基于模糊神經(jīng)網(wǎng)絡(luò)的離心式壓縮機故障診斷①

劉紅軍 張曉剛

(新疆西部明珠工程建設(shè)有限公司)

基于模糊神經(jīng)網(wǎng)絡(luò)的離心式壓縮機故障診斷①

劉紅軍 張曉剛

(新疆西部明珠工程建設(shè)有限公司)

利用模糊神經(jīng)網(wǎng)絡(luò)建立離心式壓縮機故障診斷模型，使用梯度下降法進行學習訓練，引用萬能逼近定理設(shè)計離心式壓縮機非線性系統(tǒng)函數(shù)逼近誤差公式。仿真結(jié)果表明：出現(xiàn)故障后，逼近誤差函數(shù)能夠精確診斷離心式壓縮機故障。

模糊神經(jīng)網(wǎng)絡(luò) 離心式壓縮機 故障診斷 萬能逼近定理 逼近誤差

近年來，隨著石油化工產(chǎn)業(yè)裝置的大型化，對離心式壓縮機提出了高壓、高速及高度自動化等一系列要求，這促進了離心式壓縮機的發(fā)展和研究。隨著科技的不斷進步，壓縮機功能的可靠性和安全性得到了極大的提高[1]，但是壓縮機本身仍存在穩(wěn)定工況區(qū)域較小、易喘振等問題。另外，離心式壓縮機的穩(wěn)步工作也會由于部分外在因素而受到波動，如室內(nèi)溫度、負荷及不同氣體特性等[2]，所以設(shè)計一個自動化程度高、功能齊全、穩(wěn)定可靠的控制系統(tǒng)對提高壓縮機的使用壽命和企業(yè)的經(jīng)濟效益至關(guān)重要[3,4]。在此，筆者利用模糊神經(jīng)網(wǎng)絡(luò)建立離心式壓縮機故障診斷模型，設(shè)計離心式壓縮機非線性系統(tǒng)函數(shù)逼近誤差公式，從而實現(xiàn)精準的離心式壓縮機故障診斷。

1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)可以分為兩大類：層狀結(jié)構(gòu)和網(wǎng)狀結(jié)構(gòu)。層狀結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)(圖1)包括輸入層、隱含層和輸出層，其中輸入層用于接收樣本值并傳遞給隱含層，隱含層的神經(jīng)元個數(shù)根據(jù)實際問題的需求而定。每一層包括固有數(shù)目的神經(jīng)元，不同層之間的神經(jīng)元是單向運行連接的，而同一層的神經(jīng)元之間無關(guān)系。

圖1 層狀神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

前饋網(wǎng)絡(luò)(前向網(wǎng)絡(luò))的特點是輸入層接收到樣本值后傳遞給隱含層然后直接送入輸出層，整個網(wǎng)絡(luò)不含有任何反饋結(jié)構(gòu)。其中有兩種網(wǎng)絡(luò)應用比較廣泛：反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)(圖2)和徑向基函數(shù)(Radial Basis Function,RBF)網(wǎng)絡(luò)。它們的不同之處是隱含層每個節(jié)點用的激勵函數(shù)不同。

圖2 三層BP神經(jīng)網(wǎng)絡(luò)

反饋網(wǎng)絡(luò)具有反饋連接作用，分別在輸出層與隱含層、隱含層與隱含層當中。反饋網(wǎng)絡(luò)一般分為兩類：Hopfield網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)。根據(jù)反饋網(wǎng)絡(luò)的狀態(tài)，反饋方式分為Jordan型和Elman型，結(jié)構(gòu)如圖3所示。

圖3 反饋方式

2 T-S模糊系統(tǒng)

T-S模糊系統(tǒng)定義如下：

(1)

(2)

3 非線性系統(tǒng)建模

考慮如下非線性系統(tǒng)：

y(t)=f(u,t)+η(u,t)

(3)

其中，u∈Rm、y(t)∈Rr分別為輸入向量和輸出向量；f(u,t)為系統(tǒng)的非線性函數(shù)；η(u,t)為平滑非線性向量，可以說明建模誤差和干擾特性,且‖η(u,t)‖≤ηmax。系統(tǒng)的T-S模糊模型可表示為：

則整個系統(tǒng)的方程為：

(4)

4 仿真與結(jié)果分析

離心式壓縮機非線性函數(shù)的表達式為：

u1(t)=0.5sin(6πt)

u2(t)=0.3cos(6πt)

對輸入量u1(t)、u2(t)采用9個不同的模糊集進行模糊化，網(wǎng)絡(luò)式學習參數(shù)η=0.5,α=0.05，采樣時間取1ms。空氣壓力逼近誤差的仿真結(jié)果如圖4所示，可以看出，誤差‖yd(t)-yn(t)‖剛開始逼近時，波動較大，但是隨著時間的推移逼近誤差逐漸趨近于零，這表明離心式壓縮機逼近誤差隨著模糊規(guī)則的不斷增加而達到預期的結(jié)果。

圖4 空氣壓力逼近誤差

5 結(jié)束語

筆者設(shè)計了一種基于模糊神經(jīng)網(wǎng)絡(luò)的離心式壓縮機故障診斷方法。使用T-S模糊系統(tǒng)，建立模糊神經(jīng)網(wǎng)絡(luò)模型，使用梯度下降法進行學習訓練，引用萬能逼近定理設(shè)計離心式壓縮機非線性系統(tǒng)函數(shù)逼近誤差，實現(xiàn)了離心式壓縮機的故障診斷。

[1] 聞新,張洪鉞,周露.控制系統(tǒng)的故障診斷和容錯控制[M].北京:機械工業(yè)出版社,2000:26～36.

[2] 周東華,孫優(yōu)賢.控制系統(tǒng)的故障檢測與診斷技術(shù)[M].北京:清華大學出版社,1994.

[3] 郭其一,王立德.一種基于解析性冗余的傳感器故障診斷技術(shù)[J].鐵道學報,2000,22(4):16～19.

[4] 張愛玲,張文英,張端金.控制系統(tǒng)故障檢測與診斷技術(shù)的最新進展[J].系統(tǒng)工程與電子技術(shù),2007,29(4):659～664.

[5] 陳玉東,施頌椒,翁正新.動態(tài)系統(tǒng)的故障診斷方法綜述[J].化工自動化及儀表,2001,28(3):1～14.

[6] 周東華,葉銀忠.現(xiàn)代故障診斷與容錯控制[M].北京:清華大學出版社,2000.

FaultDiagnosisofCentrifugalCompressorBasedonFuzzyNeuralNetwork

LIU Hong-jun, ZHANG Xiao-gang

(XinjiangWestPearlEngineeringConstructionCo.,Ltd.)

Making use of fuzzy neural network to establish a fault diagnosis model for the centrifugal compressor was implemented, including the application of gradient descent method to the learning training, and citing the universal approximation theorem to design nonlinear function approximation error formula for the centrifugal compressor system. The simulation results show that, the approximation function can accurately diagnose the fault of centrifugal compressor when any failure emerges there.

fuzzy neural network, centrifugal compressor, fault diagnosis, universal approximation theorem, approximation error

劉紅軍(1970-)，高級工程師，從事電氣自動化工作。

TH865

A

1000-3932(2017)03-0271-03

聯(lián)系人張曉剛(1974-)，工程師，從事工業(yè)自動化與儀表工作，474439890@qq.com。

2016-10-31，

2016-11-28)