人工神經網絡在往復壓縮機故障診斷中的應用

蘭 天，張宏斌，潘 迪，吳志東，接丞想

（1.齊齊哈爾大學 機電工程學院，黑龍江 齊齊哈爾 161006；2.齊齊哈爾大學 理學院，黑龍江 齊齊哈爾 161006）

往復壓縮機是能源企業用于壓縮和輸送流體的重要機械設備，其穩定的運行對于節約生產成本、提高生產效率、保障安全生產具有重要的經濟意義。往復壓縮機屬大型設備、內部結構復雜、工況惡劣、激勵源眾多，振動信號表現為強非平穩和非線性特點，給故障診斷帶來較大困難[1]。

人工神經網絡的診斷方法是集結構拓撲魯棒、并行的數理邏輯處理方法、復雜模式處理為一體的現代診斷技術，這一技術在大型機械設備的復合故障診斷，一些頻發性的、突發性的機械設備故障診斷中應用極為廣泛。目前，人工智能、計算機網絡技術和傳感技術等已經成為機械故障診斷系統的關鍵技術，這些技術的研究也取得了很大的進展，但在往復壓縮機故障診斷中仍存在許多需要解決的問題，因此，開展人工神經網絡在往復壓縮機故障中的應用研究意義重大[2]。

1 神經網絡模型構建

人工神經網絡基于生物神經系統，以抽象的形式對神經元結構進行模擬，通過模擬生物神經系統，使其以圖形、符號和文字的形式進行表達。

圖1 神經元模型

如圖1所示，建立了神經網絡的構成單元（神經元）模型，神經元的輸入與輸出體現出多對一的特性。神經元模型可描述為：

目前，最常用的神經網絡模型是BP網絡，其作用機理如圖2所示。

圖2 BP神經網絡模型

BP神經網絡的本質是一種映射關系，反應信號輸入與輸出的非線性特征，即 F：Rn→Rm，f(X)＝Y。根據樣本集，取出一個映射g，在輸入xi∈Rn，輸出yi∈Rm的情況下，存在：

定義映射f，得到f→g的最佳逼近值。

3 BP人工神經網絡應用

人工神經網絡具有模仿或代替人的思維功能，利用人工神經網絡可以實現設備自動診斷和求解，解決傳統方法所不能或難以解決的問題[3]。人工神經網絡具有很高的容錯性和魯棒性，即使在惡劣的條件下，仍可以自主優化工作狀態[4]。

BP人工神經網絡發展至今，對科學研究產生了較大貢獻。在振動信號處理過程中，為了實現對復雜函數的逼近，必須采用多層前饋網絡，而對于多層網絡，感知器尚不能解決其隱層學習問題，限制了這一技術的發展。上世紀八十年代末期，Rumelhart[5]提出了多層前饋網絡的反向傳播算法（BP算法），這一問題得到解決。

假設網格節點數為n，給定一個輸出為y，根據Sigmoid函數，推導BP算法過程如下：

圖3 j單元信號傳播流程

如圖3所示，迭代第n步時，j單元接收信號的凈輸入為：

經過作用函數φj(n)得到的單元j輸出為yj(n)=φj(vj(n))，該單元信號誤差為：

定義第n步迭代輸出端總的平方誤差為：

設樣本訓練總數為N，則總的平方誤差均值為：

當 ξAN為最小時，可認為△wji＝0，ξ(n)/wji(n)→0，而當ξAN未達到最小時，∣ξ(n)/wji(n)∣增大，則△wji(n)∣增大，∣ξ(n)/wji(n)∣減小，則∣△wji(n)∣減小，且∣△wji(n)∣按照∣ξ(n)/wji(n)∣下降方向修正。

雖然BP算法實用性較強，但仍存在一些問題：

（1）算法迭代步驟多，不易收斂；

（2）BP網絡隱節點較多，數目不易確定；

（3）樣本間互相影響，輸入輸出的特征項目必須相同。

4 結語

本文構建了BP神經元模型，同時給出了BP人工神經網絡基本結構圖，闡述了神經網絡的輸入和輸出關系。以模型為依據，推導BP神經網絡算法，同時提出算法存在的問題，通過改進的算法在往復壓縮機故障診斷過程中能夠得到更好的應用。