基于MNN的主动力装置故障诊断研究

杨 广，梁晶晶

(中国人民解放军91918部队，北京 102300)

基于MNN的主动力装置故障诊断研究

杨 广，梁晶晶

(中国人民解放军91918部队，北京 102300)

单神经网络诊断大多已成功应用到实际的故障诊断系统中。而在实际应用中，多层次多故障的复杂系统普遍存在，运用单一结构神经网络在处理复杂故障诊断问题时网络过于庞大，诊断精度降低。对层次分类诊断模型进行研究分析，提出运用多重结构神经网络(MNN)来对主动力装置进行故障诊断研究，诊断结果表明该模型是可行和有效的。

主动力装置；故障诊断；神经网络；MNN

神经网络(NN)具有良好的联想与自学习、强大的复杂计算功能，越来越适合故障诊断系统的应用。目前，单一神经网络故障诊断系统已有许多结果[1，2]，而对于诊断中经常出现的多层次、多故障的复杂系统，其诊断理论与方法的研究还比较少。实际工程应用中，多层次、多故障的复杂诊断情况普遍存在，如仅使用一个神经网络，会很容易出现网络过于庞大、空间维数成倍增长、网络训练速度下降以及局部极小点增多等问题，而且也不利于故障诊断系统学习新的诊断知识。

基于知识的分类方法是目前诊断推理研究的一个重要方向，层次分类诊断模型方法就是一种基于知识的分类方法[3]。它将分类对象由高层次的普遍模式向低层次的具体模式逐层分类，减少了分类中的模式匹配搜索量，有效地解决了分类空间的组合爆炸问题，因而适用于复杂系统的故障诊断。

主动力装置是一个复杂的机电一体化的系统，提供了车、船在执行各种任务时所需的各种动力，其性能也影响并制约着车、船技战术性能的发挥，因而对主动力装置的故障诊断问题引起了车、船保障部门的高度关注。本文对基于知识的层次分类诊断模型进行研究分析，并运用MNN对舰船主动力装置进行故障诊断，得到了较好的诊断效果。

1 诊断模型

1.1 层次故障诊断模型

由于设备故障跟设备本身都具有结构上的层次性。也即某一层系统产生故障的原因要么是构成该系统(或子系统)的元素发生了故障，要么是与该层子系统相关的同层次的子系统发生了故障，即下级系统和相联的同级系统的故障是导致该系统故障的原因，并且故障的传播是一个由低层到高层的逐层传播过程[4]。这种故障的层次性决定了可以采用分层的诊断模型和诊断策略，从而有效降低系统诊断问题的复杂性。

要确定某个诊断对象的层次诊断模型，就要根据具体诊断领域的特点以及对诊断对象采取正确的分类方式。根据主动力机械装置的故障特点，可以对诊断对象进行功能、结构和故障3种分类。实际应用中，应根据具体的诊断问题和不同的诊断阶段，综合运用这3种不同的分类方式，以建立最合适的层次分类诊断模型。一般实践经验表明，结构和功能分类方式一般运用于高层次系统，有利于减少系统诊断过程中的模式搜索量，并能正确指出下一步诊断的方向；而故障分类方式一般运用于中间层次和较低层次系统。

论文对舰船主动力装置的故障机理进行了认

真细致的分析研究，建立了如图1所示的层次分类诊断模型。该模型分为3个层次，顶层为主动力系统，即主柴油机系统；第2层为6个子系统，分别为燃油、冷却、燃烧、传动、润滑和增压系统；第3层为各个子系统的故障原因输出。其中，顶层和第2层采用功能分类方式，第3层采用故障分类方式。

图1 主动力系统故障的层次分类诊断模型Fig.1 Hierarchically classified diagnostic model of main power system faults

1.2 多重结构神经网络(MNN)

图2 主动力系统故障的层次分类诊断模型Fig.2 Hierarchical classified diagnostic model of main power system faults

主动力系统的层次分类诊断模型所涉及的诊断知识类型多样,且各个层次在知识结构与表达、知识组织上都有不同,而MNN能够将层次诊断模型中的各种知识统一组织起来，且其在MNN内部具有一致的表达形式。

在MNN中，诊断知识的获取是通过ANN的学习训练来实现的。每个ANN子网络均对应层次分类诊断模型相应的子系统并进行独立训练，可以明显加快网络训练速度和进程。

根据层次分类诊断模型特点，MNN采用的是逐层知识推理，而神经网络知识分布存储在隐含层中，其推理过程实际上就是一种数值计算进程，因此不会出现组合爆炸、匹配冲突和无穷递归等难以解决的瓶颈问题。另外，MNN由输入层开始逐层向前推理，进行全局正向并行搜索，还可以有效弥补层次分类诊断模型树型结构中可能存在的诊断遗漏问题。

2 MNN训练算法

2.1 BP神经网络

人工神经网络在诊断领域的应用主要集中在3个方面[6]：一是从模式识别的角度应用神经网络作为分类器进行故障诊断；二是从预测角度应用神经网络作为动态预测模型进行故障预测；三是从知识处理的角度建立基于神经网络的诊断专家系统。在所有应用的神经网络中，前向BP网络应用最为广泛[7]，基于梯度下降法的BP网络虽然存在局部极值的问题，但是应用方便，不需要很多的训练样本，特别适合编程实现，这在装备实际应用中尤为重要。因此，本文为了简化故障诊断中的信息处理，每个ANN均采用3层BP网络，并在改进BP学习训练算法[8,9]的基础上，运用BP神经网络进行综合诊断。

2.2 训练算法

BP网络的学习本质上是一个无约束最优化问题，而对于二次型目标函数来说，共轭梯度法是一种十分有效的最优化算法，它保证最多通过k次(k为自变量数目)一维搜索就能到达目标函数的最小点。此处选择PRP算法来实现共轭梯度方法，算法如下：

上式中G(k)为误差函数的负梯度方向，P(k)则为神经网络权值向量的调整方向。

对于非二次型目标函数，PRP算法的收敛速度会降低，而梯度法则具有更快的收敛速度。为了进一步改善基于梯度法的网络学习性能，可对基本的BP算法作如下改进：

(1)加动量项α。选择学习步长η非常重要，η大时收敛速度快，但易引起学习过程不稳定(振荡)；η小时稳定性好，但收敛速度慢。解决这一矛盾的最简便方法是加动量项，即：

式中第2项是常规BP算法的修正量，第1项称之为动量项。

(2)学习步长η的自适应调整。连接权的调整决定于学习步长η和梯度，但基本的BP算法是定步长的，这不利于计算的快速收敛。通过η的自适应调整，可以大大提高收敛速度。学习步长η的调整原则是使它在每一步保持尽可能大的值，而又不致使学习过程振荡。对于成批处理可以根据总误差变化的信息进行启发式调整，其思路是：若E减小，则η增加;若E增加，则η减小。即： 若E[W(k)]

若E[W(k)]≥mE[W(k-1)],则η(k)=bη(k-1)； 其它情况， 则η(k)=η(k-1)。

学习过程中首先沿G(k)方向对η进行一维的寻优搜索，得到最优点η*，然后再基于下式调整网络权值：

其中：△W(k)=W(k)-W(k-1)

这种自适应机制的引入显然有助于提高网络学习的性能。

为了兼取改进BP算法与PRP两种算法的优点，采用改进BP算法与PRP算法交替搜索的策略[10]。其基本思想是构造一个表征搜索区平坦度的函数s(k)：

其中E(k)为k时刻的误差函数。令δ表示两种算法切换的边界参数，则当s(k)≤δ成立时，表明当前最优化搜索已进入平坦区，此时采用PRP算法；反之则采用改进BP算法。

3 诊断实例

下面以冷却子系统的故障诊断为例，将故障征兆集X={淡水温度T1，淡水压力P1，淡水流量Q1，海水温度T2，海水压力P2，海水流量Q2}作为该子系统神经网络的输入，每个输入数据用两种状态来表示，即正常(Normal)和不正常(Abnormal)，分别记为1和0。该子系统基本故障现象有7种(其中F0表示无故障)，记为F={F0,F1,F2,F3,F4,F5,F6}，相应的神经网络子系统有7个输出节点。根据层次分类诊断策略，对于系统的任何一种故障现象，运用多层结构神经网络，都可以由下级神经网络子系统进行故障分析,诊断出故障原因。

基于对系统故障现象与原因的机理分析，表1给出了冷却子系统故障诊断(对应神经网络NN1)的训练样本，表2给出了该子系统故障现象(对应神经网络NN2)F2的训练样本，其中故障分析结果Y={正常Y0，淡水阀关闭或损坏Y1，淡水压力低Y2，淡水管系泄漏Y3，淡水泵压力高Y4，淡水旁通阀开度小Y5}。

表1 冷却子系统故障的训练样本Table 1 Training samples of coolingsubsystem faults

表2 冷却子系统故障F2的训练样本Table 2 Training samples of cooling subsystem fault F2

MNN系统中的各个神经网络均运用改进BP算法与PRP算法交替搜索的策略进行网络训练，NN1和NN2的学习速率η分别选择0.025和0.05，两种训练算法切换的边界参数δ=0.10，动量项系数α均为0.90，训练均方误差为0.000 1。

为了检验所提改进神经网络算法的性能，本文在表1和表2的基础上，分别设计了相应的具有3层感知器的BP神经网络来进行故障识别，对应的网络结构分别为6-10-7和2-7-6，最大训练步数为5 000，运用文中所提网络训练方法和基本BP算法分别对两个网络进行训练。两种神经网络训练算法结果基本参数比较见表3。

表3 神经网络训练算法的比较Table 3 Comparison of the two neural network training algorithm

从表3可以看出，论文所提改进BP算法与PRP算法交替搜索的策略进行网络训练，其训练时间更短、精度更高，可显著提高网络学习效率和诊断精度，充分证明了该训练方法的可行性和有效性。

基于MNN的层次诊断系统完成了对诊断知识的学习训练，就可根据当前系统的测量数据逐层进行故障诊断推理，先由顶层ANN系统进行子系统故障分类，再由下一层相应的ANN系统进行故障现象分类，最后由底层ANN子系统诊断分析出故障原因。表4和表5分别为MNN的一组冷却子系统故障诊断实例和故障F2的诊断实例。

由表4可以看出，对于已学习过的样本知识,网络输出与样本值基本一致；当输入数据在一定范围内偏离样本知识时,网络的输出结果依然具有较好的峰值性和可分性,故障分类结果正确。这表明多重结构神经网络诊断模型对有噪声的故障样本依然具有较强的分类处理能力。

表4 冷却子系统的故障诊断实例Table 4 Diagnostic examples of cooling subsystem faults

表5 冷却子系统故障F2的诊断实例Table 5 Diagnostic examples of cooling subsystem fault F2

在表5中，根据不同的输入数据Xi，故障F2被下一层ANN子系统进行故障分析处理，从而诊断出相应的故障原因。该应用示例表明，采用基于MNN的层次分类故障诊断模型，可以有效地解决复杂的主动力系统故障诊断问题。

4 结论

根据复杂系统诊断过程具有层次性的特点,本文介绍了多重结构神经网络(MNN)在主动力系统故障诊断中的应用,表明采用层次分类诊断模型,并利用MNN来实现层次分类诊断模型,可以有效地解决复杂系统的故障诊断问题。

另外,无论在理论上还是在实践上，作为神经网络的基本特征,MNN在处理复杂系统故障诊断问题时，具有全局并行推理的快速处理能力和良好的联想自学习能力,非常适合构成实时在线层次分类故障诊断系统,这些都值得进行更为深入的研究。

[1] 沈艳霞，李帆.风力发电系统故障诊断方法综述[J].控制工程，2013，20(5):789-795.

[2] Yang G, Wu X P, Zhang Q, et al. Fault diagnosis of ship main power system based on multi-layer fuzzy neural network[J]. IEEE Catalog, 2006,12(7):5 713-5 717.

[3] 杨叔子.基于知识的诊断推理[M].北京:清华大学出版社，1993.

[4] 周东华，叶银忠.现代故障诊断与容错控制[M].北京：清华大学出版社，2000.

[5] 付钰，吴晓平，宋业新.模糊推理与多重结构神经网络在信息系统安全风险评估中的应用[J].海军工程大学学报，2011，23(1):10-15.

[6] 姜万录，李冲祥.神经网络与证据理论融合的故障诊断方法研究[J].中国机械工程，2004,15(9):760-764.

[7] Rogova G. Combining the results of several neural network classifier[J].Neural Networks,1994,7(5):777-781.

[8] Freen M. The upstart algorithm: A method for constructing and training feedforward neural networks[J].Neural Computation, 1990,2(2):198-209.

[9] Tang T H, Liu Y J, Li J R, et al. ANN-based fault diagnosis method with a combined BP algorithm[C].Swausea:[S.l.] ,1996:861-866.

[10] 杨广,吴晓平.神经网络与DS证据理论分层融合的柴油机综合故障诊断方法研究[J].武汉理工大学学报:交通科学与工程版,2011,35(3):558-561.

(责任编辑：李华云)

Research on Fault Diagnosis of Main Power System Based on MNN

YANG Guang, LIANG Jingjing

(PLA 91918 Troop, Beijing 102300, China)

Artificial neural network (ANN) has been successfully applied to fault diagnosis systems in real-world applications; however, what is mostly used for diagnosing faults is single network. Factually multiple faults occur frequently at different levels in complicated systems and when the single network is used to deal with complicated problems of fault diagnosis, it’ll be so gigantic that a series of difficulties will be brought to network training. In this paper, on the basis of analysis of hierarchical classified diagnostic model, MNN is presented to research on fault diagnosis of main power equipment and the diagnostic result indicates that the model is feasible and valid.

main power equipment; fault diagnosis; neural network; MNN

2014-04-23

国家自然科学基金资助项目(60774029)

杨广(1980-)，男，安徽安庆人,高级工程师，博士,主要研究方向为系统工程、优化决策、智能控制。

TP273;O212.6

A

1671-5322(2014)03-0001-05