人工神經網絡技術在壓風控制系統中的應用研究*

潘 超 張秀山 李昂欣 劉 偉

(1.北京北計普企軟件技術有限公司 北京 100036) (2.海軍工程大學計算機工程系 武漢 430033)(3.93682部隊 順義 101301)

?

人工神經網絡技術在壓風控制系統中的應用研究*

潘 超1張秀山2李昂欣3劉 偉3

(1.北京北計普企軟件技術有限公司 北京 100036) (2.海軍工程大學計算機工程系 武漢 430033)(3.93682部隊 順義 101301)

對工業用離心式空氣壓縮機中供風系統的故障診斷進行了研究,針對目前壓風控制系統故障診斷方法缺乏智能性,難以實現有效的系統故障預警的缺點,引入了人工神經網絡技術,并以此為核心,構建遠程故障診斷專家系統模塊,詳細分析了神經網絡技術在空氣壓縮機故障診斷中的應用,有效地提高了遠程監控系統對壓風系統故障的預判斷及處理能力。

遠程控制; 信號采集; 神經網絡; 故障診斷

Class Number TP18

1 引言

在工業生產領域中,經常需要空氣壓縮機為生產流程供風,很多企業采用離心式空氣壓縮機取代原有的活塞式空壓機,并建立空壓站,具體負責壓縮空氣的產生的傳輸[1]。離心式空氣壓縮機具有運行效率高、綜合性能好等優點[2]。為了更好地對空壓機的工作狀態進行監控,有必要構建一套壓風控制系統,用以監測和管理空壓機的工作流程。

故障診斷是壓風控制系統中的重要內容,空壓機結構復雜,在長時間運行過程中很容易出現故障,對工業生產造成嚴重的影響[3]。本文針對目前空壓機故障診斷方法缺乏智能性,預判和預警能力不足,難以保障安全生產的問題,引入了人工神經網絡技術,利用歷史數據對其進行訓練,使用時對空壓機各監測點的數據進行實時分析,構建了遠程故障診斷專家系統模塊,詳細分析了空壓機故障診斷神經網絡的構建過程,討論了其在空氣壓縮機故障診斷中的應用,證明其能夠有效地提高遠程監控系統對壓風系統故障的預判斷及處理能力。

2 離心式空壓機常見故障分析

離心式空氣壓縮機存在著一些常見的故障,主要包括[4]:

1) 轉子不平衡。離心式空壓機的轉子由軸承和葉輪組成,負責空氣的進入和定向增壓輸送,由于需要長時間地工作,易出現運行不平衡的現象,其可能的原因包括空壓機自身工藝水平沒有達到要求,轉子結垢,零件磨損,有異物進入影響轉子正常工作等。

2) 轉子不對中。該類故障主要包括軸系不對中和軸承不對中兩種類型,其中軸系不對中較為常見。軸系不對中是指聯接軸上的各個轉子并不在一條直線上,當轉子不對中幅度較大時,極有可能造成軸承迅速磨損變型,導致嚴重的后果。

3) 轉子彎曲。該類故障主要是指離心式空壓機中的各個轉子中心線彎曲。由于制作工藝不到位,或者運行過程中的操作不當,易造成轉子的永久彎曲,這是不可恢復的,而由于某次操作不當造成的轉子彎曲則是可以恢復的。

4) 油膜振蕩。該類故障主要是由于軸系設計工藝有偏差,軸承損耗、潤滑油使用不當等原因引起的旋轉軸自激振動,這是一種非外界原因導致的故障,由于自激振蕩可不斷自我加強,所以對于整個空壓機的破壞性較大。

5) 旋轉失速與喘振。這兩種故障是離心式空壓機所特有的,旋轉失速是指轉子的葉輪由于系統設計的不當,或者氣流管道被堵塞,以及對排氣流量的設置不正確等原因引起的速度不平衡,進而對壓縮機的正常工作性能指標產生影響[5]。旋轉失速進一步發展就會導致喘振的發生,喘振的危害性更大,會導致離心式空壓機的災難性事故。

3 故障診斷模塊的設計

空壓機故障診斷功能的設計主要是根據空壓機參數的數值狀態和變化情況,判斷空壓機是否存在故障,并判斷出故障的類型。主要解決的問題包括: 1) 空壓機狀態參數的獲取與分析, 2) 對可能出現故障的判斷。

第一個問題的解決主要是設計對空壓機狀態信息的遠程查詢功能,通過上位機向各空壓機發送數據獲取指令,得到其狀態數據,并存儲到數據庫中,再根據故障判斷處理的需求,將所需要的數據提取后處理,其流程如圖1所示。

圖1 故障診斷基礎數據獲取流程圖

如圖1所示,通過上位機控制獲取到的空壓機參數數據將保存到數據庫中,根據故障診斷處理的需求進行讀取和處理,其處理的結果將作為后繼數據智能處理算法的基礎。

第二個問題的解決主要是依靠智能化的數據處理方法,構造專家系統,將專家的經驗進行數字化處理,從而實現對故障類別的自動判斷。本系統構建了專家系統用于對空壓機的故障進行診斷。專家系統的核心是基于知識的推理過程。空壓機專家系統的構建如圖2所示。

圖2 空壓機故障診斷功能專家系統結構圖

專家系統的輸入為空壓機各參數的實時變化數值,然后通過引用知識庫中已經完成的故障模型,推理出當前可能存在的故障隱患。空壓機可能出現多種故障類型,針對每一種故障類型,專家系統給出故障相應的解決方案。專家系統的構建涉及到多個理論領域的內容,包括模糊數學、灰色理論、神經網絡理論等。從總體上看,專家系統由知識庫、知識獲取模塊、數據庫、推理解釋模塊等組成。其中知識庫中存儲啟發性知識,推理模塊中組織和調用知識庫中的知識和元數據實現對參數數值的判定,知識獲取模塊通過人工和智能算法相結合的方式,生成對故障進行處理的啟發式知識。

4 故障診斷功能的實現

人工神經網絡的應用是空壓機故障診斷的核心。首先通過設置監測點獲取數據,然后再利用經過訓練的神經網絡對其進行處理,通過輸出的狀態對故障類型進行判斷。

4.1 監測點的選取

空壓機運行狀態包括多個參數類型,對監測屬性的選取主要是從保證空壓機安全運行的角度出發,選取最具有代表性的、與空壓機運行監管過程相關度最高的監測點。離心式空壓機常見的故障在第2節已經進行了分析,經過多年的研究和統計,各類故障的名稱、發生的概率、產生故障的原因如表1所示。

表1 離心式空壓機故障及原因表

由表1可知,由于離心式空壓機中各類原因引起的故障,其故障表現中,噪聲、振動、溫度、壓力等物理量均會出現相應的變化,所以選擇噪聲、振動、溫度、壓力作為空壓機的監測物理指標對象。

4.2 基于神經網絡的診斷實現

神經網絡包括多種類型,BP神經網絡是其中應用最為廣泛的一種模型。BP神經網絡通過反饋的方式對網絡中的參數和權值進行調整,通過不斷的誤差修正,使網絡誤差減小到可接受的范圍內[7]。BP神經網絡具有對非線性函數的無限逼近能力,還具有非常強大的泛化功能。相關的理論證明表明,利用三層BP神經網絡,在隱含層節點可自由設置的情況下,可以實現對任意非線性連續函數的仿真[8]。

BP神經網絡的輸出是將輸入的信號經過具有不同權值、閾值的隱含層節點處理,最終形成的線性組合。隱藏層中的節點由任意階的非常數導數組成,該模式下的神經網絡可以無限逼近非線性連接函數。BP神經網絡的工作流程為:首先將輸入信號接入到輸入層,然后經過隱含層作用函數的處理后進入輸出層,再經過處理后輸出最終的結果。BP神經網絡的結構如圖3所示。

圖3 BP神經網絡結構圖

其中,隱含層所采用的作用函數選取十分關鍵,一般使用的是Sigmoid函數,如式(1)所示:

(1)

對于壓風控制系統的故障診斷,還可以采用其他作用函數,包括:

1) 線性函數

f(x)=kx

(2)

其中k為常數。

其次，雖然我國對少數民族學生采取了特殊的高考招生政策，但是在少數民族學生就業方面，并未制定相對完備的政策，使得大量的少數民族學生不能按時就業，影響了民族地區的經濟和文化發展。因此，要增加有關少數民族畢業生就業問題的政策和法規，加強政府在就業管理與服務工作中的推動作用，同時，用人單位增強自身競爭能力，建立良好的就業環境，吸引人才，增強人才積聚力。[12]如建立“訂單式”的人才培養模式，以建立企業和學校的良性互動，緩解少數民族學生的就業問題。

2) 閾值函數

(3)

其中x0為閾值。

3) 雙曲正切函數

(4)

4) 高斯函數

(5)

在空壓機故障診斷過程中,可以根據不同的故障診斷要求對隱含層的作用函數進行選擇,通過對比,選擇一種處理效果最好的作用函數。BP神經網絡算法的學習過程包括正向和反向兩個過程,正向過程中,信號數據由輸入層接入,經過隱含層和輸出層的處理后得到結果,在此過程中,每一層的神經元狀態只會對下一層的神經元產生作用;如果輸出的結果不符合要求,則通過反向的過程,將信號產生的誤差按照正向的路徑進行反饋處理,在此過程中對網絡的權值等參數進行修改。不斷地重復這一過程對網絡進行訓練,使BP神經網絡的誤差小于設定的閾值。

對于BP神經網絡學習過程的處理,設網絡中的輸入層、隱含層、輸出層的節點數分別為n、l、m,總的訓練樣本數設置為N個,由于輸入層有n個節點,所以輸入樣本的向量表達式為(x1,x2,…,xn),BP網絡中還包括連接不同層之間線路的權值,輸入層和隱含層之間的連接權值設為Wji,則隱含層的輸入表達式如式(6)所示:

(6)

隱含層的輸出表達式為

Outj=f(NETj)

(7)

式中的作用函數即為隱含層所選取的作用函數。設隱含層與輸出層之間的連接權值為Wkj,則輸出層的輸入如式(8)所示:

(8)

輸出層的輸出如式(9)所示:

yk=f(Ink)

(9)

對于在BP神經網絡訓練過程中出現的誤差,采用平方誤差的計算方式,以所有參與訓練的樣本總誤差為研究對象,誤差表達式如式(10)所示:

(10)

基于BP神經網絡,對傳統的專家系統進行改進。首先是構建專家系統的知識庫,在引入了BP神經網絡后,該步驟主要對BP神經網絡中的Wji和Wkj進行確定。其具體的步驟如下:

Step1:根據空壓機故障的實際情況構建BP神經網絡的結構。

Step2:選擇并預處理訓練樣本

采集用于故障診斷BP神經網絡訓練所用的樣本信號數據,這些數據來源于實際的生產過程,有著明確的故障判別規則。這些數據在使用前還需要對其進行預處理,從而使BP神經網絡的訓練更為科學可靠。

Step3:利用訓練樣本數據對構建好的BP神經網絡進行訓練,通過反向的誤差糾正操作,對網絡中的連接權值和閾值進行不斷的調整,最終完成知識庫的構建。對于完成了訓練的BP神經網絡,將網絡中的權值和閾值保存到相應的文件中。

根據專家系統的構建流程,在完成知識庫的構建后,下一步驟是構建推理機能。在引入了BP神經網絡處理技術后,這一步驟即為利用訓練好的神經網絡實現對新輸入數據的處理和判斷。其步驟如下:

Step1:構建BP神經網絡,也就是從文本數據庫中取出BP神經網絡的權值、閾值等信息,然后據此建立BP神經網絡,完成對知識庫的構建。

Step2:對選定的四個監測信號源數據進行處理,生成BP神經網絡的輸入向量(x1,x2,…,xn)。

Step3:利用BP神經網絡對于輸入的向量進行處理,得到故障診斷的結果。

經由BP神經網絡處理后得到的結果并不是專家系統的直接輸出。由于在BP神經網絡的隱含層采用的是Sigmoid作用函數,所以從輸出層得到的處理結果只是趨近于1或者0,而無法真正達到1或者0,因此在實際處理時要設定閾值,該閾值的確定來源于神經網絡訓練過程中對于樣本的處理,其取值為0.7,也就是大于0.7的輸出值認為是所發生的故障。

在基于BP神經網絡的專家系統實際使用過程中,經常會出現所有輸出層節點得到的值都小于閾值的情況,導致專家系統無法判斷出現的故障類型,所以還需要在輸出層建立故障的判斷機制。

通過觀察發現,當空壓機發生某類故障時,表征該類故障的輸出節點值雖然有可能小于閾值,但是明顯比其他節點輸出值大。例如,當采集到的信號數據經過BP神經網絡的處理得到的油壓異常輸出為0.452、不對中異常輸出為0.082、轉子不平衡異常輸出為0.041時,可以判斷,由于油壓異常故障的輸出值明顯大于其他的異常輸出情況,所以目前空壓機出現的故障為油壓異常。

5 結語

傳統的專家系統雖然在實際的應用中取得了一定的效果,但是也存在著較多的問題,主要是知識獲取模塊的科學性和合理性無法令人滿意,現有的知識難以高效地維護,故障推理的能力偏弱。為了進一步提高專家系統的故障診斷能力,本系統在設計中引入了神經網絡技術,兩者相結合,取長補短,可以有效地提高故障診斷的正確性和效率。

[1] Emmons H W, Pearson C E, Grant H P. Compressor Surge and Stall Propagation[J]. Transactions on ASME,2010,77:455-469.

[2] Greitzer E M. Surge and Rotating Stall in Axial Flow Compressors, Part Ⅰ: Theoretical Compression System Model[J]. Journal of Engineering for Power,2011,98(2):1990-1998.

[3] Hansen K E, Jorgensen P, Larsen P S. Experimental and Theoretical Study of Surge in a Small Centrifugal Compressor[J]. Fluid Engineering,2009,103(3):391-394.

[4] Gravdahl J T, Egeland O. Compressor Surge and Rotating Stall: Modeling and Control[M]. Berlin: Springer,2011:33-36.

[5] Simon J S, Valavani L, Epstein A H, et al. Evaluation of Approaches to Active Compressor Surge Stabilization[J]. Journal of Turbomachinery,2010,115(1):57-67.

[6] Yao X, et al. A New Evolving System for Evolving Artificial Neural Networks[M]. IEEE Trans NN,2012,8(2):694-698.

[7] Riedmiller Martin, Braun Heinrich. A direct adaptive method for faster back propagation learning: The RPROP algorithm[J]. Proceedings of the IEEE International Conference on Neural Networks,2013(9):43-45.

[8] Behera Lon adaptive learning rate that guarantees convergence in feed forward networks[J]. IEEE Transactions on Neural Networks,2010(6):81-83.

Application of Artificial Neural Network in the Wind Pressure Control System

PAN Chao1ZHANG Xiushan2LI Angxin3LIU Wei3

(1. Pushsoft Technology Co. Ltd, Beijing 100036) (2. Dapartment of Computer Engineering, Naval University of Engineering, Wuhan 430033) (3. No. 93682 Troops of PLA, Shunyi 100301)

Fault diagnosis of air supply system in centrifugal air compressor for industrial is studied. Aiming at the disadvantages that diagnosis methods of fault in wind pressure control system is lack of intelligence, and difficult to realize fault warning defects effectively, the technology of artificial neural network is introduced, and used as the core to construct remote fault diagnosis expert system module, make a detailed analysis of the application of neural network technology in fault diagnosis of air compressor. It effectively improves on the compressed air system fault pre judgment and the processing ability of the remote monitoring system.

remote control, signal acquisition, neural network, fault diagnosis

2015年3月4日,

2015年4月17日

潘超,男,研究方向:計算機網絡技術。張秀山,男,博士,教授,研究方向:虛擬仿真與可視化。李昂欣,男,工程師,研究方向:計算機通信。劉偉,女,助理工程師,研究方向:計算機通信。

TP18

10.3969/j.issn.1672-9730.2015.09.038