基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的機(jī)電設(shè)備安裝中實(shí)時(shí)故障診斷方法研究

孫巨崗

（天津市匯和機(jī)電設(shè)備安裝有限公司，天津300350）

0 引言

隨著工業(yè)化進(jìn)程的不斷推進(jìn)，廠礦企業(yè)的數(shù)量也越來越多［1］。在廠礦企業(yè)中，對(duì)機(jī)電設(shè)備安裝中的故障進(jìn)行準(zhǔn)確診斷，對(duì)于消除設(shè)備的安全隱患、降低設(shè)備故障率等都具有重要的意義，因此，如何對(duì)設(shè)備安裝過程中的故障進(jìn)行實(shí)時(shí)診斷，成為當(dāng)前設(shè)備故障診斷領(lǐng)域的一個(gè)熱門研究課題［2］。傳統(tǒng)的設(shè)備安裝中的故障診斷主要是通過人工進(jìn)行，主觀性強(qiáng)，效率低，隨著故障診斷技術(shù)的進(jìn)步，一些先進(jìn)的故障診斷方法被應(yīng)用到機(jī)電設(shè)備安裝中的故障診斷領(lǐng)域，并取得了顯著的效果［3］。但是，隨著制造業(yè)水平的不斷提高，機(jī)電設(shè)備的體積越來越大，結(jié)構(gòu)也越來越復(fù)雜。大型機(jī)電設(shè)備內(nèi)部的部件之間形成了錯(cuò)綜復(fù)雜的關(guān)系。在大型機(jī)電設(shè)備安裝過程中，一旦出現(xiàn)故障，將會(huì)對(duì)故障特征造成非線性的干擾。傳統(tǒng)的方法主要根據(jù)機(jī)電設(shè)備運(yùn)行中的故障特征進(jìn)行診斷，無法克服這種干擾造成的影響，從而降低了診斷的準(zhǔn)確率。

針對(duì)上述傳統(tǒng)方法的缺陷，本文提出一種基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的機(jī)電設(shè)備安裝中實(shí)時(shí)故障診斷方法，對(duì)故障特征的主成分進(jìn)行分析，并提取特征主成分作為神經(jīng)網(wǎng)絡(luò)的輸入量，利用神經(jīng)網(wǎng)絡(luò)構(gòu)建故障診斷模型，并對(duì)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度進(jìn)行優(yōu)化。實(shí)驗(yàn)結(jié)果表明，該算法在機(jī)電設(shè)備安裝中實(shí)時(shí)故障診斷方面具有優(yōu)勢。

1 對(duì)故障特征主成分進(jìn)行分析

設(shè)置X為n維的故障特征向量，則可以用n維特征向量的加權(quán)和進(jìn)行描述：

式中，αi為故障特征的權(quán)重；φi為故障的特征向量。

假設(shè)φi為正交向量，則有：

其中，Φ＝｛φ1，φ2，…，φn｝，ΦTΦ＝1。

利用下述公式能夠描述機(jī)電設(shè)備安裝中的故障特征向量X的自相關(guān)矩陣：

將X＝Φα代入到公式（3）中，則有：

其中，R為X的自相關(guān)矩陣，λj為矩陣的特征值。

將矩陣的特征值進(jìn)行次序排列，能夠得到下述結(jié)果：

這樣，能夠得到機(jī)電設(shè)備安裝中的故障特征向量的變換矩陣：

其中，m＜n。

通過故障特征值的大小得到故障各個(gè)主成分的貢獻(xiàn)，通常設(shè)置m的值大于90%，即通過前m個(gè)故障特征的主成分描述整個(gè)故障信息，并將m個(gè)故障特征的主成分作為神經(jīng)網(wǎng)絡(luò)的輸入量。

2 建立故障診斷的神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是一種解決非線性問題的工具，在模式識(shí)別與分類方面具有較強(qiáng)的優(yōu)勢，因此可以將其用于設(shè)備安裝中的實(shí)時(shí)故障診斷方面。本文用于機(jī)電設(shè)備安裝中實(shí)時(shí)故障診斷的神經(jīng)網(wǎng)絡(luò)為徑向基（RBF）前向型神經(jīng)網(wǎng)絡(luò)，它由輸入層、隱含層和輸出層構(gòu)成。

在RBF神經(jīng)網(wǎng)絡(luò)中，輸入層與隱含層之間為線性關(guān)系，隱含層與輸出層之間為非線性關(guān)系，利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)電設(shè)備安裝中的實(shí)時(shí)故障診斷的具體方法如下所述：

采集機(jī)電設(shè)備安裝中的故障信號(hào)，并進(jìn)行歸一化處理，將其作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)，設(shè)置向輸入層輸入的待診斷數(shù)據(jù)為：

其中，xi＝｛xi1，xi2，…，xip｝T，i＝1，2，…，n。

則隱含層到輸出層的數(shù)據(jù)能夠描述為：

利用下述公式能夠描述隱含層中的激勵(lì)函數(shù)：

其中，x為輸入量，ci為激勵(lì)函數(shù)的中心，σ為激勵(lì)函數(shù)的寬度，上述激勵(lì)函數(shù)是線性的。

神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)是對(duì)隱含層的全部神經(jīng)元加權(quán)后累加獲得的，則利用下述公式能夠描述神經(jīng)網(wǎng)絡(luò)的輸出：

利用下述公式能夠?qū)C(jī)電設(shè)備安裝中的故障診斷誤差進(jìn)行計(jì)算：

在網(wǎng)絡(luò)學(xué)習(xí)過程中，通過引入動(dòng)量因子α（0＜α＜1）對(duì)學(xué)習(xí)速度進(jìn)行優(yōu)化，其公式如下：

式中，D（k）為負(fù)梯度。

根據(jù)上面闡述的方法，對(duì)網(wǎng)絡(luò)學(xué)習(xí)速度進(jìn)行改進(jìn)，并考慮到診斷誤差對(duì)梯度的影響，從而避免了診斷結(jié)果不是局部最優(yōu)解的情況，實(shí)現(xiàn)了對(duì)機(jī)電設(shè)備安裝過程中故障的實(shí)時(shí)診斷。

3 仿真實(shí)驗(yàn)

為了驗(yàn)證本文算法進(jìn)行故障診斷的有效性，需要進(jìn)行一次仿真實(shí)驗(yàn)。利用仿真軟件MATLAB 7.1編寫機(jī)電設(shè)備安裝中故障診斷的實(shí)驗(yàn)環(huán)境。機(jī)電設(shè)備安裝過程中的故障十分復(fù)雜，本文以某水電機(jī)組設(shè)備的安裝為例，采集故障數(shù)據(jù)，獲得頻段特征向量，并利用下述公式進(jìn)行歸一化處理：

對(duì)故障特征數(shù)據(jù)進(jìn)行訓(xùn)練，得到的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為12－6－5，在實(shí)驗(yàn)過程中，利用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果能夠用表1進(jìn)行描述。

表1 BP－NN和BP－WNN的結(jié)果對(duì)比

從表1實(shí)驗(yàn)結(jié)果可知，本文算法的診斷效率和診斷準(zhǔn)確率相對(duì)傳統(tǒng)算法得到極大提高，能夠滿足機(jī)電設(shè)備安裝對(duì)于故障實(shí)時(shí)診斷的要求。這充分表明了本文算法在機(jī)電設(shè)備安裝中實(shí)時(shí)故障診斷方面的優(yōu)勢。

4 結(jié)語

機(jī)電設(shè)備安裝中實(shí)時(shí)故障診斷方法是一項(xiàng)復(fù)雜的工作，提高故障診斷的效率和準(zhǔn)確率具有重要的實(shí)際意義。本文算法對(duì)故障成分的主特征進(jìn)行提取，作為神經(jīng)網(wǎng)絡(luò)的輸入量，并優(yōu)化神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，實(shí)驗(yàn)結(jié)果令人滿意。

［1］吳大鵬，趙瑩，熊余，等.基于小波神經(jīng)網(wǎng)絡(luò)的告警信息相關(guān)性挖掘策略［J］.電子與信息學(xué)報(bào)，2014，36（10）：2379－2384.

［2］康見見，柴嘉鴻，孫士杰，等.基于BP神經(jīng)網(wǎng)絡(luò)的柴油機(jī)燃燒特征參數(shù)前饋預(yù)測模型［J］.科學(xué)技術(shù)與工程，2014（24）：221－225.

［3］張齊生.低壓配電設(shè)備安裝工程常見問題及對(duì)策［J］.科技創(chuàng)新與應(yīng)用，2014（36）：182.