基于人工神经网络工业机械故障诊断优化方法研究.docVIP

基于人工神经网络工业机械故障诊断优化方法研究 　　摘 要：针对当前工业机械设备运行数据庞大，设备故障诊断复杂等问题，采用三层式BP神经网络，结合主元分析法，研究用于工业机械设备故障诊断的BP神经网络的优化方法，来对设备故障原因进行分类，并在此基础上探讨BP神经网络对于不同场景的应用，从而提高BP神经网络的应用价值。 　　关键词：人工神经网络；工业机械故障；诊断；优化方法 　　中图分类号：F407.4 文献标志码：A 文章编号：2095-2945（2017）30-0106-03 　　前言 　　随着信息技术在各行各业的不断深入推进，有效带动了科学技术日新月异的发展，现代工业逐渐向标准化、智能化、自动化和数字化方向发展，对工业生产指数提出了更高要求。特别神经网络概念的提出，使人工智能在工业机械故障诊断方面得到了前所未有的应用，我国很多学者开始对神经网络在工业机械故障诊断中的应用进行研究，并取得了一定的成果，如东北大学虞和济教授等对机械设备故障诊断的人工神经网络进行了深入的研究，建立了旋转机械神经网络分类系统[1]并得到了应用，取得了满意的效果。西安交通大学的屈梁生教授等较早地利用人工神经网络对大型旋转机械的各种故障进行了全面的研究[2]，研究了如何从现场故障信号中将全息诊断法用于神经网络诊断系统中。有联想记忆和对故障实例进行学习的功能，在用于设备软故障诊断时，可避开对设备结构的数据模型研究，因此为设备诊断优化技术开辟了新的途径。 　　1 国内外研究现状及发展动态分析 　　自开始工业生产以来就存在对机械设备的故障诊断，刚开始是凭着工匠丰富的经验来判断一些故障的存在并且给出修复的方法[3]。故障诊断作为一门学科，是在二十世纪六十年代之后兴起的[4]，最早进行机械设备故障诊断的是美国，英国、日本、挪威、瑞典、丹麦等国家紧跟其后。因为美国在1961年执行阿波罗计划之后发现了许多设置故障，所以美国宇航局在1967年倡导成立美国机械设备故障预防部门，专门负责机械故障的技术研发[5]。历经40年的不断发展，机械设备故障诊断机构，其技术已经逐渐形成以抽样分析、振动诊断、温度检测为主，一些新技术不断发展的新局面，随着计算机技术的进步，极大的促进信号分析和处理技术的迅速发展，进一步推动了机械设备故障检测技术的进步更全面科学的发展。 　　综上所述，前人的理论基础和实验基础已经具备，但是仅用BP神经网络用于机械设备故障诊断的时间过长，不能很好地及时反映机械故障，且将主元分析法和BP神经网络结合的用法比较少[6]。又由于工业机械机理复杂，所处运行环境不一，突变性、随机性等情况较多。因此，建立适用于工业机械的有效监控与故障诊断系统并推广其应用具有一定的研究价值。先用主元分析法在力保数据信息损失最少的原则下，对高维变量空间进于降维，再用BP神经网络进行机械软故障的分类与预警，以提高BP神经网络用于机械故障诊断的效率，这在故障诊断中是一种比较新的方法。 　　2 基于人工神经网络的工业机械故障诊断优化方法的选择 　　针对工业机械设备进行性能检测，并将设备的参数调整至最佳值，以提高系统工作的稳定性和可靠性，是一项非常重要的任务。而传统的外场检测方法只是应用模拟式外场检测仪对其行检测，这种检测方法虽然简单易行，但是对系统的覆盖率较低，无法对系统的软故障进行诊断。因此选取比较好的检测方法是完成这一任务的前提条件。 　　2.1 主元分析法 　　主元分析法（PCA）是基于多元统计过程控制的故障诊断技术的核心，由卡尔?皮尔逊于1901年发明，经常用于分析工业机械运行过程中的数据及建立数理模型。它试图将一个高维数据矩阵简化、降维，从而揭示工业机械运行数据矩阵中的主要结构。主元分析法实质上是过程变量协方差或相关矩阵的特征向量分解。经过在实践过程中不断的研究和发展，主元分析法目前已被广泛的应用在工业机械故障的分析和监测中，特别是在工业机械故障监测中起到了一定的促进作用。经过多年的研究和发展，已被成功地应用于工业机械运行过程分析和监测，由于其不依赖过程数学模型，逐渐成为近年来研究热点之一。 　　2.2 人工神经网络 　　人工神经网络（ANN）是20世纪80 年代以来人工智能领域兴起的研究热点。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在?F代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。BP神经网络是人工神经网络的一种，在1974年以后在神经网络的背景下应用，由Paul Werbos