王桂明

(海南省三亞市91515部隊,海南三亞 572000)

以神經(jīng)網(wǎng)絡為基礎(chǔ)的設備故障診斷

王桂明

(海南省三亞市91515部隊,海南三亞 572000)

本文主要是介紹以神經(jīng)網(wǎng)絡為基礎(chǔ)的設備故障診斷方法,通過對神經(jīng)網(wǎng)絡的基本理論、模型及設備的結(jié)構(gòu)特征、設備故障的特點進行分析。形成震蕩策略和診斷模型,并將其用于對模擬電路的故障診斷。

神經(jīng)網(wǎng)絡系統(tǒng) 故障診斷 診斷策略

以大規(guī)模并行分布式處理器為基礎(chǔ),通過對人腦某些功能的模擬來進行運算的系統(tǒng)就是人工神經(jīng)網(wǎng)絡(ANN:Artificiral Neural Networks),簡稱為神經(jīng)網(wǎng)絡(NN)。由于容錯性強、聯(lián)想性強和自學能力強,神經(jīng)系統(tǒng)在模式識別和故障診斷方面有非常廣闊的應用前景。神經(jīng)網(wǎng)絡能夠自主學習故障實例,開辟了設備診斷技術(shù)的新途徑。本文對神經(jīng)網(wǎng)絡系統(tǒng)的理論、構(gòu)造和基本模型進行了論述,并對其在模擬電路故障診斷中的應用進行了探討。

1 神經(jīng)網(wǎng)絡的基本理論與基本模型

人工神經(jīng)網(wǎng)絡是一個以神經(jīng)元為基本單位,采用一定的拓撲結(jié)構(gòu)將神經(jīng)元連接而成的網(wǎng)絡,是一種多輸入、單輸出的非線性器件[1]。神經(jīng)元之間的相互作用就形成了神經(jīng)網(wǎng)絡的信息處理能力,各神經(jīng)元連接權(quán)值的演化就是神經(jīng)網(wǎng)絡的記憶能力。多層前饋網(wǎng)絡(MFNN:Multilayer Feedforward Neural Network)和離散Hopfield模型(DHNN:Discrete Hopfield Netural Network)是常用的兩種神經(jīng)網(wǎng)絡,在設備故障診斷中可當做基本模型使用。

2 設備故障的特點

設備構(gòu)造出現(xiàn)異常,從而導致功能失調(diào)就是設備故障。在一定環(huán)境下對設備的工作情況和功能失調(diào)原因進行了解就是設備故障診斷。了解設備構(gòu)造特點和掌握故障產(chǎn)生機理是設備故障診斷的基礎(chǔ)。

不同種類的“元素”遵照規(guī)律聚合而成的系統(tǒng)就是設備,其中“元素”可以是子系統(tǒng),子系統(tǒng)的“元素”再往下類推一直到具體的器件,這樣的設備就是層次遞推系統(tǒng)。復雜的設備往往包含了很多子系統(tǒng),可以引用“結(jié)構(gòu)樹”的方式來進行表達,使設備故障與設備構(gòu)造形成對應關(guān)系,方便于設備故障的診斷和模型的建立。設備故障表現(xiàn)出的特點為分類性,當設備出現(xiàn)故障時,可以根據(jù)上述“結(jié)構(gòu)樹”的觀點來對故障進行分類;層次性,設備上層次的故障肯定是由于對應的子系統(tǒng)出現(xiàn)故障,因此設備的故障是分層次的、縱向向上傳播;相關(guān)性,故障橫向上的傳播就是相關(guān)性;不確定性,系統(tǒng)的“元素”特性、工作環(huán)境、子級關(guān)系等都不確定,使設備故障和“元素”之間存在隨機性。

3 以神經(jīng)網(wǎng)絡為基礎(chǔ)的設備故障診斷的策略與模型

先了解設備結(jié)構(gòu),然后分析設備故障特點,最后根據(jù)特點確定采用的診斷策略并建立模型才能夠高效率、高準確度地對設備故障進行診斷。

3.1 以神經(jīng)網(wǎng)絡為基礎(chǔ)的設備故障診斷的策略

在設備故障特點和神經(jīng)網(wǎng)絡基本模型中的信息表達方式在某個方面存在著類似。用一個神經(jīng)網(wǎng)絡系統(tǒng)來表示復雜設備,神經(jīng)系統(tǒng)的子網(wǎng)絡就是設備故障分類型的體現(xiàn),神經(jīng)網(wǎng)絡多層前饋網(wǎng)絡所表達的信息與設備故障的層次性特點對應,離散Hopfield模型與設備故障的相關(guān)性信息匹配,從這些信息中可以得出設備故障診斷的策略就是“系統(tǒng)考慮、分塊診斷、加權(quán)驗證”[3]。系統(tǒng)考慮就是要用系統(tǒng)來表示設備,用子網(wǎng)絡來表示相應的設備子系統(tǒng),從故障的關(guān)系入手考慮子系統(tǒng)之間的連接權(quán)值;分塊診斷就是把各個子系統(tǒng)作為目標,用不同的診斷模型進行診斷;加權(quán)驗證就是重復考慮設備故障診斷時的不確定因素,用模糊診斷技術(shù)對診斷的結(jié)果進行驗證,這種策略能夠保證診斷的正確性。

3.2 以神經(jīng)網(wǎng)絡為基礎(chǔ)的設備故障診斷的模型

根據(jù)上述診斷策略建立設備故障診斷物理模型,將模型視為抽象的神經(jīng)系統(tǒng),由若干個神經(jīng)網(wǎng)絡組成,每一個網(wǎng)絡都對應設備的一個子系統(tǒng),系統(tǒng)的外殼就是系統(tǒng)輸出,每個子系統(tǒng)輸出都與系統(tǒng)輸出單向的連接,而各個子系統(tǒng)之間的互連就是子系統(tǒng)故障相關(guān)性的表示,各個子系統(tǒng)根據(jù)需要檢測設備的特點和故障的特征建立以神經(jīng)網(wǎng)絡為基礎(chǔ)的設備故障診斷模型,對不同的故障進行學習、記憶與診斷。將各個系統(tǒng)作為“元素”對設備故障進行分析。

3.3 多層前饋網(wǎng)絡與離散Hopfield模型

(1)多層前饋網(wǎng)絡模型。多層前饋網(wǎng)絡模型包含有輸入層、輸出層和隱層結(jié)構(gòu)。該模型信號從輸入層單向傳遞,在同一層的神經(jīng)元之間不傳遞信息,通過反復學習樣本而修改數(shù)值,最終達到滿意的效果。(2)離散Hopfield模型。離散Hopfield模型是指由多個神經(jīng)元組成的互連網(wǎng)絡,同時也是一個加權(quán)無向網(wǎng)絡。離散Hopfield模型具有聯(lián)想記憶功能,通過對故障樣本的學習和記憶,實現(xiàn)聯(lián)想記憶診斷。

3.4 以神經(jīng)網(wǎng)絡為基礎(chǔ)的設備故障診斷模型應用研究

某個設備主要的組成部分為信號模擬器和采集模擬器、測試微機和電源。該設備的故障測試中,針對設備結(jié)構(gòu)相對復雜、各個系統(tǒng)之間的影響制約作用大等特點,先用層次性原理進行層次劃分,然后各層逐一診斷,使診斷能夠更加高效。將該設備分為三層,第一層為各個子系統(tǒng),例如采集控制器、測試微機、信號模擬器、電源燈;第二層為子系統(tǒng)板級電路,例如電壓采集板等;第三層為單元電路或者元器件,例如數(shù)據(jù)緩沖電路等。設備故障診斷也分三級,第一級判斷故障出自哪個子系統(tǒng),第二級判斷哪個板級電路出現(xiàn)故障,最后一級確定故障所在。

當該設備出現(xiàn)故障時,將需要識別的樣本信息輸入到神經(jīng)網(wǎng)絡中,神經(jīng)網(wǎng)絡自身通過學習、組織,能夠?qū)⒐收习l(fā)生的位置進行定位并找出解決辦法。

4 結(jié)語

神經(jīng)網(wǎng)絡技術(shù)在設備故障診斷方面發(fā)揮著巨大的作用,本文就神經(jīng)網(wǎng)絡的概念、特點以及以神經(jīng)網(wǎng)絡為基礎(chǔ)的設備故障診斷的策略和模型進行了論述,并運用實際應用來說明了其有效性。這些理論只是神經(jīng)系統(tǒng)用于設備故障診斷中的初步總結(jié),隨著對神經(jīng)網(wǎng)絡應用不斷深入地研究,更加有效和新穎的設備故障診斷策略和模型將會出現(xiàn),發(fā)揮更大的作用。

[1]劉愛民,林莘,劉向東.基于(RBF)神經(jīng)網(wǎng)絡的自動化電器設備故障診斷方法[J].組合機床與自動化加工技術(shù),2012,03(34):09-12.

[2]田文杰,劉繼承,艾蘭.基于蟻群神經(jīng)網(wǎng)絡的設備故障診斷[J].北京聯(lián)合大學學報(自然科學版),2013,13(39):09-14.

[3]任生,胡明文.基于人工神經(jīng)網(wǎng)絡的設備故障診斷[J].設備監(jiān)測與診斷技術(shù)及其應用——第十二屆全國設備監(jiān)測與診斷學術(shù)會議論文集,2013,54(13):43-52.