基于人工神经网络的工业机械故障诊断优化方法研究

罗校清

摘 要：针对当前工业机械设备运行数据庞大，设备故障诊断复杂等问题，采用三层式BP神经网络，结合主元分析法，研究用于工业机械设备故障诊断的BP神经网络的优化方法，来对设备故障原因进行分类，并在此基础上探讨BP神经网络对于不同场景的应用，从而提高BP神经网络的应用价值。

关键词：人工神经网络；工业机械故障；诊断；优化方法

中图分类号：F407.4 文献标志码：A 文章编号：2095-2945（2017）30-0106-03

前言

随着信息技术在各行各业的不断深入推进，有效带动了科学技术日新月异的发展，现代工业逐渐向标准化、智能化、自动化和数字化方向发展，对工业生产指数提出了更高要求。特别神经网络概念的提出，使人工智能在工业机械故障诊断方面得到了前所未有的应用，我国很多学者开始对神经网络在工业机械故障诊断中的应用进行研究，并取得了一定的成果，如东北大学虞和济教授等对机械设备故障诊断的人工神经网络进行了深入的研究，建立了旋转机械神经网络分类系统[1]并得到了应用，取得了满意的效果。西安交通大学的屈梁生教授等较早地利用人工神经网络对大型旋转机械的各种故障进行了全面的研究[2]，研究了如何从现场故障信号中将全息诊断法用于神经网络诊断系统中。有联想记忆和对故障实例进行学习的功能，在用于设备软故障诊断时，可避开对设备结构的数据模型研究，因此为设备诊断优化技术开辟了新的途径。

1 国内外研究现状及发展动态分析

自开始工业生产以来就存在对机械设备的故障诊断，刚开始是凭着工匠丰富的经验来判断一些故障的存在并且给出修复的方法[3]。故障诊断作为一门学科，是在二十世纪六十年代之后兴起的[4]，最早进行机械设备故障诊断的是美国，英国、日本、挪威、瑞典、丹麦等国家紧跟其后。因为美国在1961年执行阿波罗计划之后发现了许多设置故障，所以美国宇航局在1967年倡导成立美国机械设备故障预防部门，专门负责机械故障的技术研发[5]。历经40年的不断发展，机械设备故障诊断机构，其技术已经逐渐形成以抽样分析、振动诊断、温度检测为主，一些新技术不断发展的新局面，随着计算机技术的进步，极大的促进信号分析和处理技术的迅速发展，进一步推动了机械设备故障检测技术的进步更全面科学的发展。

综上所述，前人的理论基础和实验基础已经具备，但是仅用BP神经网络用于机械设备故障诊断的时间过长，不能很好地及时反映机械故障，且将主元分析法和BP神经网络结合的用法比较少[6]。又由于工业机械机理复杂，所处运行环境不一，突变性、随机性等情况较多。因此，建立适用于工业机械的有效监控与故障诊断系统并推广其应用具有一定的研究价值。先用主元分析法在力保数据信息损失最少的原则下，对高维变量空间进于降维，再用BP神经网络进行机械软故障的分类与预警，以提高BP神经网络用于机械故障诊断的效率，这在故障诊断中是一种比较新的方法。

2 基于人工神经网络的工业机械故障诊断优化方法的选择

针对工业机械设备进行性能检测，并将设备的参数调整至最佳值，以提高系统工作的稳定性和可靠性，是一项非常重要的任务。而传统的外场检测方法只是应用模拟式外场检测仪对其行检测，这种检测方法虽然简单易行，但是对系统的覆盖率较低，无法对系统的软故障进行诊断。因此选取比较好的检测方法是完成这一任务的前提条件。

2.1 主元分析法

主元分析法（PCA）是基于多元统计过程控制的故障诊断技术的核心，由卡尔·皮尔逊于1901年发明，经常用于分析工业机械运行过程中的数据及建立数理模型。它试图将一个高维数据矩阵简化、降维，从而揭示工业机械运行数据矩阵中的主要结构。主元分析法实质上是过程变量协方差或相关矩阵的特征向量分解。经过在实践过程中不断的研究和发展，主元分析法目前已被广泛的应用在工业机械故障的分析和监测中，特别是在工业机械故障监测中起到了一定的促进作用。经过多年的研究和发展，已被成功地应用于工业机械运行过程分析和监测，由于其不依赖过程数学模型，逐渐成为近年来研究热点之一。

2.2 人工神经网络

人工神经网络（ANN）是20世纪80 年代以来人工智能领域兴起的研究热点。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在現代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。BP神经网络是人工神经网络的一种，在1974年以后在神经网络的背景下应用，由Paul Werbos、David E. Rumelhart、杰弗里·辛顿和Ronald J. Williams的著作，它才获得认可。目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都采用BP网络及其变化形式，它也是前向网络的核心部分，体现了人工神经网络的精华，其学习规则是按误差逆向传播算法进行网络训练的多层前馈型神经网络，是一种有效的分类和识别工具，可以对机械设备故障类型进行分类。

但利用BP神经网络对机械设备进行诊断之前，若不对原始样本数据进行处理与特征提取，一方面使分类结果准确性降低，另一方面使BP神经网络的结构复杂化，而主元分析法能较好地提取表征样本的少数几个主分量。由此可见，有必要采用主元分析法解决BP神经网络结果准确性降低和结构复杂化的问题，从而提高BP神经网络的收敛速度以更有效更及时地将机械设备出现的软故障分类并预警，并在此基础上探讨出相应的用于工业机械设备故障诊断的BP神经网络的优化方法模型，在应用上进一步发挥其有效的作用。

3 基于人工神经网络的工业机械故障诊断优化方案的设计endprint

工业机械设备运行数据庞大，采用已有的神经网络故障诊断方法由于过程变量数目的繁多，使得整个网络的结构相当复杂，并且，在实际过程中，这些过程变量之间往往具有严重的相关关系，这将导致网络的泛化性变差。考虑到这些数据的分布和彼此间的相关性包含了过程的特性，本文将结合多变量统计技术中的主元分析技术舍去噪声，将高度相关的过程数据投影到低维变量空间，而保留原有有用信息。再将数据作为输入值用于BP神经网络。在BP神经网络方法的基础上，结合主元分析法，进一步研究用于工业机械设备故障诊断的BP神经网络的优化方法，机械故障诊断流程由模型建立、故障检测、故障诊断和输入显示组成。具体如图1所示。

3.1 数据预处理

在使用机械设备运行产生的数据之前，需先对机械设备的历史数据进行预处理，用数据清理的方法对数据进行数据审核，数据筛选，数据排序，以提高算法运行的质量。

3.2 构造主元模型，提取数据特征

构造主元模型，即收集工业机械设备正常情况下运行的历史数据，按照主元模型标准，利用统计方法找出能够表达正常运行情况下过程各变量之间的因果关系的低维主元成分。确定主元的个数，通过对协方差矩阵进行特征分解，以得出数据的特征向量（主成分）与它们的特征值（权值）。

3.3 建立神经网络诊断系统模型

检测到机械设备故障后需要进行故障诊断。主要从机械故障识别与机械故障重构进行分析。当机械发生故障时，从异常的参数判断分析出哪个传感器出现了异常，再利用已有的模型，将正常的数据恢复出来。而机械故障识别与机械故障重构最主要的由BP神经网络来完成。BP神经网络模型拓扑结构如图2所示，包括输入层、隐藏层和输出层。其中网络的输入模式为X=（x1，x2，x3，x4，x5，x6，x7，x8，x9，x10）T，输出为O=（cu（t），mu（t））.其中X为经过主元分析法降维后的特征向量集；O为结果集，表示未出现故障或出现故障的位置[8]。

BP神经网络的工作过程主要由工作阶段和学习阶段两部分组成，最开始是工程阶段， 开始阶段网络各节点的连接权值固定不变， 网络的计算从输入层开始， 逐层逐个节点计算每一个节点的输出， 直到输出层中的各节点计算完毕。接着就是学习阶段，反复更新学习，减少误差。学习流程图如图3所示。

3.4 对系统模型中的方法进行优化与训练

基于BP神经网络的工业机械设备故障诊断的方法，用主元分析法对神经网络进行训练和优化，利用BP神经网络能够自动学习的功能，实时记录、收集和整理工业机械设备在运行过程中所发生的各类故障详细数据，并将其有用的数据输入到网络神经训练样本矩阵中，对神经网络故障诊断模型进行再训练，对神经网络故障模型的相关系数（连接权重和神经元的阈值）不断进行优化，最后，达到提高工业机械故障诊断模型的预测精准性和稳定性。

3.5 探索优化方法在其他故障诊断中的应用

因为在不同的神经网络结构中，语义变量的范围是不同的。因此，为了提高结合主元分析法的BP神经网络优化方法的适应性，提出一个普遍适用于大多数神经网络结构而无需重构的模型就显得很有必要。

4 结束语

人工神经网络应用于机械设备故障诊断起源于80年代末期，这几十年来有很多专家学者对其应用进行了探讨，取得了一定的成果。本文以这些成果为基础，进一步研究人工神经网络在工业机械故障诊断中应用的优化方法，并将其运用到机械运行故障诊断数据处理中。针对BP神经用于机械故障检测，提出相应的优化方法，提高原算法的鲁棒性，并加快BP神经网络算法的收敛，提高其效率，能及时判断所出现的软故障类型并预警，有利于推广优化算法的应用，并应用了主元分析法来解决BP神经网络算法的收敛慢的问题。

参考文献：

[1]虞和济.基于神经网络的智能诊断[M].治金工业出版社，2002.

[2]屈梁生.机械监测诊断中的理论与方法[M].西安交通大学出版社.

[3]Shaw P.J.A.（2003） Multivariate statistics for the Environmental Sciences， Hodder-Arnold. ISBN 978-0-340-80763-7.

[4]左山，樊富强.对机械设备故障诊断的发展历程及展望[Z].

[5]钱学森.论系统工程[M].长沙：湖南科学技术出版社，1982.

[6]Hentrich， Michael William. Methodology and Coronary Artery Disease Cure. 2015-08-16.

[7]包子陽，余继周.智能优化算法及其MATLAB实例[M].电子工业出版社，2016.

[8]王旭，王宏，王文辉.人工神经元网络原理与应用[M].东北大学出版社，2007.endprint