人工神经网络在设备故障诊断中的应用

人工神经网络在设备故障诊断中的应用

程瑞琪

(西南交通大学　成都　610031)

摘　要　介绍了神经网络技术在设备故障诊断中应用的2个主要方向———故障模式识别和诊断专家系统,对应用的方法、特点及存在的问题也

作了概略分析。

关键词　神经网络　故障诊断　模式识别　专家系统中图分类号　TP 18

近年来人工神经网络(Artificial neural network -ANN )的研究发展迅速,ANN 以其诸多优点在设备状态监测与故障诊断中受到了愈来愈广泛的重视,为设备故障诊断的研究开辟了一条新途径。

ANN 具有以下主要特征:①实现了并行处理机制,可提供高速的信息处理能力;②分布式信息存储,可提供联想与全息记忆的能力;③网络的拓扑结构具有非常大的可塑性,使系统有很高的自适应和自学习能力;④具有超巨量的联接关系,形成高度冗余,使系统具有很强的容错能力;⑤是一类大规模非线性系统,提供了系统自组织与协同的潜力。本文作者仅就ANN 用于故障模式识别及诊断专家系统这两个方面应用的主要方法、特点及存在的问题作概括介绍。

1　神经网络与故障模式识别

模式识别是ANN 应用的一个较成功的领域,诊断问题实质上就是一种模式分类,是将系统的状态区分为正常状态或某一种故障状态的问题。通常故障模式的分布是非常不规则的,故要求所用模式分类方法能在模式空间里形成各种非线性分割平面,ANN 的特性使其可以作为一类性能良好的非线性分类器。1.1　方法及特点

ANN 故障模式识别可用图1所示BP 模型来说明

。

图1　BP 网模型

其中网络输入节点对应故障征兆,输出节点对应故障原因。进行故障模式识别时,先用一批故障样本

对模型进行训练,以确定网络结构(隐层及其节点数)和参数(节点间的联接权);网络训练好后,故障的模式分类就是根据给定的一组征兆,实现征兆集到故障集之间非线性映射的过程。

用ANN 作故障模式识别的特点有:①可用于系统模型未知或系统模型较复杂及非线性系统的故障模式识别;②兼有故障信号的模式变换与特征提取功能;③对系统含有不确定因素、噪声及输入模式不完备的情况不太敏感;④可用于复杂多模式的故障诊断;⑤可用于离线诊断,也能适应实时监测的要求。1.2　模型

用于故障模式识别的ANN 模型按学习方式可分有监督学习模型和无监督学习模型两大类,前者主要包括B P 网和径向基函数(RB F )网;后者主要包括自适应共振(ART )网和自组织特征映射(SOM )网。1.2.1　有监督学习模型

BP 网是目前故障诊断中应用最多且较成熟的一种模型,其神经元的非线性映射函数采用Sigmoid 函数,网络训练采用误差反向传播(Back pr opagation )学习算法。BP 网的结构及学习算法简单,但应用中还存在2个问题:一是关于网络的学习,因BP 算法是自适应最小均方(LMS )算法的推广,故网络的学习速度较慢,且可能陷入局部极小值点,针对这一问题已有许多改进的BP 算法;二是关于网络的结构设计,即如何选取隐层及隐层节点数,目前尚无确定的理论和方法。根据Hecht -Nilson 的映射定理:对任何闭区间上的一个连续函数,总可以用含一层隐单元的感知器网来映射;目前应用中多采用含一层隐单元的BP 网。关于隐层节点下限的确定已有一些研究结果,鉴于问题的复杂性,此处不作说明。选择较多的隐层及隐层节点虽可加快学习速度,但使网络的结构变得复杂,网络的推广能力也会变差。实际应用中,通常用对测试样本与学习样本的误差进行交叉评价的试错

法来选择隐层及隐层节点数。

RB F 网是一种较新颖的ANN 模型,只有一层隐含层,输出节点是线性的,隐单元采用对称的高斯基

·

13·第12卷第1期

《机械研究与应用》

ME CHANICAL RESE ARCH &APPLICATION Vol 12No .1　1999

函数为非线性变换函数,网络的训练可采用最小二乘(L S )递推学习算法。因网络结构简单,算法收敛性好,与BP 网相比,RBF 网的学习算法虽较复杂,但训练速度却大大提高。

从已有研究结果看,有监督学习模型有很好的推广能力,用于故障模式识别效果较好;训练好的B P 网和RBF 网计算速度快,消耗内存少,可用于实时监测与诊断。但是这类模型对学习样本有一定的要求,要求学习样本具有一定的致密性、遍历性和相容性,工程实际中要获得这样的样本有时还很困难。1.2.2　无监督学习模型

ART 网和SOM 网均属于无监督竞争学习的自组织模型,ART 网可以在线学习,边学习边记忆,给网络一批输入样本,它自动形成一组分类模式。当一个新的输入不能归入已形成的模式类时,网络又自动形成一个新的模式类;若新的输入在已形成的模式类中可以找到一个相似的类,则这个输入划入该模式类,同时网络向更接近这个输入的方向作调整。SOM 网采用离线方式学习,能很好地进行特征提取,适用于作最邻近分类器。目前,自组织模型应用于故障诊断的研究尚少,这类模型是一类次优的模式分类器,其推广性能虽不如有监督学习模型的好,但它具有的自组织和自适应特性正引起人们的广泛关注。

2　神经网络与诊断专家系统

专家系统作为人工智能应用的一个成功典范,在故障诊断领域受到高度重视,诊断专家系统利用专家的知识进行推理,是解决复杂设备故障诊断问题的一种有效方法〔1〕。但是,传统基于符号的诊断专家系统还存在知识获取困难,知识存储容量与系统运行速度的矛盾及知识的窄台阶效应等问题。近年来,在人工智能领域发展了基于连接主义机制的专家系统,这类系统利用ANN 的自学习能力和并行推理机制,一定程度上克服了符号专家系统遇到的困难。2.1　神经网络知识表示及推理机制

ANN 的知识表示方式有2种:局部表示方式和分布式表示方式。

局部知识表示方式中,ANN 的每一个神经元代表一个概念,神经元之间的连接表示概念与概念间的关系,可以根据问题的需要将关系解释成一个概念对另一个概念的关联程度,或问题求解中的推理规则。通常这些关系是不确定的,特别是对于诊断问题,在知识表示和诊断推理过程中存在许多不确定因素,而不确定知识的获取是相当困难的。将符号知识转换成ANN 的表示,通过ANN 的学习来获得不确定知识,是研究这种知识表示方式的主要内容。目前,关于局部知识表示的研究进展比较缓慢。分布式知识表示是目前研究得比较多的一类ANN 知识表示方法,在这一表示方法中,不论什么知识,ANN 都将它转换为网络的权值和阈值,分布存储在整个网络中,因此这是一种隐含的知识表示方式。采用这种知识表示方式主要是为利用ANN 的并行计算机制,提高专家系统的推理速度,克服符号系统可能产生的“组合爆炸”及推理复杂性等困难。

知识表示与知识获取和知识利用密切相关,用ANN 表示知识的系统,知识获取是通过一定的学习算法确定网络的结构和参数,推理是对给定的输入通过数值计算求网络的输出;知识获取与推理过程中,根据具体的诊断问题,对网络的输入和输出可能要作一些相应的变换。可用于知识处理的ANN 模型主要有BP 网、联想记忆(AM )网和模糊认知(FC M )网。2.2　神经网络/专家系统集成系统

ANN 的知识表示与推理具有知识分布表达和自动获取,以及大规模并行处理及联想记忆等优点,一定程度上模拟了人类的形象思维方式。但是,在模拟人类复杂层次的思维方面,如基于目标的管理、综合判断和因果分析等,都还远不及传统的符号专家系统。因此,ANN 对传统的专家系统不应是替代,而应该是互补。研究符号推理与非符号推理相结合,生成既具有形象思维又具有逻辑推理能力的集成专家系统,是人工智能研究的一个必然方向〔2〕

。

神经网络/专家系统的集成方式有串行、并行和混合方式,选择哪种集成方式要根据问题域的特点,进行两者的有机结合。在大型复杂设备的故障诊断中,通常要涉及到不同的知识源、信息源,这就要求有不同的知识表达方式,不同的知识组织模型和不同的诊断推理策略。可以认为,对于集成诊断系统的研究目前还有许多问题需要进一步探讨。

3　结束语

故障诊断技术的研究总是在不断吸取其它领域和学科新成果的基础上向前发展的,智能化诊断技术已成为故障诊断领域一个新的研究方向。国内外许多研究工作证实,ANN 在故障诊断中的应用是可行的和有前途的。本文作者把ANN 应用的主要方法和特点介绍给从事故障诊断研究与应用的技术人员,目的是使ANN 理论能与实际更好地结合,真正能解决工程实际中设备状态监测与故障诊断问题。

参考文献

1　屈梁生.人工神经网络与机械工程中的智能化问题.中国机械工

程,1997(2):1～4

2　钟秉林,颜廷虎.智能化故障诊断理论与方法的研究现状与展望.

东南大学学报,1993(11):1～11

(收稿日期:1998-05-18)

·

14·Vol 12No .1　1999

《机械研究与应用》

ME CHANICAL RESE AR CH &APPLI CATION 第12卷第1期