以神經網絡為基礎的設備故障診斷

王桂明

【摘 要】 本文主要是介紹以神經網絡為基礎的設備故障診斷方法，通過對神經網絡的基本理論、模型及設備的結構特征、設備故障的特點進行分析。形成震蕩策略和診斷模型，并將其用于對模擬電路的故障診斷。

【關鍵詞】 神經網絡系統 故障診斷 診斷策略

以大規模并行分布式處理器為基礎，通過對人腦某些功能的模擬來進行運算的系統就是人工神經網絡（ANN：Artificiral Neural Networks），簡稱為神經網絡（NN）。由于容錯性強、聯想性強和自學能力強，神經系統在模式識別和故障診斷方面有非常廣闊的應用前景。神經網絡能夠自主學習故障實例，開辟了設備診斷技術的新途徑。本文對神經網絡系統的理論、構造和基本模型進行了論述，并對其在模擬電路故障診斷中的應用進行了探討。

1 神經網絡的基本理論與基本模型

人工神經網絡是一個以神經元為基本單位，采用一定的拓撲結構將神經元連接而成的網絡，是一種多輸入、單輸出的非線性器件[1]。神經元之間的相互作用就形成了神經網絡的信息處理能力，各神經元連接權值的演化就是神經網絡的記憶能力。多層前饋網絡（MFNN：Multilayer Feedforward Neural Network）和離散Hopfield模型（DHNN：Discrete Hopfield Netural Network）是常用的兩種神經網絡，在設備故障診斷中可當做基本模型使用。

2 設備故障的特點

設備構造出現異常，從而導致功能失調就是設備故障。在一定環境下對設備的工作情況和功能失調原因進行了解就是設備故障診斷。了解設備構造特點和掌握故障產生機理是設備故障診斷的基礎。

不同種類的“元素”遵照規律聚合而成的系統就是設備，其中“元素”可以是子系統，子系統的“元素”再往下類推一直到具體的器件，這樣的設備就是層次遞推系統。復雜的設備往往包含了很多子系統，可以引用“結構樹”的方式來進行表達，使設備故障與設備構造形成對應關系，方便于設備故障的診斷和模型的建立。設備故障表現出的特點為分類性，當設備出現故障時，可以根據上述“結構樹”的觀點來對故障進行分類；層次性，設備上層次的故障肯定是由于對應的子系統出現故障，因此設備的故障是分層次的、縱向向上傳播；相關性，故障橫向上的傳播就是相關性；不確定性，系統的“元素”特性、工作環境、子級關系等都不確定，使設備故障和“元素”之間存在隨機性。

3 以神經網絡為基礎的設備故障診斷的策略與模型

先了解設備結構，然后分析設備故障特點，最后根據特點確定采用的診斷策略并建立模型才能夠高效率、高準確度地對設備故障進行診斷。

3.1 以神經網絡為基礎的設備故障診斷的策略

在設備故障特點和神經網絡基本模型中的信息表達方式在某個方面存在著類似。用一個神經網絡系統來表示復雜設備，神經系統的子網絡就是設備故障分類型的體現，神經網絡多層前饋網絡所表達的信息與設備故障的層次性特點對應，離散Hopfield模型與設備故障的相關性信息匹配，從這些信息中可以得出設備故障診斷的策略就是“系統考慮、分塊診斷、加權驗證”[3]。系統考慮就是要用系統來表示設備，用子網絡來表示相應的設備子系統，從故障的關系入手考慮子系統之間的連接權值；分塊診斷就是把各個子系統作為目標，用不同的診斷模型進行診斷；加權驗證就是重復考慮設備故障診斷時的不確定因素，用模糊診斷技術對診斷的結果進行驗證，這種策略能夠保證診斷的正確性。

3.2 以神經網絡為基礎的設備故障診斷的模型

根據上述診斷策略建立設備故障診斷物理模型，將模型視為抽象的神經系統，由若干個神經網絡組成，每一個網絡都對應設備的一個子系統，系統的外殼就是系統輸出，每個子系統輸出都與系統輸出單向的連接，而各個子系統之間的互連就是子系統故障相關性的表示，各個子系統根據需要檢測設備的特點和故障的特征建立以神經網絡為基礎的設備故障診斷模型，對不同的故障進行學習、記憶與診斷。將各個系統作為“元素”對設備故障進行分析。

3.3 多層前饋網絡與離散Hopfield模型

（1）多層前饋網絡模型。多層前饋網絡模型包含有輸入層、輸出層和隱層結構。該模型信號從輸入層單向傳遞，在同一層的神經元之間不傳遞信息，通過反復學習樣本而修改數值，最終達到滿意的效果。（2）離散Hopfield模型。離散Hopfield模型是指由多個神經元組成的互連網絡，同時也是一個加權無向網絡。離散Hopfield模型具有聯想記憶功能，通過對故障樣本的學習和記憶，實現聯想記憶診斷。

3.4 以神經網絡為基礎的設備故障診斷模型應用研究

某個設備主要的組成部分為信號模擬器和采集模擬器、測試微機和電源。該設備的故障測試中，針對設備結構相對復雜、各個系統之間的影響制約作用大等特點，先用層次性原理進行層次劃分，然后各層逐一診斷，使診斷能夠更加高效。將該設備分為三層，第一層為各個子系統，例如采集控制器、測試微機、信號模擬器、電源燈；第二層為子系統板級電路，例如電壓采集板等；第三層為單元電路或者元器件，例如數據緩沖電路等。設備故障診斷也分三級，第一級判斷故障出自哪個子系統，第二級判斷哪個板級電路出現故障，最后一級確定故障所在。

當該設備出現故障時，將需要識別的樣本信息輸入到神經網絡中，神經網絡自身通過學習、組織，能夠將故障發生的位置進行定位并找出解決辦法。

4 結語

神經網絡技術在設備故障診斷方面發揮著巨大的作用，本文就神經網絡的概念、特點以及以神經網絡為基礎的設備故障診斷的策略和模型進行了論述，并運用實際應用來說明了其有效性。這些理論只是神經系統用于設備故障診斷中的初步總結，隨著對神經網絡應用不斷深入地研究，更加有效和新穎的設備故障診斷策略和模型將會出現，發揮更大的作用。

參考文獻：

[1]劉愛民，林莘，劉向東.基于（RBF）神經網絡的自動化電器設備故障診斷方法[J].組合機床與自動化加工技術，2012，03（34）：09-12.

[2]田文杰，劉繼承，艾蘭.基于蟻群神經網絡的設備故障診斷[J].北京聯合大學學報（自然科學版），2013，13（39）：09-14.

[3]任生，胡明文.基于人工神經網絡的設備故障診斷[J].設備監測與診斷技術及其應用——第十二屆全國設備監測與診斷學術會議論文集，2013，54（13）：43-52.endprint