基于ＢＰ神經網絡的設備預測維修

　　在設備管理中，通過對設備運行狀態指標發展趨勢的預測，可以合理地安排設備的維修時間，避免大故障發生，降低維修費用，保證生產安全。設備故障類型和維修時間的預測一直是一個難題。事后維修和定期維修難以達到現代化生產對設備維修管理的要求。在此情形下，具有決策功能的預測維修越來越引起人們的重視。預測維修是根據設備的日常點檢記錄、狀態監測和診斷信息，運用數據分析方法，綜合專家知識，分析設備的劣化程度，故障隱患的發展趨向，確定維修類別、部位及時間，在故障發生前有計劃地進行適當的維修。預測維修的難點在于預測方法的選擇。目前，經濟大修模型和模糊聚類法已應用于預測維修，但經濟大修模型是以設備大修的次數為界限來確定設備經濟壽命，是一種傳統的設備預測維修方法。模糊聚類分析法較傳統方法有了較大改進，但在智能化方面顯得不足，不具備良好的自學習、自適應能力。基于BP神經網絡的設備預測維修方法，BP神經網絡具有良好的自學習性、智能性和準確性。
　　
　　一、BP學習算法
　　
　　由于BP神經網絡（Back-Propagation Neural Network）具有非線性、魯棒性和并行性等突出的特點，適用于解決非線性的復雜系統問題。BP神經網絡有一個比較實用和有效的訓練方法，為工程應用創造了條件。BP神經網絡是一個多層網絡，圖1是一個具有三層神經元結構的BP網絡，最左層稱為輸入層，中間層稱為隱含層，最右層稱為輸出層。
　　輸入層與隱層間權值為wki，閾值為bk，隱層與輸出層間權值為wjk，閥值為bj。隱層和輸出層的輸出分別為：
　　
　　q為輸出層神經元個數，Tpj為期望輸出。
　　BP神經網絡的學習算法如下：1、構造學習訓練模式。對P和T給出輸入、輸出樣本；2、網絡狀態初始化。用隨機化方法將兩個權重矩陣wki、wjk兩個偏差矩陣bk、bj設置初始值；3、將P的值送到輸入層神經元，通過連接權重矩陣ωki送到隱含層神經元，按公式（1）計算隱含層神經元輸出值；4、按公式（2）計算輸出層神經元的輸出值；5、按公式（3）計算輸出層神經元的一般化誤差；6、調整隱含層到輸出層的連接權重：Δwjk=ηejopk，η是學習率；7、調整輸入層到隱含層的連接權重：Δwki=ηekopi神經元的誤差等于所有與該神經元相連的神經元的輸出端誤差乘以對應的權值并求和；8、調整輸出層神經元的偏差：Δbj=ηej；9、調整隱含層神經元的偏差：Δbi=ηek；10、重復第3步至第9步的內容，誤差ej（j=1，2，…，q）變得足夠小為止。
　　為了減少迭代次數，加快收斂，常采取學習率的自適應調整、增加權重動量項及初始權值與偏差值隨機化的組合方法。如果將遺傳算法與BP神經網絡結合起來，得到一種混合算法。此算法首先用遺傳算法對神經網絡的參數進行優化，得到一個權值范圍，再用BP算法在這個小空間范圍內搜索出最優解。用遺傳算法修正網絡參數，代替了直接用梯度法求網絡參數的方法，提高了算法的搜索效率。遺傳算法不僅能對網絡參數進行優化，還能對網絡結構和網絡輸出進行優化。
　　
　　二、設備預測維修
　　
　　1、預測維修流程。預測維修以量化點檢為基礎，利用設備狀態監測等數據，充分考慮專家知識，選擇BP神經網絡算法，選取大量的維修樣本對系統進行訓練，使其掌握從已知設備狀態參數來確定維修策略的知識，據此對未來設備狀態和故障發生時間等進行預測。維修流程如圖2所示。
　　2、時間序列預測。時間序列預測是根據過去的一組觀測值序列，找出符合發生故障的變化函數。然而，由于受到多種因素的影響，系統的發展變化是高度非線性的，很難直接找到描述設備故障規律的函數。BP神經網絡具有高度自學習能力，可以任意逼近非線性函數，因此，BP神經網絡適合模擬復雜的非線性系統。
　　假設某個時間序列為{xn}，則預測可用下式表示：
　　xn+k=f（x1，x2，…，xn）
　　用BP神經網絡擬合函數f，網絡有x1，x2，…，xm個輸入和一個輸出。將發生故障的觀測時間值序列化得到一組輸入樣本：
　　x=[x1，x2，…，xm]T=[序列1，序