人工神经网络及其在机械故障诊断中的应用

人工神经网络及其在机械故障诊断中的应用

熊施园

东风汽车有限公司东风日产乘用车公司510800

摘要：机械设备的故障诊断主要是根据它在运行过程中出现的各种状态信息对其故障进行分析与识别。人工神经网络具有大规模并行、分布式存储和处理、自组织、自适应和学习能力，特别适用于处理需要同时考虑许多因素和条件的、不精确和模糊的信息。本文主要分析了人工神经网络的基本原理，分析了BP神经网络，探讨了人工神经网络在机械故障诊断中的应用步骤，最后分析了机械故障诊断中的人工神经网络诊断应用。

关键词：人工；神经网络；机械；故障；诊断

随着科学技术的发展，现代化机械设备的工作强度不断增大，生产效率、自动化程度越来越高，同时设备更加复杂，各部分的关联也更加紧密，某处微小故障可能会导致整台设备乃至与设备有关的环境遭受灾难性的毁坏。近年来，设备预防维修制度正逐步向设备预知维修制度过渡，与设备预防维修制度相比，预知维修制度以振动监测与故障诊断技术为基础，可以做到及早发现故障，及时消除故障隐患，防止故障的进一步发展，能预防和减少恶性事故的发生，保障人身和设备安全；可以节省设备维修时间，增加设备运行时间，节约维修资金，进而提高企业的生产率与经济效益，对单过程、单故障和渐发性故障的简单系统，传统的诊断方法和诊断理论可以发挥较好的作用，但对多过程、多故障和突发性故障以及复杂庞大、高度自动化的大型设备和系统就具有很大的局限性，将人工智能的理论和方法应用于机械故障诊断，发展智能化的机械故障诊断技术，是机械故障诊断的一个新的途径。

1人工神经网络的基本原理

人工神经网络由于具有独特优点即具有容错、联想、推测、记忆、自适应、自学习和处理复杂多模式的功能。人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。它是植根于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一门技术。人工神经网络是近年来的热点研究领域，随着人们对大脑信息处理机理认识的深化以及人工神经网络智能水平的提高，它必将在科学技术领域发挥更大的作用。

人工神经网络(ArtificialNeuralNetwork，ANN)称为神经网络，是由大量简单的处理单元(称为神经元)广泛互联而成的网络，是对人脑的抽象、简化和模拟，反映人脑的基本特性。

目前，在众多神经网络中前馈型神经网络因其良好的逼近能力和成熟的训练方法得到了广泛的应用。

2BP神经网络分析

在机械设备故障诊断中应用最多的是BP(BackPropagation)神经网络模型。它属于多层感知器MIP(multi-layerperceptron)，网络结构由输入层、隐层(1个或多个)和输出层组成，网络训练采用梯度下降法，按广义的8规则改变权值．其学习过程采用误差反传(BackPropagation)算法，有较好的非线性映射能力、泛化能力和容错能力。

神经网络是一个具有高度非线性的超大规模连续时间动力系统。是由大量的处理单元(神经元)广泛互连而形成的网络。它是在现代神经科学研究成果的基础上提出的，反映了脑功能的基本特征。但它并不是人脑的真实描写，而只是它的某种抽象、简化与模拟。

网络的信息处理由神经元之间的相互作用来实现；知识与信息的存储表现为网络元件互连间分布式的物理联系；网络的学习和计算决定于各神经元连接权系的动态演化过程。因此神经元构成了网络的基本运算单元。每个神经元具有自己的阈值。每个神经元的输人信号是所有与其相连的神经元的输出信号和加权后的和。而输出信号是其净输入信号的非线性函数。如果输人信号的加权集合高于其阈值，该神经元便被激活而输出相应的值。在人工神经网络中所存储的是单元之间连接的加权值阵列。根据网络的拓扑结构和学习规则可将人工神经网络分为多种类型，如不含反馈的前向神经网络、层内有相互结合的前向网络、反馈网络。人工神经网络模型是采用BP算法的多层前向网络。

当然，还有径向基函数网络(RBF-NN)，概率神经网络（PNN)，学习矢量量化网络(LVQ)，模糊神经网络(FNN)以及小波神经网络等人工神经网络。

3人工神经网络在机械故障诊断中的应用步骤

人工神经网络故障诊断的一般步骤如下：

(1)通过信号监测和分析，抽取反映被检测对象(设备部件或零件等)的特征参数，如(x1，x2，x3)作为网络的输入模式。

(2)对被检对象的状态类别进行编码。例如：对于正常、故障1和故障2三种状态，可将期望输出编码设为正常(0，0)；故障1(0，1)；故障2(1，0)。

(3)进行网络设计，确定网络总层数和各层单元数。输入层单元数由特征参数个数确定；输出层单元数由状态数和状态编码方式确定；隐层一般为一层，问题复杂时可取两层，隐层单元数的选取目前尚无理论依据，可根据经验和使用情况确定。

(4)用各种状态样本组成训练样本，对网络进行训练，确定各单元间连接权值。

(5)用训练好的网络对待检对象进行状态识别，即把待检对象的特征参数作为网络输入，根据网络输出确定待检对象的状态类别。为了提高网络的诊断性能可把使用中发现的错误判断，按其实际输入和期望输出构成训练样本，并加入训练样本集，对网络进一步训练，由此，网络的性能便得到进一步的改善。

4机械故障诊断中的人工神经网络诊断应用

柴油机燃油系统的状态信息主要体现在高压油管的压力波形中，当某处发生故障时，必然原有供油状态发生变化，燃油流动的压力和流速等参数会有相应的改变，反映在压力波形上将导致波形形态和波形参数值的变化。因此利用压力传感器测取高压油管的燃油压力波形，并对波形进行分析、提取出故障特征，再利用人工神经网络模型对特征值进行模式识别就可达到故障诊断的目的。

(1)根据传感器采集的柴油机燃油压力数据，绘制出不同供油量状态下的燃油压力波形，提取出最大压力、启喷压力、落座压力、次最大压力、波形幅度、上升沿宽度、波形宽度、最大余波宽度这些特征值。

(2)提取特征值样本，每个样本有8个特征值，对应4种供油状态，分别为100％油量、75％油量、25％油量和怠速油量。将输出编码设为100％油量(1，0，0，0)、75％油量(0，1，0，0)、25％油量(0，0，1，0)和怠速油量(0，0，0，1)。

(3)建立BP神经网络，网络设计采用三层BP网络，网络的输人层个数为8个，输出层的个数为4个，隐含层的个数并不是固定的，经过实际训练的检验和不断的调整确定隐含层的个数近似遵循下列关系n2=2n1+1，其中n1为输入层个数，n2为隐含层个数，因此隐含层个数为17个。

(4)利用网络训练的原始样本，确定初始连接值和阈值后利用Matlab编程，得出最终的各个连接权值和阈值，训练结束。

(5)网络训练结束后，另选一组数据进行诊断测试。

通过测试可以看出，该神经网络不但得出了正确的诊断结果而且诊断误差非常小，因此可以判定，该网络完全可以满足柴油机喷油量不足的诊断要求。

5结语

综上所述，在机械设备故障诊断中，人工神经网络的应用显示了巨大的优越性，随着信号处理方法的不断完善，以及模糊逻辑、遗传算法等与神经网络更加结合，使得人工神经网络技术更加成熟，在机械设备故障诊断中将有更加深入的应用，选择合适的神经网络对机械设备进行故障诊断将为设备的安全、平稳和高效运行提供保障。

参考文献：

[1]查卫新．基于人工神经网络的空分压缩机故障诊断[J].通用机械.2007(1)：66～68．

[2]袁曾任．人工神经元网络及其应用[M]．北京：清华大学出版社.1999．

[3]袁科新．基于BP神经网络的发动机故障诊断研究[D]．山东大学.2006：53～58．