基于神经网络的旋转机械运行状态预测.pdfVIP

第35卷 第 1期 河北联合大学学报 (自然科学版) V(1．35 No．1 2013年 1月 JournalofHebeiUnitedUniversity(NaturalScienceEdition) Jan．2013 文章编号 ：2095-2716(2013)01-0026-05 基于神经网络的旋转机械运行状态预测 王小乐，玄兆燕 (河北联合大学 机械工程学院，河北 唐山063009) 关键词：BP神经网络模型；振动烈度；趋势预测 摘 要：根据人工神经网络模型，运用MATLAB的神经网络工具箱建立BP神经网络预测模 型，以振动烈度作为神经网络的输入，对旋转机械运行趋势进行预测。实验证明该模型用于旋 转机械故障预测的有效性和可行性，具有良好的应用价值。 中图分类号．THll3．22 文献标志码：A 0 引 言 在机械状态监测和故障诊断的实践中，除了需要确定当前机器的行为是否正常，以及导致异样信号的原 因，还对大型机械的运行状态趋势进行预测，也就是能否根据机器当前以及以往的状态来预估机器在将来的 一 段时间内的运行状态。目前，机械运行状态变化的趋势分析和预测预报是诊断技术的重要 目标之一 。 旋转机械典型故障最主要的是转子不平衡 ，其次是转子不对中，再次是机件松动、轴承损坏等其它故 障 ]。随着不同故障的发生以及故障的程度加剧，振动信号的振动烈度也在不断的增大。因此，以振动烈 度作为故障的检测标准实用性强。 人工神经网络是一种模拟人类脑神经系统的网络结构，它能从已知的数据中自动地归纳规则，获得这些 数据的内在规律及样本中蕴含的非线性关系，具有 良好的自适应性、自组织及很强的学习、联想、容错和抗干 扰能力 ]。神经网络具有通过学习逼近任意非线性映射的能力，将神经网络应用于非线性系统的建模与辨 识中，可以不受非线性模型的限制，便于给出工程上易于实现的学习算法 。 本文以振动烈度作为状态预测的原始数据，基于MATLAB的神经网络工具箱风机运行趋势进行预测。 通过实际数据对预测数据进行对比验证。 1 BP神经网络 1974年，P．Werbos在其博士论文中提出了第一个适合多层网络的学习算法，但该算法并未受到足够重 视和广泛的应用。直到2O世纪80年代中期，DavidRunelhart，GeoffreyHinton和RonaldWilliams，David Parkr，以及YannnLeCun分别独立发现了BP算法。1986年，美国加利福尼亚的PDP(paralleldistributed procession)小组发表了{ParallelDistributedProcessing} 书，将该算法应用于神经网络的研究，才使之称为迄 今为止最著名的多层网络学习算法——BP算法。由此算法训练的神经网络，称之为BP神经网络。 人工神经网络中最常用是BP网络(多层前馈网络)，它采用的是误差反向传播算法，BP：冲经网络一般 由输入层，隐含层以及输出层组成：每一层都由若干个节点组成，每一个节点表示一个神经元，上层节点与下 层节点之间通过权来连接，层与层之间的节点采用全互联的连接方式，每层内节点之间没有任何联系。(如 图 1所示)。 BP神经网络算法的基本思想是：学习的过程是由信号的正向传播与误差的反向传播组成。正向传播 时，输入的样本从输入层传人，经过隐层逐层处理后传向输出层。若输出层的实际输出与期望输出不符，则 转入误差反向传播阶段。误差反传的基本思想是将输出的误差以某种形式通过隐层向输入层逐层反传 ，并 收稿 日期：2012-09．11 第 1期 ：FtJ,乐，等：基于神经网络的旋转机械运行状态预测 27 将误差分摊给各层单元，从而获得各层单元的误差信号，此误差信号即可以作为修正各单元权值的依据。这 种信号正向传播与误差反向传播各层权值调整的过程是周而复始地进行的。其中权值在不断调整的过程也 是网络的学习训练的过程，此过程一直进行到网络输出的误差减小到可接受的程度，或进行到预先设定的学 习次数为止 引。 n个单元 q个单元