神經(jīng)網(wǎng)絡在故障診斷中有哪些應用？

人工神經(jīng)網(wǎng)絡是近年來發(fā)展迅速，廣泛地應用于各個領域，包括航天，自動控制，金融，電子，制造，醫(yī)藥等多個行業(yè)，已經(jīng)有許多成功的先例，并展示了更為廣闊的應用前景。基于神經(jīng)網(wǎng)絡的故障診斷不需要建立準確的數(shù)學模型，可以處理非線性問題，具有并行計算能力，不需要診斷和推理規(guī)則，它通過一組樣本的輸入與輸出之間的映射關系進行按照設定的準則可以自學習。

運用于故障診斷中的一般神經(jīng)網(wǎng)絡

目前，非線性系統(tǒng)的故障診斷與容錯的方法的研究，是目前研究的熱點和難點。神經(jīng)網(wǎng)絡以分布的方式存儲信息，通過神經(jīng)元之間拓撲結構和權值分布逼近非線性系統(tǒng)，并能做到并行運算，具有一定的泛化和容錯能力。近年來，神經(jīng)網(wǎng)絡在故障診斷及容錯控制中的應用得到了廣泛的關注。其中，應用BP神經(jīng)網(wǎng)絡的研究較多。BP網(wǎng)絡是一種多層前向網(wǎng)絡，由輸入層、隱層和輸出層組成，如圖所示。

BP神經(jīng)網(wǎng)絡利用網(wǎng)絡誤差平方和對網(wǎng)絡層輸入的導數(shù)來調(diào)成其權值和閾值，從而降低誤差平方和。訓練從計算每一層的輸出開始，直到得到網(wǎng)絡的輸出矢量，目標矢量減去網(wǎng)絡的輸出得到誤差矢量，利用梯度下降方法，通過后項傳播算法來訓練MLP。在設計神經(jīng)網(wǎng)絡進行故障診斷時，根據(jù)解決問題的特點和系統(tǒng)特征，選擇合適的網(wǎng)絡類型，是十分重要的，但并不是所有的問題都是和采用BP神經(jīng)網(wǎng)絡。

基于多層網(wǎng)絡的故障診斷

在解決復雜系統(tǒng)的故障診斷，特別對分布式系統(tǒng)，基于神經(jīng)網(wǎng)絡的診斷系統(tǒng)在構造上不免會十分龐大，造成神經(jīng)網(wǎng)絡的學習時間長，可靠性降低。此時可以采用基于多網(wǎng)構造的診斷系統(tǒng)。分層結構方法是目前在復雜系統(tǒng)故障診斷中常用的方法。在分步式的多層神經(jīng)網(wǎng)絡診斷系統(tǒng)中，各個子網(wǎng)可以分配不同的任務，每個子網(wǎng)只接受部分的輸入，處理總任務的一部分，各個子網(wǎng)的輸出合成總的運算結果，這樣就提高了計算速度。也可以同時執(zhí)行同樣的計算，每一個子網(wǎng)都在接受所有輸入的模式下工作，但使用不同的算法，以增強系統(tǒng)的可靠度。這兩種方法當然也可以結合使用。

以多層神經(jīng)網(wǎng)絡應用于柴油機引擎的故障早期檢測與分離為例。采用綜合組網(wǎng)的方式，整個系統(tǒng)包括兩層4個模塊，其中1個主模塊，3個從模塊。系統(tǒng)的輸出通過多數(shù)表決法決定。

神經(jīng)網(wǎng)絡在故障診斷中有哪些應用？ 

遺傳算法與神經(jīng)網(wǎng)絡相結合進行故障診斷

遺傳算法是建立在自然選擇和群體遺傳學機理基礎上的隨機、迭代和進化，具有廣泛適用性的搜索方法。由于遺傳算法上述的*之處，吸引了諸多關注的目光。隨著要解決問題復雜度的增加，神經(jīng)網(wǎng)絡的結構也趨向復雜，采用遺傳算法自動構造網(wǎng)絡，把網(wǎng)絡結構的形式作為一個子集選擇問題來解決，根據(jù)給定的對象函數(shù)自動地確定適當?shù)木W(wǎng)絡結構來適應學習過程中網(wǎng)絡結構的變化。同樣，使用遺傳算法可以調(diào)節(jié)神經(jīng)網(wǎng)絡的權值。由于自適應交叉率和變異率交叉率和變異率的大小對遺傳算法的運行性能的影響較大，為了提高性能，可采用自適應的方法動態(tài)改變?nèi)≈怠?/span>

在利用遺傳算法對神經(jīng)網(wǎng)絡進行訓練時，在應用于故障診斷的研究中可以根據(jù)實際特點選擇不同的網(wǎng)絡類型，設計具體算法。例如利用經(jīng)過遺傳算法訓練的ELMAN神經(jīng)網(wǎng)絡，對發(fā)動機的故障進行早期檢測（一步預報）。其結構如圖所示。也可以使用遺傳算法同時確定網(wǎng)絡的結構和參數(shù)，以獲得較高的效率。

 神經(jīng)網(wǎng)絡在故障診斷中有哪些應用？ 

模糊神經(jīng)網(wǎng)絡在故障診斷與檢測中的應用

將模糊邏輯和神經(jīng)網(wǎng)絡相結合，采用模糊神經(jīng)網(wǎng)絡作為故障分類器，自適應從學習樣本數(shù)據(jù)中提取各個用以描述故障狀態(tài)的模糊參考模型。在診斷時，此模糊神經(jīng)網(wǎng)絡在線地得到當前系統(tǒng)的模糊模型描述，并將與各個參考模型相匹配，從而得出正確的診斷結果。在神經(jīng)網(wǎng)絡框架下引人模糊規(guī)則，且模型參數(shù)有明確的物理意義，又引人了學習機制，推理可以更加準確。

一般模糊神經(jīng)網(wǎng)絡可以分為5層：輸入層、模糊化層、規(guī)則結點層、結論節(jié)點層、輸出層。

模糊系統(tǒng)可與多種網(wǎng)絡結合構造模糊神經(jīng)網(wǎng)絡，但運用的手段相似。如利用模糊系統(tǒng)和徑向高斯函數(shù)網(wǎng)絡設計一種具有自適應能力的模糊神經(jīng)網(wǎng)絡。利用高斯函數(shù)表示模糊規(guī)則前的隸屬度函數(shù)，然后，構造一種遞階自組織在線學習算法，從輸入輸出樣本數(shù)據(jù)中，通過學習提取模糊IFTHEN規(guī)則；在此基礎上，提出一種非線性時變系統(tǒng)的自適應狀態(tài)觀測器設計和故障檢測方法。

模糊神經(jīng)網(wǎng)絡解決了由于故障征兆和故障原因之間存在著許多不確定因素，建立準確的故障診斷系統(tǒng)存在著許多困難的問題。目前模糊神經(jīng)網(wǎng)絡應用很廣泛，如應用于控制系統(tǒng)對象以及傳感器和執(zhí)行器的故障檢測和診斷等。

小波分析和神經(jīng)網(wǎng)絡的融合

小波分析是近年來從Fourier分析的基礎上發(fā)展起來的一種信號分析理論，具有良好的時頻局部化特征，把信號分解到不同頻帶內(nèi)進行處理。將小波分析的特征提取與神經(jīng)網(wǎng)絡模式識別有機地結合起來，則可降低建立神經(jīng)網(wǎng)絡的難度，并且提高故障識別率。

模型中的輸入為采集自待診斷系統(tǒng)的信號，經(jīng)小波分析，提取反映設備狀態(tài)的特征向量，作為輸入連接到神經(jīng)網(wǎng)絡的輸入節(jié)點，通過網(wǎng)絡的前向計算可完成對設備故障的識別。神經(jīng)網(wǎng)絡模型可通過對大量反映系統(tǒng)不同狀態(tài)故障的實測數(shù)據(jù)樣本的訓練建立。另外，為提高網(wǎng)絡的自適應性，進一步完善診斷模型，還可在原有訓練過的網(wǎng)絡基礎上，對小波神經(jīng)網(wǎng)絡模型的進行再學習。

故障檢測與診斷是既是一門相對獨立發(fā)展的技術，又與各門學科緊密聯(lián)系。神經(jīng)網(wǎng)絡故障診斷的研究取決于和神經(jīng)網(wǎng)絡的發(fā)展。神經(jīng)網(wǎng)絡應用于故障診斷的研究手段和方法也不限于以上幾種，如結合專家系統(tǒng)的神經(jīng)網(wǎng)絡，以及遺傳算法，模糊推理小波變換和神經(jīng)網(wǎng)絡的綜合。

人工神經(jīng)網(wǎng)絡應用于故障診斷存在一些問題，如難以揭示出系統(tǒng)內(nèi)部的一些潛在關系，無法對診斷過程給予明確解釋；對未在訓練樣本中出現(xiàn)的故障診斷能力下降，甚至會錯誤；診斷網(wǎng)絡訓練集較少或選擇不當時，很難得到好的診斷結果；對多故障同時診斷的可靠性不高，增加了神經(jīng)網(wǎng)絡在實際應用中的困難。智能方法和小波變換與神經(jīng)網(wǎng)絡的有機結合正成為當前研究的趨勢。

來源：物聯(lián)網(wǎng)工業(yè)大數(shù)據(jù)公眾號（ID：penghaisoft），文章整理自《基于神經(jīng)網(wǎng)絡的方法在故障診斷中的應用》，作者：朱旭東等。

轉(zhuǎn)載文章出于非商業(yè)性的教育和科研目的，并不意味著支持其觀點或證實其內(nèi)容的真實性。版權歸原作者所有，如轉(zhuǎn)載稿涉及版權等問題，請立即聯(lián)系我們，我們會予以更改或刪除相關文章，保證您的權利！