基于人工神經網絡的故障診斷

【摘 要】隨著高新技術的發展，人工神經網絡的模式識別在設備的故障診斷上得以廣泛地應用。機器設備或者系統的故障診斷實質是一個模式識別過程。把對經過處理后的信號數據的有效時、頻特征值作為神經網絡的輸入層，利用Matlab軟件，便可得到不同的模式輸出，進而可以辨別設備是否有故障。

【關鍵詞】人工神經網絡；故障診斷；模式識別；Matlab軟件

一、人工神經網絡綜述

BP神經網絡是目前應用最為廣泛和成功的神經網絡之一，它是由一個輸入層，一個或多個隱層以及一個輸出層組成，上下層之間實現全連接，而每層神經元之間沒有連接。網絡的學習過程包括信號正向傳播和誤差反向傳播。在正向傳播進程中，輸入信息從輸入層經隱層加權處理傳向輸出層，經功能函數運算后得到的輸出值與期望值進行比較，若有誤差，則誤差反向傳播，沿原先的連接通道返回，通過逐層修改各層的權重系數，減小誤差。隨著這種誤差逆向傳播修正的不斷進行，網絡對輸入模式響應的正確率也不斷上升。

二、人工神經網絡的識別、診斷過程

滾動軸承在設備中是比較典型的，本文以滾動軸承的故障識別、診斷為例。進行模式識別的大體步驟為：首先對經過零均值化后的振動信號數據進行時域、頻域分析，將篩選后的有效時域、頻域特征值作為人工神經網絡輸入層的輸入，經Matlab軟件進行神經網絡的訓練，最后可得出一個可以識別軸承工作狀態的神經網絡，進而可以對滾動軸承進行模式識別。可見采用振動信號檢測法對機器設備進行故障診斷的過程包含信號采集、特征提取、狀態識別、故障分析和決策干預等五個基本環節，在滾動軸承故障診斷中，振動信號的采集是關鍵，保證信號采集的準確性、合理性和實時性是正確實現故障診斷的前提。（1）信號采集。每臺機器設備都有自身的固有頻率，若設備發生故障，其頻率變化，其振動信號也會發生變化。因此，振動信號可以作為故障診斷的一個重要標準。在信號采集中主要用到加速度傳感器、電荷放大器、帶濾波的A/D轉換器。先通過壓電式加速度傳感器對振動信號進行拾取，然后經過電荷放大器及通過帶濾波的A/D轉換電路得到微機可以識別的數字信號，從而實現振動信號的采集。（2）特征值提取。為了便于觀察，要把采樣點的值分布在0附近，故先對采集的采樣點值進行零均值化。用matlab對零均值化后的的采樣點進行時域、頻域分析。時域分析是計算振動信號的在時域范圍內的特征參數，包括：平均值、方差、均方根、峰值峰值因子、峭度系數等參數。頻域分析是對零均值化后數據進行傅里葉變換，繪制頻譜圖，對不同樣本故障軸承和正常軸承的頻譜圖進行對比，找出幅值差別比較明顯的幾組，作為頻域分析的特征值。由于各個特征值的幅值大小不一致，不便于比較同一特征值在不同樣本之間的差異，所以對所有有效特征值進行歸一化，歸一化后的結果可以作為神經網絡的輸入值。（3）模式識別和故障分析。在狀態檢測過程中，樣本數據來源于實驗數據分析后提取的有效特征值，這些有效的特征值作為神經網絡的輸入。神經網絡的輸出為軸承狀態，分為正常軸承和故障軸承（也可以把故障具體分，比如內圈、外圈、滾動體故障等），可以用（0 1）表示正常軸承，（1 1）表示故障軸承，因此網絡中設計2個輸出神經元表示這2個狀態。對軸承的不同狀態進行識別，建立神經網絡對它進行訓練，可以用公式（其中是輸入層神經元數，是隱層神經元數）大體的計算出隱層神經元層數。我們設計一個隱層可以隨意改變的BP神經網絡，通過誤差對比確定隱層數目。設定神經網絡的隱含層神經元的傳遞函數為tansig，輸出層神經元的傳遞函數為logsig，目標誤差為0.001，最大訓練步數為1000。由以上設計寫出網絡訓練代碼，經Matlab運行，找出網絡誤差最小所對應層數，該層數作為神經網絡的隱層。

確定神經網絡的隱層后便可確定神經網絡的最終結構，下一步就要對網絡進行訓練，使人工神經網絡所產生的網絡誤差小于目標誤差，對神經網絡訓練好以后，接下來就是對軸承的測試，神經網絡測試代碼為：y=sim（net，測試數據）。把正常軸承和故障軸承的測試數據導入Matlab程序中，結果整理后可得（以實驗室中的一組實驗數據為例）：

用均值表示結果為：

把預先設定好的狀態值和測試后的結果進行比較，很清楚的可以辨別出正常軸承和故障軸承。可見，對機器設備或者系統的故障診斷實質是一個模式識別過程。利用神經網絡的模式識別能力，直接識別系統的當前模式，實現正常模式和故障模式之間、以及不同故障模式或不同故障程度之間的區分。

參 考 文 獻

[1]焦李成.神經網絡系統理論[M].西安電子科技大學出版社，1990

[2]梅宏斌.滾動軸承振動監測與診斷理論·方法·系統[M].機械工業出版社，1995