人工神經網絡在往復壓縮機故障診斷中的應用

蘭 天，張宏斌，潘 迪，吳志東，接丞想

（1.齊齊哈爾大學 機電工程學院，黑龍江 齊齊哈爾 161006；2.齊齊哈爾大學 理學院，黑龍江 齊齊哈爾 161006）

往復壓縮機是能源企業(yè)用于壓縮和輸送流體的重要機械設備，其穩(wěn)定的運行對于節(jié)約生產成本、提高生產效率、保障安全生產具有重要的經濟意義。往復壓縮機屬大型設備、內部結構復雜、工況惡劣、激勵源眾多，振動信號表現(xiàn)為強非平穩(wěn)和非線性特點，給故障診斷帶來較大困難[1]。

人工神經網絡的診斷方法是集結構拓撲魯棒、并行的數(shù)理邏輯處理方法、復雜模式處理為一體的現(xiàn)代診斷技術，這一技術在大型機械設備的復合故障診斷，一些頻發(fā)性的、突發(fā)性的機械設備故障診斷中應用極為廣泛。目前，人工智能、計算機網絡技術和傳感技術等已經成為機械故障診斷系統(tǒng)的關鍵技術，這些技術的研究也取得了很大的進展，但在往復壓縮機故障診斷中仍存在許多需要解決的問題，因此，開展人工神經網絡在往復壓縮機故障中的應用研究意義重大[2]。

1 神經網絡模型構建

人工神經網絡基于生物神經系統(tǒng)，以抽象的形式對神經元結構進行模擬，通過模擬生物神經系統(tǒng)，使其以圖形、符號和文字的形式進行表達。

圖1 神經元模型

如圖1所示，建立了神經網絡的構成單元（神經元）模型，神經元的輸入與輸出體現(xiàn)出多對一的特性。神經元模型可描述為：

目前，最常用的神經網絡模型是BP網絡，其作用機理如圖2所示。

圖2 BP神經網絡模型

BP神經網絡的本質是一種映射關系，反應信號輸入與輸出的非線性特征，即 F：Rn→Rm，f(X)＝Y。根據(jù)樣本集，取出一個映射g，在輸入xi∈Rn，輸出yi∈Rm的情況下，存在：

定義映射f，得到f→g的最佳逼近值。

3 BP人工神經網絡應用

人工神經網絡具有模仿或代替人的思維功能，利用人工神經網絡可以實現(xiàn)設備自動診斷和求解，解決傳統(tǒng)方法所不能或難以解決的問題[3]。人工神經網絡具有很高的容錯性和魯棒性，即使在惡劣的條件下，仍可以自主優(yōu)化工作狀態(tài)[4]。

BP人工神經網絡發(fā)展至今，對科學研究產生了較大貢獻。在振動信號處理過程中，為了實現(xiàn)對復雜函數(shù)的逼近，必須采用多層前饋網絡，而對于多層網絡，感知器尚不能解決其隱層學習問題，限制了這一技術的發(fā)展。上世紀八十年代末期，Rumelhart[5]提出了多層前饋網絡的反向傳播算法（BP算法），這一問題得到解決。

假設網格節(jié)點數(shù)為n，給定一個輸出為y，根據(jù)Sigmoid函數(shù)，推導BP算法過程如下：

圖3 j單元信號傳播流程

如圖3所示，迭代第n步時，j單元接收信號的凈輸入為：

經過作用函數(shù)φj(n)得到的單元j輸出為yj(n)=φj(vj(n))，該單元信號誤差為：

定義第n步迭代輸出端總的平方誤差為：

設樣本訓練總數(shù)為N，則總的平方誤差均值為：

當 ξAN為最小時，可認為△wji＝0，ξ(n)/wji(n)→0，而當ξAN未達到最小時，∣ξ(n)/wji(n)∣增大，則△wji(n)∣增大，∣ξ(n)/wji(n)∣減小，則∣△wji(n)∣減小，且∣△wji(n)∣按照∣ξ(n)/wji(n)∣下降方向修正。

雖然BP算法實用性較強，但仍存在一些問題：

（1）算法迭代步驟多，不易收斂；

（2）BP網絡隱節(jié)點較多，數(shù)目不易確定；

（3）樣本間互相影響，輸入輸出的特征項目必須相同。

4 結語

本文構建了BP神經元模型，同時給出了BP人工神經網絡基本結構圖，闡述了神經網絡的輸入和輸出關系。以模型為依據(jù)，推導BP神經網絡算法，同時提出算法存在的問題，通過改進的算法在往復壓縮機故障診斷過程中能夠得到更好的應用。