人工神经网络在机械故障诊断中的应用

#/16人工神经网络在机械故障诊断中的应用摘要：针对传统的机械故障诊断方法的局限性，提出将人工神经网络应用于机械故障诊断中。由于BP算法存在收敛速度慢及易陷入局部极小等缺陷，利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练，并把训练好的神经网络用于机械振动信号预测及机械故障诊断中。通过对机械设备振动信号的预测，可以及早发现故障，及时消除故障隐患，为企业节省大量的维修时间和维修费用，提高企业的生产率。关键词：遗传算法;神经网络;机械故障诊断TheApplicationofArtificialNeuralNetworks

intheMechanicalFaultDiagnosisAbstract::Forthelimitationsoftraditionalmethodsinthemechanicalfaultdiagnosis,itisproposedinthispaperthattheartificialneuralnetworkisusedinthemechanicalfaultdiagnosis.BecauseBPalgorithmhasthedefectsofslowconvergencerateandeasytrappinginlocalminimum,areal-codedimprovedgeneticalgorithmsisproposedtotraintheweightsandthresholdofneuralnetwork,andthetrainedneuralnetworkisappliedinthepredictionforthemechanicalvibrationsignalsandthemechanicalfaultdiagnosis.Bythepredictionforthemechanicalfaultdiagnosis,itcandetectthefaultsandeliminatehiddentroubleearlier,anditcansavealotofmaintenancetimeandmaintenancecostsforenterprisesandimproveproductivityforenterprises.Keywords:GeneticAlgorithms;NeuralNetwork;MechanicalFaultDiagnosis0前言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、自动化程度也越来越高，设备更加复杂的同时，各部分的关联也愈加紧密，某处微小故障可能会导致整台设备甚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和故障诊断技术为基础，可以做到及早发现故障并消除故障隐患，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。传统的诊断方法和诊断理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用，但对于多过程、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途径。其中，人工神经网络具有容错、联想、推测、记忆、自适应、自学习和处理复杂多模式的功能，在对非线性时间序列的预测中有一定通用性。振动是机械设备在运行过程中（正常运行与异常运行）所表现出来的一种信息，通过对机器主要部位的振动值如位移、速度、加速度、转速及相位值等进行测定，与标准值进行比较，就可宏观地评定机器的运行状况。然后对测得的振动量进行特征分析，确定故障的性质，最后进一步进行分析就可以确定故障的原因及部位[1]。利用人工神经网络对机械振动信号进行预测，将预测结果作为检验设备是否发生故障的依据，也是对设备进行机械故障诊断的重要依据。目前，人工神经网络已逐步应用到机械故障诊断领域，并成为机械故障诊断领域的一个研究热点。1人工神经网络概述1.1人工神经网络的原理人工神经网络（ArtificialNeuralNetwork，简称ANN）是生物神经网络（BiologicalNeuralNetworks，简称BNN）的模型化，并不是简单的BNN模型，而是对结构及功能大大简化后保留其主要特性的抽象与模型。引用了原生物神经网络的思维和方式、方法，但为达到一定的目的功能有所改变。生物神经网络是人工神经网络导向性的知识，却非原则。

人工神经网络是在模拟生物神经网络的基础上构建的一种信息处理系统［2］，具有强大的信息存贮能力和计算能力，是一种非经典的数值算法。ANN在1943年由McCulloch和PittS提出，在29世纪80年代进入了一个发展高潮，至今已开发出Hopfield网络、误差反向传播(BP)网络、对向传播网络(CPN)、径向基函数网络(RBF)、Kohonen网络等30多种典型的模型，其中以BP网络模型应用最广［3］。由于其计算方法具有自组织、自适应、并行性、非线性和容错性等特征，ANN已经成为人工智能领域的前沿技术，在函数逼近、模式识别、信号处理等领域应用广泛。甚至，在医学、环境科学以及其他领域的重大作用也日益凸显。初步显示出其广阔的应用前景。故障诊断就是人工神经网络应用领域之一，它通过网络将输入信号矢量空间映射到输出矢量空间，输出矢量经过处理得到故障原因和排除故障方法。它集机械学、计算机学以及统计学等多门学科于一体。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泛的应用，它的学习算法是误差反向传播(BackPropagation,BP)算法。两层前馈型神经网络的结构如图1所示。设网络的输入层、隐含层和输出层的节点个数分别为厂,过程为输入层、隐含层和输出层的节点个数分别为厂,过程为：(1)隐含层中第i个神经元的输出：s和s。设输入向量为［x,x，…,x］，则信息的向前传播1212ry=f(X3x+b1),i=1,2,...,s

i1 1ijji 1j=1(2)输出层中第k个神经元的输出：21Z=f(£3 a1+b2),k=1,2,...,21k2 2ki iki=1(3)定义误差函数:E(W,B)=1E(t-a)22k2kk=1其中f,f分别是隐含层和输出层的激活函数。12图1图1两层BP网络的结构图一般情况下，隐含层采用S型激活函数，而输出层采用线性激活函数［4］。神经网络是模拟生物神经系统建立起来的自适应非线性动力学系统,具有可学习性和并行计算能力,能够实现分类、自组织、联想记忆和非线性优化等功能。由于时间序列预测可以理解为一种由历史记录计算未来趋势的数学映射问题,因此具有映射逼近能力的神经网络在解决预测问题时得到了广泛应用。虽然反向传播算法应用广泛，但在实际应用中BP算法存在收敛速度慢，目标函数存在局部极小点的缺陷。因此出现了一些改进的方法,主要有附加动量法、自适应学习速率、带有动量法和自适应的梯度下降法等。虽然这些改进方法对BP算法的性能有了一定的改善，但它们的基本方法仍然是梯度下降法，不能从根本上摆脱陷入局部最小的问题。为克服基于梯度下降法对前向神经网络训练时存在的不足,考虑到遗传算法的全局寻优特性，将其对神经网络的权值和阈值进行优化，就可以弥补BP算法的缺陷。1.2人工神经网络模型BNN信息传递过程中，信号为脉冲，当脉冲到达突出前膜时，前膜释放化学物质，结果在突触后产生突触后电位，其大小与脉冲密度有关，即时间总合效应。同时，各通道都对电位产生影响，即空间总合效应。ANN等效模拟电压近似BNN脉冲密度，仅有空间累加无时间累加。图2神经网络工作原理上图2是模拟生物神经元结构与功能的数学模型示意图，它是一个多输入、单输出的非线性模型，其输出输入的关系可用数学函数描述为：J=f（£wx-&） （1）i jijj=1式中：y为神经元输出；w为第j到第i神经元的连接权值；X（j=1,2，…,n）为输入信号；9i为神i ji j经元的阈值；n为输入信号数目；f为传递函数［3］。人工神经网络构成取正的权值神经网络的基本模型如下图3所示：取正的权值神经网络的基本模型如下图3所示：神经网络*包括神经兀问的连接俏t极俏J图3神经网络工作原理网络的拓扑结构决定了神经元的连接方式和信息的传递途径，人工神经网络结构主要有以下几种：（1）前向网络前向网络的特点是神经元分层排列，可以有多层；同一层神经元间无连接；方向具有单一性，由入到出。应用最为广泛。（2）回归网络回归网络有两种。一种是有反馈的前向网络，特点是输出反馈到输入，内部与前向网络特点相同；另一种是全反馈网络，除了输出反馈到输入外，同一层的元之间可以互相连接，比前向网络复杂，例如自组织竞争型和遗传型神经网络。（3）互联网络互联网络每个元都可以与其它元相连，分为局部互联和全互联。如Hopfie