運(yùn)用于故障診斷中的一般神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是近年來發(fā)展迅速，廣泛地應(yīng)用于各個(gè)領(lǐng)域，包括航天，自動(dòng)控制，金融，電子，制造，醫(yī)藥等多個(gè)行業(yè)，已經(jīng)有許多成功的先例，并展示了更為廣闊的應(yīng)用前景?；谏窠?jīng)網(wǎng)絡(luò)的故障診斷不需要建立精確的數(shù)學(xué)模型，可以處理非線性問題，具有并行計(jì)算能力，不需要診斷和推理規(guī)則，它通過一組樣本的輸入與輸出之間的映射關(guān)系進(jìn)行按照設(shè)定的準(zhǔn)則可以自學(xué)習(xí)。

01

運(yùn)用于故障診斷中的一般神經(jīng)網(wǎng)絡(luò)

目前，非線性系統(tǒng)的故障診斷與容錯(cuò)的方法的研究，是目前研究的熱點(diǎn)和難點(diǎn)。神經(jīng)網(wǎng)絡(luò)以分布的方式存儲(chǔ)信息，通過神經(jīng)元之間拓?fù)浣Y(jié)構(gòu)和權(quán)值分布逼近非線性系統(tǒng)，并能做到并行運(yùn)算，具有一定的泛化和容錯(cuò)能力。近年來，神經(jīng)網(wǎng)絡(luò)在故障診斷及容錯(cuò)控制中的應(yīng)用得到了廣泛的關(guān)注。其中，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的研究較多。BP網(wǎng)絡(luò)是一種多層前向網(wǎng)絡(luò)，由輸入層、隱層和輸出層組成，如圖所示。

BP神經(jīng)網(wǎng)絡(luò)利用網(wǎng)絡(luò)誤差平方和對(duì)網(wǎng)絡(luò)層輸入的導(dǎo)數(shù)來調(diào)成其權(quán)值和閾值，從而降低誤差平方和。訓(xùn)練從計(jì)算每一層的輸出開始，直到得到網(wǎng)絡(luò)的輸出矢量，目標(biāo)矢量減去網(wǎng)絡(luò)的輸出得到誤差矢量，利用梯度下降方法，通過后項(xiàng)傳播算法來訓(xùn)練MLP。在設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時(shí)，根據(jù)解決問題的特點(diǎn)和系統(tǒng)特征，選擇合適的網(wǎng)絡(luò)類型，是十分重要的，但并不是所有的問題都是和采用BP神經(jīng)網(wǎng)絡(luò)。

02

基于多層網(wǎng)絡(luò)的故障診斷

在解決復(fù)雜系統(tǒng)的故障診斷，特別對(duì)分布式系統(tǒng)，基于神經(jīng)網(wǎng)絡(luò)的診斷系統(tǒng)在構(gòu)造上不免會(huì)十分龐大，造成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間長，可靠性降低。此時(shí)可以采用基于多網(wǎng)構(gòu)造的診斷系統(tǒng)。分層結(jié)構(gòu)方法是目前在復(fù)雜系統(tǒng)故障診斷中常用的方法。在分步式的多層神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)中，各個(gè)子網(wǎng)可以分配不同的任務(wù)，每個(gè)子網(wǎng)只接受部分的輸入，處理總?cè)蝿?wù)的一部分，各個(gè)子網(wǎng)的輸出合成總的運(yùn)算結(jié)果，這樣就提高了計(jì)算速度。也可以同時(shí)執(zhí)行同樣的計(jì)算，每一個(gè)子網(wǎng)都在接受所有輸入的模式下工作，但使用不同的算法，以增強(qiáng)系統(tǒng)的可靠度。這兩種方法當(dāng)然也可以結(jié)合使用。

以多層神經(jīng)網(wǎng)絡(luò)應(yīng)用于柴油機(jī)引擎的故障早期檢測與分離為例。采用綜合組網(wǎng)的方式，整個(gè)系統(tǒng)包括兩層4個(gè)模塊，其中1個(gè)主模塊，3個(gè)從模塊。系統(tǒng)的輸出通過多數(shù)表決法決定。

一種多層神經(jīng)網(wǎng)絡(luò)（MNN）

03

遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行故障診斷

遺傳算法是建立在自然選擇和群體遺傳學(xué)機(jī)理基礎(chǔ)上的隨機(jī)、迭代和進(jìn)化，具有廣泛適用性的搜索方法。由于遺傳算法上述的優(yōu)越之處，吸引了諸多關(guān)注的目光。隨著要解決問題復(fù)雜度的增加，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)也趨向復(fù)雜，采用遺傳算法自動(dòng)構(gòu)造網(wǎng)絡(luò)，把網(wǎng)絡(luò)結(jié)構(gòu)的形式作為一個(gè)子集選擇問題來解決，根據(jù)給定的對(duì)象函數(shù)自動(dòng)地確定適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)來適應(yīng)學(xué)習(xí)過程中網(wǎng)絡(luò)結(jié)構(gòu)的變化。同樣，使用遺傳算法可以調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的權(quán)值。由于自適應(yīng)交叉率和變異率交叉率和變異率的大小對(duì)遺傳算法的運(yùn)行性能的影響較大，為了提高性能，可采用自適應(yīng)的方法動(dòng)態(tài)改變與的取值。

在利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，在應(yīng)用于故障診斷的研究中可以根據(jù)實(shí)際特點(diǎn)選擇不同的網(wǎng)絡(luò)類型，設(shè)計(jì)具體算法。例如利用經(jīng)過遺傳算法訓(xùn)練的ELMAN神經(jīng)網(wǎng)絡(luò)，對(duì)發(fā)動(dòng)機(jī)的故障進(jìn)行早期檢測(一步預(yù)報(bào))。其結(jié)構(gòu)如圖所示。也可以使用遺傳算法同時(shí)確定網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，以獲得較高的效率。

在使用遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)

04

模糊神經(jīng)網(wǎng)絡(luò)在故障診斷與檢測中的應(yīng)用

將模糊邏輯和神經(jīng)網(wǎng)絡(luò)相結(jié)合，采用模糊神經(jīng)網(wǎng)絡(luò)作為故障分類器，自適應(yīng)從學(xué)習(xí)樣本數(shù)據(jù)中提取各個(gè)用以描述故障狀態(tài)的模糊參考模型。在診斷時(shí)，此模糊神經(jīng)網(wǎng)絡(luò)在線地得到當(dāng)前系統(tǒng)的模糊模型描述，并將與各個(gè)參考模型相匹配，從而得出正確的診斷結(jié)果。在神經(jīng)網(wǎng)絡(luò)框架下引人模糊規(guī)則，且模型參數(shù)有明確的物理意義，又引人了學(xué)習(xí)機(jī)制，推理可以更加準(zhǔn)確。

一般模糊神經(jīng)網(wǎng)絡(luò)可以分為5層：輸入層、模糊化層、規(guī)則結(jié)點(diǎn)層、結(jié)論節(jié)點(diǎn)層、輸出層。

模糊神經(jīng)網(wǎng)絡(luò)示意圖

模糊系統(tǒng)可與多種網(wǎng)絡(luò)結(jié)合構(gòu)造模糊神經(jīng)網(wǎng)絡(luò)，但運(yùn)用的手段相似。如利用模糊系統(tǒng)和徑向高斯函數(shù)網(wǎng)絡(luò)設(shè)計(jì)一種具有自適應(yīng)能力的模糊神經(jīng)網(wǎng)絡(luò)。利用高斯函數(shù)表示模糊規(guī)則前件的隸屬度函數(shù)，然后，構(gòu)造一種遞階自組織在線學(xué)習(xí)算法，從輸入輸出樣本數(shù)據(jù)中，通過學(xué)習(xí)提取模糊IFTHEN規(guī)則；在此基礎(chǔ)上，提出一種非線性時(shí)變系統(tǒng)的自適應(yīng)狀態(tài)觀測器設(shè)計(jì)和故障檢測方法。

模糊神經(jīng)網(wǎng)絡(luò)解決了由于故障征兆和故障原因之間存在著許多不確定因素，建立精確的故障診斷系統(tǒng)存在著許多困難的問題。目前模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用很廣泛，如應(yīng)用于控制系統(tǒng)對(duì)象以及傳感器和執(zhí)行器的故障檢測和診斷等。

05

小波分析和神經(jīng)網(wǎng)絡(luò)的融合

小波分析是近年來從Fourier分析的基礎(chǔ)上發(fā)展起來的一種信號(hào)分析理論，具有良好的時(shí)頻局部化特征，把信號(hào)分解到不同頻帶內(nèi)進(jìn)行處理。將小波分析的特征提取與神經(jīng)網(wǎng)絡(luò)模式識(shí)別有機(jī)地結(jié)合起來，則可降低建立神經(jīng)網(wǎng)絡(luò)的難度，并且提高故障識(shí)別率。

小波神經(jīng)網(wǎng)絡(luò)模型

模型中的輸入為采集自待診斷系統(tǒng)的信號(hào)，經(jīng)小波分析，提取反映設(shè)備狀態(tài)的特征向量，作為輸入連接到神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，通過網(wǎng)絡(luò)的前向計(jì)算可完成對(duì)設(shè)備故障的識(shí)別。神經(jīng)網(wǎng)絡(luò)模型可通過對(duì)大量反映系統(tǒng)不同狀態(tài)故障的實(shí)測數(shù)據(jù)樣本的訓(xùn)練建立。另外，為提高網(wǎng)絡(luò)的自適應(yīng)性，進(jìn)一步完善診斷模型，還可在原有訓(xùn)練過的網(wǎng)絡(luò)基礎(chǔ)上，對(duì)小波神經(jīng)網(wǎng)絡(luò)模型的進(jìn)行再學(xué)習(xí)。

故障檢測與診斷是既是一門相對(duì)獨(dú)立發(fā)展的技術(shù)，又與各門學(xué)科緊密聯(lián)系。神經(jīng)網(wǎng)絡(luò)故障診斷的研究取決與和神經(jīng)網(wǎng)絡(luò)的發(fā)展。神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷的研究手段和方法也不限于以上幾種，如結(jié)合專家系統(tǒng)的神經(jīng)網(wǎng)絡(luò)，以及遺傳算法，模糊推理小波變換和神經(jīng)網(wǎng)絡(luò)的綜合。

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷存在一些問題，如難以揭示出系統(tǒng)內(nèi)部的一些潛在關(guān)系，無法對(duì)診斷過程給予明確解釋；對(duì)未在訓(xùn)練樣本中出現(xiàn)的故障診斷能力下降，甚至?xí)e(cuò)誤；診斷網(wǎng)絡(luò)訓(xùn)練集較少或選擇不當(dāng)時(shí)，很難得到好的診斷結(jié)果；對(duì)多故障同時(shí)診斷的可靠性不高，增加了神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中的困難。智能方法和小波變換與神經(jīng)網(wǎng)絡(luò)的有機(jī)結(jié)合正成為當(dāng)前研究的趨勢。