神经网络在故障诊断中的研究

hexyhonest

神经网络在故障诊断中的研究

摘要：本文首先归纳了神经网络在故障诊断中的运用方式；然后针对目前较热门的三种神经网络与其他诊断方法融合的复合故障诊断方法进行分析；最后，给出了选择智能故障诊断方的原则。

关键词：神经网络；故障诊断；专家系统

1.引言

    随着现代工业、企业及科学技术的迅速发展，生产设备及系统日趋大型化、复杂化和自动化，对系统可靠性和安全性的要求越来越高。一旦系统发生故障将会造成巨大的经济损失和人员伤亡。美国航天飞机挑战者号的发射失败，哥伦比亚号的解体，前苏联切尔诺贝利核电站泄露事故以及我国在一些企业设备发生的故障等，都已充分说明了这一点。所以大力开展故障诊断技术的研究，对于促进大型技术过程的发展，提高复杂系统的可靠性、安全性和可维护性具有重大的现实意义[1]。

自20世纪80年代，人工神经网络的研究复兴以来，神经网络以其具有的许多优点在复杂系统的故障诊断中受到越来越广泛的重视，显示出巨大的潜力，己成为故障诊断技术的一种重要手段。

本文针对目前较热门的三种神经网络与其他诊断方法融合的复合故障诊断方法进行分析，指出各自的适用性和局限性。最后，给出了选择智能故障诊断方的原则。

2.基于神经网络的故障诊断方法

    人工神经网络是模拟生物神经网络结构的一种复杂的、大规模的非线性动力学系统。由于神经网络具有模拟任何连续非线性函数的能力、利用样本学习的能力、容错能力以及天然模式识别能力[2],已被用于复杂系统的故障诊断中。使用神经网络进行故障诊断的方法主要有以下几类:

2.1使用神经网络产生残差、进行残差评估

    传统的基于数学模型故障诊断的基本思想是，设计系统的检测滤波器（数学模型），然后根据滤波器的输出与真实系统的输出的比较，产生残差，再对其残差进行分析、处理，以实现系统的故障诊断[3]。

为了产生残差，可用神经网络代替正常状态的系统模型。首先，由直接测量或从仿真系统中采集输入输出数据，建立其数据库，然后，对网络进行训练。如果可能，也可以收集一些故障状态时的数据，以便对残差产生器进行检验。训练完成后，就可以用网络在线产生残差。在这里，神经网络建模是动态的，既可以采用具有输入输出延迟的多层前向神经网络，采用具有内部反馈连接递归神经网络，也可以采用文章（4）提出的神经网络状态空间辨识模型[4]。

    可采用多层前向神经网络进行残差评估，残差可以由上述神经网络方法产生，也可由解析方法产生，如:观测器法或参数估计法[5,6,7]。首先，需要建立残差数据库和相应的故障特征数据库，利用它们对神经网络进行训练。训练完成后，神经网络就可以在线估计残差，决定系统是否有故障发生，并指出故障发生的原因。

2.2用神经网络进行模式分类的故障诊断推理

    神经网络用于故障诊断最多的是利用神经网络的学习能力建立故障征兆与故障原因之间的映射关系--神经网络模型，使用神经网络模型可直接由故障征兆推理出故障原因。

    这种方式多使用多层前向神经网络模型，使神经网络输入层的节点对应故障征兆，输出层的节点对应故障原因。首先，收集故障征兆和故障原因构成的故障样本，然后使用这些样本对选定的神经网络模型进行训练，网络训练好后，神经网络本身就已建立了故障征兆和故障原因之间的非线性映射关系。应用时，只需将故障征兆送入神经网络，通过神经网络自身的前向运算就可以推出故障原因，完成故障推理和分类。

在诊断对象简单时可以采用单个神经网络完成诊断，当诊断对象复杂时，可使用多个神经网络，按照对诊断对象的分解，例如，按照故障树的方式对系统的分解，用不同的子网络分别实现不同层次上的诊断[8]，从而构成集成的神经网络故障诊断系统[9]。

3.基于神经网络的三种复合故障诊断方法

    虽然近年来智能化诊断技术取得了一定进展, 但仍存在许多问题有待研究和解决。例如, 诊断神经网络模型的改进, 层数与隐层单元数的设置以及迭代步长的选取, 这些都不同程度的影响网络的收敛速度和诊断精度等等的问题。而且对于复杂的系统, 单一的传统神经网络很难给出理想的结果。将神经网络与各种诊断理论结合, 利用各种诊断方法的优点, 可以得到效率更高的复合故障诊断方法。

3.1 神经网络故障诊断专家系统

神经网络和专家系统是沿着两种不同的途径开展研究的,即连接机制和符号机制。这两方面的研究各有所长,但就单个系统而言二者都存在很大的局限。

神经网络不同于用符号或数据结构来表征知识的传统专家系统,知识不是清晰的逻辑表达式,而是隐含在整个网络中,人们从网络的任何节点无法知道它代表何种逻辑概念,不知道网络究竟学习了什么,也不知道网络以何种传输途径来产生输出结果,难以解释网络的诊断,是神经网络用于知识处理和故障诊断时存在的不足[10]。

    神经网络通过对经验样本的学习,将知识以权值和阈值的形式存储在网络中。网络的输入是被诊断对象的征兆即特征值,输出则表示发生故障的可能性,但它不具备解释功能,即所谓知识表达的“黑箱结构”。专家系统是基于符号的推理系统,它利用知识和推理来解决人类专家知识才能解决的复杂问题。对复杂的系统专家系统存在知识获取困难的“瓶颈问题”,但它具备解释功能。因此,把神经网络与专家系统相结合, 发挥各自的优点是进行故障诊断的一种新途径。

    现在有将神经网络故障诊断和专家系统诊断相结合的神经网络故障诊断专家系统。

它的特点是：(1)有统一的内部知识表现形式。(2)易实现知识的自动获取,对环境有自适应性。(3)推理过程的并行计算,可避免专家系统推理过程中出现的“匹配冲突”、“组合爆炸”及“无穷递归”等问题。(4)具有联想、对比、记忆等思维能力,克服了专家系统中存在的“知识应用面窄”的问题可以工作在学习过的知识以外的范围。(5)实现了知识表示、存储和推理三者融为一体,即都由一个神经网络来实现。这在诊断系统内实现了二者的融合,诊断上呈现层次性,保证了诊断的高效性和可靠性。

3.2 模糊神经网络

    由于神经网络和专家系统都没有处理模糊信息的能力,而在实际中很多故障征兆都有模糊性。为了使神经网络具有处理模糊信息的能力,人们提出了模糊与神经网络相结合的模糊神经网络。模糊神经网络一般是在普通前馈神经网络中加入一个模糊化层,完成一个输入隶属度函数的计算。这样就在神经网络框架下引入模糊规则,且模型参数有明确的物理意义,又引入了学习机制,推理可以更加准确[12]。

    模糊神经网络特点：每个模糊推理规则独立编码,各自成为独立的模糊变换器,从而具有很小的交调失真。在对应关系发生改变时,相应神经网络重新学习新的征兆—故障对,并对诊断矩阵加以修正。增加或减少一个模糊变换器等效于增加或减少一条模糊变换规则,并建立新的网络进行学习。

3.3 小波分析和神经网络结合的故障诊断

小波神经网络就是以小波函数为隐层节点的基函数的神经网络,是小波理论与人工神经网络相结合的产物。小波分析是数学理论中调和分析技术发展的最新成果,被公认为是工具和方法上的重大突破。它在时域和频域同时具有良好的局部化性能,有一个灵活可变的时间一频率窗,这在理论和实用中都有重要的意义,已成功应用于逼近论、微分方程、分形识别、计算机视觉、非线性科学等方面。如何把人工神经网络和小波分析二者的优势结合起来一直是人们所关心的问题。一种方法是用小波对信号进行预处理,即以小波空间作为模式识别的特征空间。通过小波基于信号的内积进行加权和来实现信号的特征提取,然后将提取的特征向量送入小波神经网络进行处理:另一种方法即所谓的小波神经网络(WNN)或小波网络,把小波变换与神经网络有机的结合起来,充分继承了两者的优点[13]。

小波神经网络应用于故障诊断,基本的思想和前边的其他神经网络的故障诊断方法一致,就是利用样本训练收敛稳定后的节点连接权值,向网络输入待诊断的样本故障参数,计算网络的实际输出值,根据输出值的大小确定故障类别。

    总的来讲,应用小波神经网络方法解决工程实际问题,只需完成两项任务,一是收集和处理有关的信号数据以便构成所需样本,二是实现所用网络[14]。因此,不需要通常方法所要的建模过程,方便快捷。不过,实际上这其中却包含着必须仔细考虑的细节工作,对于一个实际的故障应用系统的开发而言,故障诊断知识的获取是一个十分关键的问题,无论采用那种的诊断方法,对诊断对象进行故障机理分析都是必不可少的[15]。故障机理分析的主要任务是,就是剖析故障现象与故障原因之间的关系,并构建故障诊断系统的总体框架,这就要求一方面要深入了解和掌握具体动态系统的有关的特点、原理、故障形式和特性,工程应用的具体要求等内容；另一方面需要对神经网络理论,具体模型的功能和特点、网络的存在的缺陷等。

4.选择智能故障诊断方法的原则

4.1考虑知识获取途径

    如果领域知识比较容易表示成规则等形式,且领域专家又愿意提供知识给知识工程师，则可以选择建立基于专家系统的故障诊断系统；反之，如果领域知识是以各种数据的形式表示，且不宜总结成规则，则最好采用神经网络故障诊断方法。

4.2考虑知识的表示形式

    如果知识是模糊的，而传统专家系统又不宜处理模糊知识，最好采用神经网络与模糊逻辑结合的方式，即模糊神经网络方法。

4.3考虑到在线应用

    如果要求故障诊断系统在线运行，即要求推理速度很快，这时最好采用神经网络故障诊断方法，而不采用专家系统方法。

4.4考虑是否能获取全部的征兆信息

故障诊断专家系统所采用的规则是精确的、易理解的知识，所以，故障诊断专家系统能在不完全的征兆信息下进行诊断推理，而神经网络故障诊断系统中，由于单个神经元没有一般的意义，使得在不完全的征兆信息下诊断受到限制甚至根本不可能，在这种情况下，最好采用模糊神经网络，或者专家系统方法。

5.总结

    故障诊断技术的研究是在不断吸取其它领域和科学新成果的基础上向前发展的，神经网络诊断技术已成为当代前沿领域一个新的重要研究方向，国内外许多研究工作和应用实例证明，神经网络故障诊断技术是可行的和有前途的。本文介绍神经网络故障诊断技术应用的方法和特点，总结了三种目前比较热门的将神经网络和其他诊断方法相结合的智能故障诊断技术，这些技术仍将是以后研究与应用的热点，因为它最大限度地发挥了两者的优势。随着人工神经网络的不断发展与完善。神经网络故障诊断技术更好地与实际结合，真正能够解决实际系统的故障诊断问题。

参考文献

[1] 周东华，叶银忠.现代故障诊断与容错控制仁[M].北京:清华大学出版社，2006，6．

[2]  Pandya A S, Macy R B(许勇，荆涛等译).Pattern recognition with Neural Networks in C + + (神经网络模式识别及其应用)[M].北京:电子工业出版社，1999，6．

[3] 闻新，张洪钱，周露.控制系统的故障诊断和容错控制[M].北京:机械工业出版社，1998，2

[4] 王科俊，王克成.神经网络建模、预报与控制[M].哈尔滨:哈尔滨工程大学出版社，1996，12．

[5] Iserman R.Process fault detection based estimation methods　-　a　survey[J]. Automatica, 1984,20(4):387~404．

[6] Iserman R.Fault diagnosis of machines via parameter estimation and knowledge processing -tutorialpaper[J].Automatica,1993,29(4):815~835．

[7] Frank PM. Fault diagnosis in dynamic systems via state estimation-a survey[C].Proceedings of 1th European workshop on Fault Diagnostics,Reliability Knowledge Based Approaches,1987-01:35~98．

[8] 许云飞，张雪江，等.基于产生式神经网络的气轮机电机组故障诊断专家系统研究[J].中国机械工程，1998，9(3):30~32．

[9] 虞和济，陈长征，等.基于神经网络的智能诊断[M].北京:冶金工业出版社，2000，5．

[10] 张荣沂.基于神经网络的智能故障诊断技术[J].自动化技术与应用,2002(2): 22．

[11] 闻新,周露.神经网络故障技术的可实现性[J].导弹与航天运载技术,2000,(2):17~22．

[12] 金林,张洪才.一种基于模糊神经网络的故障诊断方法的研究[J].西北工业大学学报2004(10): 22．

[13] 仲京臣,基于小波神经网络的故障诊断研究[D].中国海洋大学硕士学论文,2004.7:39~40

[14] 曾儒伟,许诚.故障诊断方法发展动向[J].航空计算技术,2003.(9): 33．

[15] 陈励华, 智能故障诊断技术的应用与研究[D]. 西北工业大学硕士学位论文,2005.3:9~11．

                      学院：石油化工学院        姓名:  何鑫业             学号:  122080706011