的各節(jié)點(diǎn)計(jì)算完畢。接著就是學(xué)習(xí)階段，反復(fù)更新學(xué)習(xí)，減少誤差。學(xué)習(xí)流程圖如圖3所示。

3.4 對(duì)系統(tǒng)模型中的方法進(jìn)行優(yōu)化與訓(xùn)練

基于BP神經(jīng)網(wǎng)絡(luò)的工業(yè)機(jī)械設(shè)備故障診斷的方法，用主元分析法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和優(yōu)化，利用BP神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)學(xué)習(xí)的功能，實(shí)時(shí)記錄、收集和整理工業(yè)機(jī)械設(shè)備在運(yùn)行過(guò)程中所發(fā)生的各類故障詳細(xì)數(shù)據(jù)，并將其有用的數(shù)據(jù)輸入到網(wǎng)絡(luò)神經(jīng)訓(xùn)練樣本矩陣中，對(duì)神經(jīng)網(wǎng)絡(luò)故障診斷模型進(jìn)行再訓(xùn)練，對(duì)神經(jīng)網(wǎng)絡(luò)故障模型的相關(guān)系數(shù)（連接權(quán)重和神經(jīng)元的閾值）不斷進(jìn)行優(yōu)化，最后，達(dá)到提高工業(yè)機(jī)械故障診斷模型的預(yù)測(cè)精準(zhǔn)性和穩(wěn)定性。

3.5 探索優(yōu)化方法在其他故障診斷中的應(yīng)用

因?yàn)樵诓煌纳窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，語(yǔ)義變量的范圍是不同的。因此，為了提高結(jié)合主元分析法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化方法的適應(yīng)性，提出一個(gè)普遍適用于大多數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)而無(wú)需重構(gòu)的模型就顯得很有必要。

4 結(jié)束語(yǔ)

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于機(jī)械設(shè)備故障診斷起源于80年代末期，這幾十年來(lái)有很多專家學(xué)者對(duì)其應(yīng)用進(jìn)行了探討，取得了一定的成果。本文以這些成果為基礎(chǔ)，進(jìn)一步研究人工神經(jīng)網(wǎng)絡(luò)在工業(yè)機(jī)械故障診斷中應(yīng)用的優(yōu)化方法，并將其運(yùn)用到機(jī)械運(yùn)行故障診斷數(shù)據(jù)處理中。針對(duì)BP神經(jīng)用于機(jī)械故障檢測(cè)，提出相應(yīng)的優(yōu)化方法，提高原算法的魯棒性，并加快BP神經(jīng)網(wǎng)絡(luò)算法的收斂，提高其效率，能及時(shí)判斷所出現(xiàn)的軟故障類型并預(yù)警，有利于推廣優(yōu)化算法的應(yīng)用，并應(yīng)用了主元分析法來(lái)解決BP神經(jīng)網(wǎng)絡(luò)算法的收斂慢的問(wèn)題。

參考文獻(xiàn)：

[1]虞和濟(jì).基于神經(jīng)網(wǎng)絡(luò)的智能診斷[M].治金工業(yè)出版社，2002.

[2]屈梁生.機(jī)械監(jiān)測(cè)診斷中的理論與方法[M].西安交通大學(xué)出版社.

[3]Shaw P.J.A.（2003） Multivariate statistics for the Environmental Sciences， Hodder-Arnold. ISBN 978-0-340-80763-7.

[4]左山，樊富強(qiáng).對(duì)機(jī)械設(shè)備故障診斷的發(fā)展歷程及展望[Z].

[5]錢學(xué)森.論系統(tǒng)工程[M].長(zhǎng)沙：湖南科學(xué)技術(shù)出版社，1982.

[6]Hentrich， Michael William. Methodology and Coronary Artery Disease Cure. 2015-08-16.

[7]包子陽(yáng)，余繼周.智能優(yōu)化算法及其MATLAB實(shí)例[M].電子工業(yè)出版社，2016.

[8]王旭，王宏，王文輝.人工神經(jīng)元網(wǎng)絡(luò)原理與應(yīng)用[M].東北大學(xué)出版社，2007.endprint