基于BP 神经网络的主抽电机故障智能诊断系统的研究

林 立

（中冶北方（大连）工程技术有限公司，辽宁 大连 116622）

故障诊断技术按处理方法主要分三种，即依靠数学分析的方法、依据信号分析的方法、利用人工智能（知识）的处理方法。而人工智能方法，如人工神经网络、SVM、专家系统等，能够处理传统故障诊断方法所无法解决的问题。相对于传统方法，人工智能具有很大的优势，在近些年在电机故障诊断方面，人工智能的应用被广泛传播和发展，成为大家公认的最有前途的发展方向。

每种方法都有自己的缺点。依靠数学分析的方法首先要确定精准的数学，但很多情况下，情况比较复杂，精确的数学模型很难建立。基于信号处理的方法虽然不需要对象的数学模型，但有些情况下信号分析特征并不能代表故障特征，另外此种方法自身的特点不方便研究工作的开展。基于专家知识模式的智能诊断系统不能实现自学习，对于知识库的更新需要人工进行。知识之间也会存在冲突，对于结果的是否正确影响很大。基于人工神经网络的智能系统也具有一些缺点，如无法诠释推理结果是怎么得到的，但人工神经网络网络的权值阈值来对应繁多的知识，通过变换算法及对样本的学习来回归实际情况，并能通过新的输入来调整参数实现自学习，最后使知识体系更加完善。

1 BP神经网络的特点

BP 神经算法具有模式识别（分类）能力和很好的函数回归及映射能力。解决了很多单层感知器解决不了的问题。从结构上看，BP 网络主要有输入、隐藏和输出三层架构。从本质上讲，BP 网络算法的学习过程其实就是通过输入数据信息后计算的结果与希望得到的结果的偏差来改变网络的权值或阈值，直至模型的输出结果与希望得到的结果之差在设定的可接受的范围内，这样BP 神经网络就完成了一次学习。

BP 神经算法中S（sigmoid）型函数是单元中经常采用的传递函数，所以经复合后BP 网络可以让输入信息与输出信息之间达到任意非线性对应关系。这一功能使得BP 神经算法在函数回归、分类等方面有着用武之地，BP 神经算法主要有以下优点：

（1）非线性映射能力：BP 神经算法可以完成输入与输出之间的对应关系。从理论上讲，三层架构的神经网络就可以实现以非常高的精度趋近任何非线性曲线。所以从这可以看出BP 神经算法具有非常强的非线性映射能力。

（2）自学习能力：BP 神经算法能够通过一定机制自动挖掘输入与输出结果之间的对应关系，并自适应的将这样的关系以权值系数和阈值的形式进行存储。

（3）具有一定的泛化能力：BP网络不但可以实现对待分类事物进行有效分类，并且通过一定的学习和训练后，还能对干扰数据或陌生数据进行正确划分。这是BP算法泛化能力的具体体现。

（4）具有容错性：是指当BP 结构的一部分被改掉或破坏掉时，其输出结果不会有很大的改变，具备的分类、识别、回归功能等功能也不会被影响到。所以看出BP 算法的容错能力很强大。

BP 神经网络同时也有以下缺点：

（1）学习速度很慢：BP 网络受其算法影响，当拟合比较复杂的函数时，会显得效率较低。

（2）陷入局部极值：BP 算法受其搜索方法影响，网络的权值系数是向着局部优化的方向渐渐地进行改变的，所以其很容易出现局部极值。但是，我们需要的是全局极值而不是局部极值。

（3）样本依懒性强：网络训练的成功与样本的选择直接相关，但在现实中，很难从问题中选择合适的典型样本来形成训练集。

2 故障诊断系统BP神经网络模块的设计

系统的设计基于MATLAB 进行训练和测试。首先设计BP 网络模型，然后通过主抽电机故障样本数据进行训练，再经过主抽故障测试数据进行测试，根据测试结果对BP 神经网络进行调整，直至测试结果通过。

理论上讲三层人工神经网络可以完成任意函数的映射，所以暂且将网络设置为三层。每个人工神经网络的输入数量可能不同，所以人工神经网络输入的个数根据具体的判断条件进行设置。

对于隐含层神经元个数的选择，我们主要依据以下经验公式：

式中k 代表隐含层中神经元的数量；Ni为输入层神经元的个数；N0为输出层神经元的个数；R 为1～10 的任意数。

神经网络的输出为相对应故障类型的可能性大小。

从表1 可以看出BP 网络选择trainlm 训练函数性能最佳。trainlm 对于中小规模的网络来说，其速度比其他算法都要快，但其最大的缺点是内存空间利用较大。对于大型网络，需要考虑其他的训练算法或进行算法优化。

图1 归一化前训练函数为trainrp 的训练误差曲线

表1 测试数据

表2 神经网络测试输出结果

BP 神经网络已经建模完成，但即使网络的拟合程度较高，也不代表测试样本的准确率高，一个好的网络应该具有很好的泛化能力。用表1 的测试数据样本进行测试。测试前也需要用函数mapminmax 按照学习样本数据归一化的参数对测试样本进行归一化处理。结果经过反归一化后如表2，可以看出测试输出结果与测试数据故障基本相符。通过同样的方法建立其余故障诊断的神经网络。这样就可以利用训练成功的BP 网络对设备进行诊断。