基于人工神經網絡的工業機械故障診斷優化方法研究

羅校清

摘 要：針對當前工業機械設備運行數據龐大，設備故障診斷復雜等問題，采用三層式BP神經網絡，結合主元分析法，研究用于工業機械設備故障診斷的BP神經網絡的優化方法，來對設備故障原因進行分類，并在此基礎上探討BP神經網絡對于不同場景的應用，從而提高BP神經網絡的應用價值。

關鍵詞：人工神經網絡；工業機械故障；診斷；優化方法

中圖分類號：F407.4 文獻標志碼：A 文章編號：2095-2945（2017）30-0106-03

前言

隨著信息技術在各行各業的不斷深入推進，有效帶動了科學技術日新月異的發展，現代工業逐漸向標準化、智能化、自動化和數字化方向發展，對工業生產指數提出了更高要求。特別神經網絡概念的提出，使人工智能在工業機械故障診斷方面得到了前所未有的應用，我國很多學者開始對神經網絡在工業機械故障診斷中的應用進行研究，并取得了一定的成果，如東北大學虞和濟教授等對機械設備故障診斷的人工神經網絡進行了深入的研究，建立了旋轉機械神經網絡分類系統[1]并得到了應用，取得了滿意的效果。西安交通大學的屈梁生教授等較早地利用人工神經網絡對大型旋轉機械的各種故障進行了全面的研究[2]，研究了如何從現場故障信號中將全息診斷法用于神經網絡診斷系統中。有聯想記憶和對故障實例進行學習的功能，在用于設備軟故障診斷時，可避開對設備結構的數據模型研究，因此為設備診斷優化技術開辟了新的途徑。

1 國內外研究現狀及發展動態分析

自開始工業生產以來就存在對機械設備的故障診斷，剛開始是憑著工匠豐富的經驗來判斷一些故障的存在并且給出修復的方法[3]。故障診斷作為一門學科，是在二十世紀六十年代之后興起的[4]，最早進行機械設備故障診斷的是美國，英國、日本、挪威、瑞典、丹麥等國家緊跟其后。因為美國在1961年執行阿波羅計劃之后發現了許多設置故障，所以美國宇航局在1967年倡導成立美國機械設備故障預防部門，專門負責機械故障的技術研發[5]。歷經40年的不斷發展，機械設備故障診斷機構，其技術已經逐漸形成以抽樣分析、振動診斷、溫度檢測為主，一些新技術不斷發展的新局面，隨著計算機技術的進步，極大的促進信號分析和處理技術的迅速發展，進一步推動了機械設備故障檢測技術的進步更全面科學的發展。

綜上所述，前人的理論基礎和實驗基礎已經具備，但是僅用BP神經網絡用于機械設備故障診斷的時間過長，不能很好地及時反映機械故障，且將主元分析法和BP神經網絡結合的用法比較少[6]。又由于工業機械機理復雜，所處運行環境不一，突變性、隨機性等情況較多。因此，建立適用于工業機械的有效監控與故障診斷系統并推廣其應用具有一定的研究價值。先用主元分析法在力保數據信息損失最少的原則下，對高維變量空間進于降維，再用BP神經網絡進行機械軟故障的分類與預警，以提高BP神經網絡用于機械故障診斷的效率，這在故障診斷中是一種比較新的方法。

2 基于人工神經網絡的工業機械故障診斷優化方法的選擇

針對工業機械設備進行性能檢測，并將設備的參數調整至最佳值，以提高系統工作的穩定性和可靠性，是一項非常重要的任務。而傳統的外場檢測方法只是應用模擬式外場檢測儀對其行檢測，這種檢測方法雖然簡單易行，但是對系統的覆蓋率較低，無法對系統的軟故障進行診斷。因此選取比較好的檢測方法是完成這一任務的前提條件。

2.1 主元分析法

主元分析法（PCA）是基于多元統計過程控制的故障診斷技術的核心，由卡爾·皮爾遜于1901年發明，經常用于分析工業機械運行過程中的數據及建立數理模型。它試圖將一個高維數據矩陣簡化、降維，從而揭示工業機械運行數據矩陣中的主要結構。主元分析法實質上是過程變量協方差或相關矩陣的特征向量分解。經過在實踐過程中不斷的研究和發展，主元分析法目前已被廣泛的應用在工業機械故障的分析和監測中，特別是在工業機械故障監測中起到了一定的促進作用。經過多年的研究和發展，已被成功地應用于工業機械運行過程分析和監測，由于其不依賴過程數學模型，逐漸成為近年來研究熱點之一。

2.2 人工神經網絡

人工神經網絡（ANN）是20世紀80 年代以來人工智能領域興起的研究熱點。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。神經網絡是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。人工神經網絡是由大量處理單元互聯組成的非線性、自適應信息處理系統。它是在現代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。BP神經網絡是人工神經網絡的一種，在1974年以后在神經網絡的背景下應用，由Paul Werbos、David E. Rumelhart、杰弗里·辛頓和Ronald J. Williams的著作，它才獲得認可。目前，在人工神經網絡的實際應用中，絕大部分的神經網絡模型都采用BP網絡及其變化形式，它也是前向網絡的核心部分，體現了人工神經網絡的精華，其學習規則是按誤差逆向傳播算法進行網絡訓練的多層前饋型神經網絡，是一種有效的分類和識別工具，可以對機械設備故障類型進行分類。

但利用BP神經網絡對機械設備進行診斷之前，若不對原始樣本數據進行處理與特征提取，一方面使分類結果準確性降低，另一方面使BP神經網絡的結構復雜化，而主元分析法能較好地提取表征樣本的少數幾個主分量。由此可見，有必要采用主元分析法解決BP神經網絡結果準確性降低和結構復雜化的問題，從而提高BP神經網絡的收斂速度以更有效更及時地將機械設備出現的軟故障分類并預警，并在此基礎上探討出相應的用于工業機械設備故障診斷的BP神經網絡的優化方法模型，在應用上進一步發揮其有效的作用。

3 基于人工神經網絡的工業機械故障診斷優化方案的設計endprint

工業機械設備運行數據龐大，采用已有的神經網絡故障診斷方法由于過程變量數目的繁多，使得整個網絡的結構相當復雜，并且，在實際過程中，這些過程變量之間往往具有嚴重的相關關系，這將導致網絡的泛化性變差。考慮到這些數據的分布和彼此間的相關性包含了過程的特性，本文將結合多變量統計技術中的主元分析技術舍去噪聲，將高度相關的過程數據投影到低維變量空間，而保留原有有用信息。再將數據作為輸入值用于BP神經網絡。在BP神經網絡方法的基礎上，結合主元分析法，進一步研究用于工業機械設備故障診斷的BP神經網絡的優化方法，機械故障診斷流程由模型建立、故障檢測、故障診斷和輸入顯示組成。具體如圖1所示。

3.1 數據預處理

在使用機械設備運行產生的數據之前，需先對機械設備的歷史數據進行預處理，用數據清理的方法對數據進行數據審核，數據篩選，數據排序，以提高算法運行的質量。

3.2 構造主元模型，提取數據特征

構造主元模型，即收集工業機械設備正常情況下運行的歷史數據，按照主元模型標準，利用統計方法找出能夠表達正常運行情況下過程各變量之間的因果關系的低維主元成分。確定主元的個數，通過對協方差矩陣進行特征分解，以得出數據的特征向量（主成分）與它們的特征值（權值）。

3.3 建立神經網絡診斷系統模型

檢測到機械設備故障后需要進行故障診斷。主要從機械故障識別與機械故障重構進行分析。當機械發生故障時，從異常的參數判斷分析出哪個傳感器出現了異常，再利用已有的模型，將正常的數據恢復出來。而機械故障識別與機械故障重構最主要的由BP神經網絡來完成。BP神經網絡模型拓撲結構如圖2所示，包括輸入層、隱藏層和輸出層。其中網絡的輸入模式為X=（x1，x2，x3，x4，x5，x6，x7，x8，x9，x10）T，輸出為O=（cu（t），mu（t））.其中X為經過主元分析法降維后的特征向量集；O為結果集，表示未出現故障或出現故障的位置[8]。

BP神經網絡的工作過程主要由工作階段和學習階段兩部分組成，最開始是工程階段， 開始階段網絡各節點的連接權值固定不變， 網絡的計算從輸入層開始， 逐層逐個節點計算每一個節點的輸出， 直到輸出層中的各節點計算完畢。接著就是學習階段，反復更新學習，減少誤差。學習流程圖如圖3所示。

3.4 對系統模型中的方法進行優化與訓練

基于BP神經網絡的工業機械設備故障診斷的方法，用主元分析法對神經網絡進行訓練和優化，利用BP神經網絡能夠自動學習的功能，實時記錄、收集和整理工業機械設備在運行過程中所發生的各類故障詳細數據，并將其有用的數據輸入到網絡神經訓練樣本矩陣中，對神經網絡故障診斷模型進行再訓練，對神經網絡故障模型的相關系數（連接權重和神經元的閾值）不斷進行優化，最后，達到提高工業機械故障診斷模型的預測精準性和穩定性。

3.5 探索優化方法在其他故障診斷中的應用

因為在不同的神經網絡結構中，語義變量的范圍是不同的。因此，為了提高結合主元分析法的BP神經網絡優化方法的適應性，提出一個普遍適用于大多數神經網絡結構而無需重構的模型就顯得很有必要。

4 結束語

人工神經網絡應用于機械設備故障診斷起源于80年代末期，這幾十年來有很多專家學者對其應用進行了探討，取得了一定的成果。本文以這些成果為基礎，進一步研究人工神經網絡在工業機械故障診斷中應用的優化方法，并將其運用到機械運行故障診斷數據處理中。針對BP神經用于機械故障檢測，提出相應的優化方法，提高原算法的魯棒性，并加快BP神經網絡算法的收斂，提高其效率，能及時判斷所出現的軟故障類型并預警，有利于推廣優化算法的應用，并應用了主元分析法來解決BP神經網絡算法的收斂慢的問題。

參考文獻：

[1]虞和濟.基于神經網絡的智能診斷[M].治金工業出版社，2002.

[2]屈梁生.機械監測診斷中的理論與方法[M].西安交通大學出版社.

[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.對機械設備故障診斷的發展歷程及展望[Z].

[5]錢學森.論系統工程[M].長沙：湖南科學技術出版社，1982.

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

[7]包子陽，余繼周.智能優化算法及其MATLAB實例[M].電子工業出版社，2016.

[8]王旭，王宏，王文輝.人工神經元網絡原理與應用[M].東北大學出版社，2007.endprint