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(dòng)趨勢(shì)分析研究
當(dāng)前，故障診斷技術(shù)發(fā)展的一個(gè)首要問(wèn)題就是診斷的智能化。這種智能化主要體現(xiàn)在診斷過(guò)程中故障論域?qū)＜医?jīng)驗(yàn)的干預(yù)，即在對(duì)故障信號(hào)進(jìn)行分析處理及識(shí)別的基礎(chǔ)上，還需結(jié)合故障論域中淺、深知識(shí)進(jìn)行基于知識(shí)的診斷推理。這包括兩方面的內(nèi)容：第一，智能型的信號(hào)處理技術(shù)；第二，智能型的故障識(shí)別方法。
故障診斷最終可歸結(jié)為模式識(shí)別這一類(lèi)問(wèn)題。從這個(gè)基本思想出發(fā)，作為診斷分類(lèi)依據(jù)的許多診斷方法被提出，如函數(shù)分析法、統(tǒng)計(jì)模型分析法、專(zhuān)家系統(tǒng)法、按信息準(zhǔn)則的近類(lèi)分類(lèi)法、分形幾何法和模糊數(shù)學(xué)綜合判別法等等。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，然而一般說(shuō)來(lái)，這些分類(lèi)方法僅僅是表達(dá)了診斷過(guò)程某個(gè)環(huán)節(jié)所用的科學(xué)理論與工具，并不能反映診斷過(guò)程的本質(zhì)。
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(lái)說(shuō)是復(fù)雜的，難于用一個(gè)簡(jiǎn)單的關(guān)系式來(lái)表示，有時(shí)還具有不確定性，要借助于經(jīng)驗(yàn)知識(shí)和統(tǒng)計(jì)來(lái)表達(dá)。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。
人工神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò)）是近年來(lái)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，對(duì)人工智能和故障診斷研究產(chǎn)生了巨大的吸引力。
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(lái)的自適應(yīng)非線性動(dòng)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(jì)算巨量并行性及能表達(dá)和處理復(fù)雜信息關(guān)系。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，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。目前在故障診斷中應(yīng)用最廣泛的算法是BP算法。
本章研究了常用的基于BP算法的神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)械設(shè)備的診斷。本章根據(jù)故障診斷經(jīng)驗(yàn)知識(shí)和現(xiàn)場(chǎng)故障排除統(tǒng)計(jì)及齒輪減速機(jī)故障振動(dòng)機(jī)理的研究對(duì)已有的齒輪減速機(jī)故障訓(xùn)練樣本進(jìn)行了完善，并用基于改進(jìn)的MBP算法的神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)際的齒輪減速機(jī)故障進(jìn)行了診斷研究。
故障振動(dòng)趨勢(shì)分析研究是本章要研究的另一個(gè)問(wèn)題。趨勢(shì)分析是故障診斷中的一個(gè)重要環(huán)節(jié)，其主要任務(wù)是對(duì)設(shè)備的故障發(fā)展趨勢(shì)或劣化趨勢(shì)作出估計(jì)和預(yù)測(cè)。通過(guò)趨勢(shì)分析，可對(duì)設(shè)備進(jìn)行事故預(yù)防和無(wú)破壞性監(jiān)測(cè)，充分發(fā)揮設(shè)備的工作潛力，合理安排生產(chǎn)。
根據(jù)采集的故障振動(dòng)數(shù)據(jù)序列是平穩(wěn)時(shí)間序列還是非平穩(wěn)時(shí)間序列，振動(dòng)故障趨勢(shì)分析可分別采用AR（M）模型和GM(1,1）及AR（M）組合模型，也可采用預(yù)報(bào)精度較高的神經(jīng)網(wǎng)絡(luò)組合預(yù)報(bào)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，它是一種有導(dǎo)師的訓(xùn)練算法，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)，通過(guò)調(diào)節(jié)權(quán)值使目標(biāo)函數(shù)達(dá)到最小值。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)，而監(jiān)督學(xué)習(xí)的范例要求每一個(gè)輸入模式矢量與表示所期望的輸出模式矢量必須配對(duì)。一般說(shuō)來(lái)，網(wǎng)絡(luò)輸出值{OPK｝與期望的輸出值｛tPK｝是不相等的。對(duì)每一個(gè)輸入模式的模式樣本，其平方誤差
為：
式中，p=1～N，N為輸入模式模式樣本總數(shù)。而對(duì)于所有的學(xué)習(xí)樣本，網(wǎng)絡(luò)均方程差：
對(duì)于圖6-1所示的網(wǎng)絡(luò)，其訓(xùn)練學(xué)習(xí)的過(guò)程包括：1）網(wǎng)絡(luò)內(nèi)部的前向計(jì)算；2）誤差的反向傳播。其主要目的就是通過(guò)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。網(wǎng)絡(luò)內(nèi)部的連接權(quán)值的調(diào)整，都是采用推廣的δ規(guī)則來(lái)完成的。
6.1.1 網(wǎng)絡(luò)內(nèi)部的前向計(jì)算過(guò)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。這一層節(jié)點(diǎn)的輸出完全等于它的輸入值。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，而f為節(jié)點(diǎn)的激勵(lì)函數(shù)，可采取如下單調(diào)遞增的激勵(lì)函數(shù)：
其中θ0的作用是改變激勵(lì)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，θk為隱層節(jié)點(diǎn)k的閾值。
6.1.2 誤差的反向傳播過(guò)程
1）設(shè)n為迭代次數(shù)，對(duì)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，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?huì)有利于抑制振蕩，α為慣性因子，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?huì)有利于抑制振蕩，η為學(xué)習(xí)步長(zhǎng)，即權(quán)值增益因子。一般它們的取值范圍為：0<α<1,0＜η＜1。
6.1.3 算例1
在大型旋轉(zhuǎn)機(jī)械中，轉(zhuǎn)子不平衡、轉(zhuǎn)子不對(duì)中、油膜渦動(dòng)、油膜振蕩、喘振、旋轉(zhuǎn)失速等是比較常見(jiàn)的幾種故障。這里采用了幅值譜中七個(gè)頻段上的幅值作為網(wǎng)絡(luò)的輸入樣本模式對(duì)這幾種常見(jiàn)故障進(jìn)行分類(lèi)。
在診斷之前，先建立故障的標(biāo)準(zhǔn)歸一化模式樣本，見(jiàn)表6-1（表中f為軸的轉(zhuǎn)動(dòng)頻率）。將這些樣本用于網(wǎng)絡(luò)訓(xùn)練，然后，將這些訓(xùn)練好的樣本應(yīng)用于某大型機(jī)組中，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，通過(guò)訓(xùn)練學(xué)習(xí)可以得到該機(jī)組的故障識(shí)別神經(jīng)網(wǎng)絡(luò)，從而在該機(jī)組的實(shí)際故障診斷中獲得較高的識(shí)別精度。表6-2為標(biāo)準(zhǔn)訓(xùn)練樣本的訓(xùn)練結(jié)果，表6-3為待識(shí)別的故障樣本，表6-4為待識(shí)別的故障樣本的識(shí)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(gè)；一個(gè)隱層節(jié)點(diǎn)數(shù)為：10個(gè)；輸出層節(jié)點(diǎn)數(shù)為6個(gè)；誤差精度為10-5；網(wǎng)絡(luò)迭代次數(shù)為12000次。
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(duì)中 |
0.0000 |
0.0000 |
0.0000 |
0.8000 |
1.0000 |
0.0200 |
0.0000 |
010000 |
油膜
渦動(dòng) |
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(duì)中 |
油膜渦動(dòng) |
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(duì)中 |
0.0054 |
O.9489 |
0.0000 |
0.0000 |
0.0015 |
0.0036 |
| 油膜渦動(dòng) |
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(shí)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(shí)別 |
0.0000 |
0.0000 |
0.0000 |
0.8510 |
1.0000 |
0.0250 |
0.0000 |
未知 |
| 待識(shí)別 |
0.6501 |
0.0000 |
0.0000 |
1.0000 |
O.0000 |
0.1254 |
0.1159 |
未知 |
| 待識(shí)別 |
0.0000 |
0.6820 |
0.0000 |
1.0000 |
0.0120 |
O.0086 |
0.0000 |
未知 |
表6-4 待識(shí)別的故障樣本的識(shí)別結(jié)果
| |
不平衡 |
不對(duì)中 |
油膜渦動(dòng) |
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(wèn)題，但是它訓(xùn)練過(guò)程存在著不確定性。比如，對(duì)于一些復(fù)雜的問(wèn)題，它可能要訓(xùn)練幾天以至幾周的時(shí)間，甚至根本不能訓(xùn)練。冗長(zhǎng)的訓(xùn)練時(shí)間，可能是由不適當(dāng)?shù)恼{(diào)節(jié)階距引起的，也就是與選取的訓(xùn)練步長(zhǎng)太小有關(guān)。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，另一是局部最小。
針對(duì)BP訓(xùn)練算法存在的問(wèn)題，人們提出了許多改進(jìn)算法，針對(duì)訓(xùn)練速度問(wèn)題，人們提出了回歸算法、樣本添加法、雙BP算法等改進(jìn)算法；針對(duì)網(wǎng)絡(luò)完全不能訓(xùn)練問(wèn)題，人們提出了改進(jìn)誤差函數(shù)和統(tǒng)計(jì)訓(xùn)練算法等改進(jìn)算法。
上一頁(yè)
下一頁(yè)
