以神经网络为基础的设备故障诊断

2014-06-18 02:45王桂明
中国科技纵横 2014年5期
关键词:故障诊断

王桂明

【摘 要】 本文主要是介绍以神经网络为基础的设备故障诊断方法,通过对神经网络的基本理论、模型及设备的结构特征、设备故障的特点进行分析。形成震荡策略和诊断模型,并将其用于对模拟电路的故障诊断。

【关键词】 神经网络系统 故障诊断 诊断策略

以大规模并行分布式处理器为基础,通过对人脑某些功能的模拟来进行运算的系统就是人工神经网络(ANN:Artificiral Neural Networks),简称为神经网络(NN)。由于容错性强、联想性强和自学能力强,神经系统在模式识别和故障诊断方面有非常广阔的应用前景。神经网络能够自主学习故障实例,开辟了设备诊断技术的新途径。本文对神经网络系统的理论、构造和基本模型进行了论述,并对其在模拟电路故障诊断中的应用进行了探讨。

1 神经网络的基本理论与基本模型

人工神经网络是一个以神经元为基本单位,采用一定的拓扑结构将神经元连接而成的网络,是一种多输入、单输出的非线性器件[1]。神经元之间的相互作用就形成了神经网络的信息处理能力,各神经元连接权值的演化就是神经网络的记忆能力。多层前馈网络(MFNN:Multilayer Feedforward Neural Network)和离散Hopfield模型(DHNN:Discrete Hopfield Netural Network)是常用的两种神经网络,在设备故障诊断中可当做基本模型使用。

2 设备故障的特点

设备构造出现异常,从而导致功能失调就是设备故障。在一定环境下对设备的工作情况和功能失调原因进行了解就是设备故障诊断。了解设备构造特点和掌握故障产生机理是设备故障诊断的基础。

不同种类的“元素”遵照规律聚合而成的系统就是设备,其中“元素”可以是子系统,子系统的“元素”再往下类推一直到具体的器件,这样的设备就是层次递推系统。复杂的设备往往包含了很多子系统,可以引用“结构树”的方式来进行表达,使设备故障与设备构造形成对应关系,方便于设备故障的诊断和模型的建立。设备故障表现出的特点为分类性,当设备出现故障时,可以根据上述“结构树”的观点来对故障进行分类;层次性,设备上层次的故障肯定是由于对应的子系统出现故障,因此设备的故障是分层次的、纵向向上传播;相关性,故障横向上的传播就是相关性;不确定性,系统的“元素”特性、工作环境、子级关系等都不确定,使设备故障和“元素”之间存在随机性。

3 以神经网络为基础的设备故障诊断的策略与模型

先了解设备结构,然后分析设备故障特点,最后根据特点确定采用的诊断策略并建立模型才能够高效率、高准确度地对设备故障进行诊断。

3.1 以神经网络为基础的设备故障诊断的策略

在设备故障特点和神经网络基本模型中的信息表达方式在某个方面存在着类似。用一个神经网络系统来表示复杂设备,神经系统的子网络就是设备故障分类型的体现,神经网络多层前馈网络所表达的信息与设备故障的层次性特点对应,离散Hopfield模型与设备故障的相关性信息匹配,从这些信息中可以得出设备故障诊断的策略就是“系统考虑、分块诊断、加权验证”[3]。系统考虑就是要用系统来表示设备,用子网络来表示相应的设备子系统,从故障的关系入手考虑子系统之间的连接权值;分块诊断就是把各个子系统作为目标,用不同的诊断模型进行诊断;加权验证就是重复考虑设备故障诊断时的不确定因素,用模糊诊断技术对诊断的结果进行验证,这种策略能够保证诊断的正确性。

3.2 以神经网络为基础的设备故障诊断的模型

根据上述诊断策略建立设备故障诊断物理模型,将模型视为抽象的神经系统,由若干个神经网络组成,每一个网络都对应设备的一个子系统,系统的外壳就是系统输出,每个子系统输出都与系统输出单向的连接,而各个子系统之间的互连就是子系统故障相关性的表示,各个子系统根据需要检测设备的特点和故障的特征建立以神经网络为基础的设备故障诊断模型,对不同的故障进行学习、记忆与诊断。将各个系统作为“元素”对设备故障进行分析。

3.3 多层前馈网络与离散Hopfield模型

(1)多层前馈网络模型。多层前馈网络模型包含有输入层、输出层和隐层结构。该模型信号从输入层单向传递,在同一层的神经元之间不传递信息,通过反复学习样本而修改数值,最终达到满意的效果。(2)离散Hopfield模型。离散Hopfield模型是指由多个神经元组成的互连网络,同时也是一个加权无向网络。离散Hopfield模型具有联想记忆功能,通过对故障样本的学习和记忆,实现联想记忆诊断。

3.4 以神经网络为基础的设备故障诊断模型应用研究

某个设备主要的组成部分为信号模拟器和采集模拟器、测试微机和电源。该设备的故障测试中,针对设备结构相对复杂、各个系统之间的影响制约作用大等特点,先用层次性原理进行层次划分,然后各层逐一诊断,使诊断能够更加高效。将该设备分为三层,第一层为各个子系统,例如采集控制器、测试微机、信号模拟器、电源灯;第二层为子系统板级电路,例如电压采集板等;第三层为单元电路或者元器件,例如数据缓冲电路等。设备故障诊断也分三级,第一级判断故障出自哪个子系统,第二级判断哪个板级电路出现故障,最后一级确定故障所在。

当该设备出现故障时,将需要识别的样本信息输入到神经网络中,神经网络自身通过学习、组织,能够将故障发生的位置进行定位并找出解决办法。

4 结语

神经网络技术在设备故障诊断方面发挥着巨大的作用,本文就神经网络的概念、特点以及以神经网络为基础的设备故障诊断的策略和模型进行了论述,并运用实际应用来说明了其有效性。这些理论只是神经系统用于设备故障诊断中的初步总结,随着对神经网络应用不断深入地研究,更加有效和新颖的设备故障诊断策略和模型将会出现,发挥更大的作用。

参考文献:

[1]刘爱民,林莘,刘向东.基于(RBF)神经网络的自动化电器设备故障诊断方法[J].组合机床与自动化加工技术,2012,03(34):09-12.

[2]田文杰,刘继承,艾兰.基于蚁群神经网络的设备故障诊断[J].北京联合大学学报(自然科学版),2013,13(39):09-14.

[3]任生,胡明文.基于人工神经网络的设备故障诊断[J].设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集,2013,54(13):43-52.endprint

猜你喜欢
故障诊断
基于包络解调原理的低转速滚动轴承故障诊断
ILWT-EEMD数据处理的ELM滚动轴承故障诊断
冻干机常见故障诊断与维修
基于EWT-SVDP的旋转机械故障诊断
基于改进的G-SVS LMS 与冗余提升小波的滚动轴承故障诊断
基于量子万有引力搜索的SVM自驾故障诊断
因果图定性分析法及其在故障诊断中的应用
改进的奇异值分解在轴承故障诊断中的应用
基于LCD和排列熵的滚动轴承故障诊断
基于KPCA和PSOSVM的异步电机故障诊断