人工神经网络在往复压缩机故障诊断中的应用

兰 天，张宏斌，潘 迪，吴志东，接丞想

（1.齐齐哈尔大学 机电工程学院，黑龙江 齐齐哈尔 161006；2.齐齐哈尔大学 理学院，黑龙江 齐齐哈尔 161006）

往复压缩机是能源企业用于压缩和输送流体的重要机械设备，其稳定的运行对于节约生产成本、提高生产效率、保障安全生产具有重要的经济意义。往复压缩机属大型设备、内部结构复杂、工况恶劣、激励源众多，振动信号表现为强非平稳和非线性特点，给故障诊断带来较大困难[1]。

人工神经网络的诊断方法是集结构拓扑鲁棒、并行的数理逻辑处理方法、复杂模式处理为一体的现代诊断技术，这一技术在大型机械设备的复合故障诊断，一些频发性的、突发性的机械设备故障诊断中应用极为广泛。目前，人工智能、计算机网络技术和传感技术等已经成为机械故障诊断系统的关键技术，这些技术的研究也取得了很大的进展，但在往复压缩机故障诊断中仍存在许多需要解决的问题，因此，开展人工神经网络在往复压缩机故障中的应用研究意义重大[2]。

1 神经网络模型构建

人工神经网络基于生物神经系统，以抽象的形式对神经元结构进行模拟，通过模拟生物神经系统，使其以图形、符号和文字的形式进行表达。

图1 神经元模型

如图1所示，建立了神经网络的构成单元（神经元）模型，神经元的输入与输出体现出多对一的特性。神经元模型可描述为：

目前，最常用的神经网络模型是BP网络，其作用机理如图2所示。

图2 BP神经网络模型

BP神经网络的本质是一种映射关系，反应信号输入与输出的非线性特征，即 F：Rn→Rm，f(X)＝Y。根据样本集，取出一个映射g，在输入xi∈Rn，输出yi∈Rm的情况下，存在：

定义映射f，得到f→g的最佳逼近值。

3 BP人工神经网络应用

人工神经网络具有模仿或代替人的思维功能，利用人工神经网络可以实现设备自动诊断和求解，解决传统方法所不能或难以解决的问题[3]。人工神经网络具有很高的容错性和鲁棒性，即使在恶劣的条件下，仍可以自主优化工作状态[4]。

BP人工神经网络发展至今，对科学研究产生了较大贡献。在振动信号处理过程中，为了实现对复杂函数的逼近，必须采用多层前馈网络，而对于多层网络，感知器尚不能解决其隐层学习问题，限制了这一技术的发展。上世纪八十年代末期，Rumelhart[5]提出了多层前馈网络的反向传播算法（BP算法），这一问题得到解决。

假设网格节点数为n，给定一个输出为y，根据Sigmoid函数，推导BP算法过程如下：

图3 j单元信号传播流程

如图3所示，迭代第n步时，j单元接收信号的净输入为：

经过作用函数φj(n)得到的单元j输出为yj(n)=φj(vj(n))，该单元信号误差为：

定义第n步迭代输出端总的平方误差为：

设样本训练总数为N，则总的平方误差均值为：

当 ξAN为最小时，可认为△wji＝0，ξ(n)/wji(n)→0，而当ξAN未达到最小时，∣ξ(n)/wji(n)∣增大，则△wji(n)∣增大，∣ξ(n)/wji(n)∣减小，则∣△wji(n)∣减小，且∣△wji(n)∣按照∣ξ(n)/wji(n)∣下降方向修正。

虽然BP算法实用性较强，但仍存在一些问题：

（1）算法迭代步骤多，不易收敛；

（2）BP网络隐节点较多，数目不易确定；

（3）样本间互相影响，输入输出的特征项目必须相同。

4 结语

本文构建了BP神经元模型，同时给出了BP人工神经网络基本结构图，阐述了神经网络的输入和输出关系。以模型为依据，推导BP神经网络算法，同时提出算法存在的问题，通过改进的算法在往复压缩机故障诊断过程中能够得到更好的应用。