基于神经网络的智能诊断方法

基于神经网络的智能诊断方法摘要：故障诊断实质上是一个模式分类问题，即如何从测量空间到故障空间的映射过程，但是这中映射过程一般是复杂的且非线性的，这就需要我们找到一种有效的对复杂非线性映射的逼近技术，神经网络就是其中一种。神经网络的学习训练过程是通过误差反向传播算法利用训练样本的输出和已知的输出样本的误差不断调整各层的权值和各个节点的阈值，直至最终满足误差精度要求。将待诊断的数据进行数据预处理和特征提取后，将特征信号输入到已完成训练的神经网络中，根据输出的结果就可以完成对当前数据的诊断。关键字：故障诊断，神经网络，BP网络1引言人工神经网络（ArtificialNeuralNetworks，简称ANN）是在神经生理学研究的基础上，模仿人脑神经元结构特性而建立的一种网络系统。它由大量的处理单元高度互联而成，具有对人脑某些基本特性的简单模拟能力。神经网络具有可学习性和并行计算的能力，可以实现分类、优化、自组织、联想记忆和非线性映射等功能。在故障诊断中，诊断推理可以理解为根据特定的映射关系由故障征兆域到故障原因域的计算求解问题，对于复杂的机械系统而言，这种映射关系一般为非线性的，由于神经网络可以对各种映射进行有效的逼近，因此，神经网络及其相应算法在诊断推理中得到了广泛的应用。2神经网络的理论基础2.1人工神经元模型人工神经元模型是对生物神经元的简化和模拟，是神经网络的基本处理单元，其典型的模型结构如图1所示。图1人工神经元的模型结构作为多输入但输出的线性或非线性原件，其输入输出间的关系可以表述为：1niiizwxb（1）()yfz（2）其中，ix是来自其他单元的输入，iw是第i个神经元与当前神经元间的权值，b为阈值，(.)f为激活函数一般取为线性函数、阈值函数或Sigmoid型函数，y为神经元的输出。2.2BP神经网络的结构在神经网络的实际应用中，BP（BackPropagation）误差反向传播前馈神经网络是使用最广泛的一种网络结构。BP神经网络由输入层、隐层、输出层神经元构成，同层的神经元间无任何联系。系统输入从输入层开始，依次经过各隐层，由输出层输出，每一层神经元的输出只影响下一层神经元的输出。BP神经网络可以视为一个由输入到输出的非线性映射，即:nlFRR。下面以一个3层的BP神经网络为例来进行具体说明，其结构模型如图2所示。图23层BP神经网络神经元的激活函数选为Sigmoid型函数，即1()(1)xfxe。输入层i节点的输入等于其输出ix，1,2,...,in.隐层j节点的输入、输出分别为：1njijijihvxb（3）1()(1exp())jjjyfhh（4）式中：ijv为输入层第i个神经元与隐层第j个神经元的连接权值，jb为隐层第j个神经元的阈值。输出层第K个节点的输入、输出分别为：1mkjkjkihwyb（5）1()(1exp())kkkofhh（6）式中：jkw为隐层第j个神经元与输出层第k个神经元间的连接权值，kb为输出层第k个神经元的阈值。2.3BP神经网络算法BP算法是一种有导师的训练算法,在给定输出目标的情况下,按其输入与输出的目标差值之差的平方和为目标函数,通过调节权值使目标函数达到最小值。其原理是:输入信息的正向传播和误差的反向传播。在正向传播中,将一个训练样本的特征向量输入神经网络,经过神经网络的前向传播计算得到一个实际输出,然后将该输出与期望的样本输出相比较,如有偏差,则转入反向传播过程,将该偏差由原来的联络通路返回,通过调整各层神经元的联系权值,使误差减小;然后,再转向正向传播过程,反复迭代,直到误差小于等于允许值，学习结束，BP算法的具体流程如图3所示。连接权值、阈值初始化取一学习样本作为输入信号计算中间层节点输出计算输出层节点输出计算中间层节点误差计算输出层节点误差更新中间层和输出层间的权值、输出层节点阈值更新中间层和输入层间的权值、中间层节点阈值全部样本学习完毕完成学习次数学习结束YYNN图3BP算法的流程3基于神经网络的故障诊断3.1基于神经网络的故障诊断流程故障诊断实质上是一个模式分类问题，即如何从测量空间到故障空间的映射过程，但是这中映射过程一般是复杂的且非线性的，这就需要我们找到一种有效的对复杂非线性映射的逼近技术，神经网络就是其中一种。如图4所示，测量空间为监测状态矢量ix，12[,,...,]TiiiiNxppp其中iNp为诊断系统的第i组第N个监测量（特征信号）；故障空间为诊断系统的1M类故障分别用(1,2,...,1)mFmM表示，MF表示系统正常；映射关系:NMRR。根据反映真实映射关系的n组采样数据，求解近似分类器的过程就是利用n组监测状态量对神经网络进行训练的过程。的分类性能(即神经网络的泛化能力)决定最终的故障诊断性能。实际故障诊断时，将监测到的数据送到训练好的神经网络中泛化即可得到故障诊断结果。被监测的状态矢量XiF1,F2,…,FM测量空间故障空间神经网络映射关系图4基于神经网络的故障诊断示意图一个神经网络用于故障诊断时，主要包括三层：1输入层，即从控制系统接受各种故障信息及现象。2中间层，是把从输入层得到的故障信息，经内部的学习和处理，转化为针对性的解决办法。中间层含有隐节点，它通过权系数W连接着输入层与输出层，当然中间层可以不是一层，根据不同的需要，可以采用多层，也可以不要中间层，只是连法不同而己。3输出层，是针对输入的故障形式，经过调整权系数平后，建立起故障样本与故障类型之间的对应关系。对于每一个新输入的状态信息，网络将迅速的给出分类结果。基于神经网络的故障诊断的具体流程如图5所示，在应用神经网络进行故障的识别时，首先应该建立神经网络模型。一个多层神经网络模型由输入层、多个隐层和输出层构成。神经网络模型的建立包括以下几个步骤：1.输入节点的选取。BP网络的输入节点如果选择过多则会导致BP网络结构过于庞大，不可避免地引入更多的噪声信息，输入节点选择过少则不能保证网络所必需的信息量，因此选择网络的输入节点是建模的重要任务。一般选取能够全面反映系统状态的特征信号作为输入节点。2.输出节点的选取。输出节点的选取与需要的诊断的故障有关，一般以要求识别的各个故障作为输出节点。3.隐层数和隐层节点数的选取。一般来说，隐层节点数与层数有关，层数增加，函数复杂性增大，可形成更复杂的函数关系，提高拟合精度，从而可以减少隐层节点数，但收敛速度可能降低，而在给定隐层数的情况下，节点数越多，函数映射复杂性越大，函数拟合更为准确。简而言之，隐层数越少，隐层节点数就需要的越多；隐层数越多，隐层节点数就需要越少。1989年RobertHecht-Nielson证明了一个三层的BP神经网络可以实现任意n维空间到m维空间的映射，因此在实际应用中一般选取三层BP神经网络进行故障诊断。隐层节点数的确定可依据经验公式：kMN，M为输出层节点数，N为输入层节点数，k为隐层节点数。4.学习效率的选取。学习效率决定每一次循环训练所产生的权值变化。大的学习效率可能导致系统不稳定;但小的学习效率导致较长的训练时间，可能收效很慢，不过能保证网络的误差值不跳出误差表面的低谷而最终趋于误差值。因此一般情况下，倾向于选取较小的学习速度以保证系统稳定。学习效率的选取范围在0.01—0.8之间。5.神经元激活函数的选取。根据神经网络的要求，一般选择Sigmoid函数作为BP网络的神经元激活函数。Sigmoid函数有以下一些良好的特点：（1）当输入值较小时，也会有一定的输出值，这样一来较小的信息反映就不会丢失，这对早期故障的诊断十分有利。（2）当输入值较大时，输出值趋于常数，这样就不会造成“溢出”现象。（3）Sigmoid函数具有良好的微分特性，即()()[1()]dfxfxfxdx，这为我们进行学习算法时带来的方便。6.初始权值的设定。网络的初始权值如果是均等的，那么在训练过程中它们会始终保持不变，所以一般对初始权值赋予随机数。但是初始随机数的设定范围不能太窄，若都在零值附近的话则会引起网络的震荡或停滞不前，所以初始权值的取值范围一般设为0-1。7.数据规范化处理。由于学习样本中各数据的物理量各不相同，数值大小也存在着很大的差别。为了提高训练精度，在进行网络训练之前应该对所收集到的样本数据进行规范化处理。规范化输入样本可采用不同方法，既可以对所有输入节点的数据一起进行规范化，也可以单独考虑对每一个输入节点的数据进行规范化。平均值法是最为常见的规范化方法，其计算公式为：minmaxminxxxxx，x为实际样本数据，maxmin,xx为样本数据的最大、最小值，x为规范化的样本数据。规范化的样本包括训练样本和测试样本。数据预处理特征提取ANN故障分类器训练样本ANN设计ANN学习训练诊断结果待诊断数据图5基于神经网络的故障诊断过程神经网络模型建立后就需要对其进行训练。训练的过程可简述如下：将归一化的训练样本输入到神经网络中，得到其输出并与已知的输出样本进行对比计算各层的误差。根据各层误差的结算结果不断调制网络的权值和阈值，直至最终满足误差精度要求。这样就完成了神经网络的训练，此时从状态空间到故障空间的非线性映射关系就包含在了各层的权值和阈值中。待诊断的数据经过数据预处理并提取其特征信号，将特征信号输入到已完成训练的神经网络中，根据输出的结果就可以完成对当前数据的诊断。3.2基于神经网络的故障诊断方法的优缺点基于神经网络的智能故障诊断系统具有如下优点：1)由于神经网络的知识是通过各层的权值和各个节点的阈值来表示的，所以神经网络具有统一的知识表达形式，知识库组织管理容易，通用性强，便于移植与扩展；2)神经网络的知识获取容易实现自动化，如自组织、自学习；3)可以实现并行联想和自适应推理，对知识的完备性要求低，容错性强；4)能够表示事物之间的复杂关系，如模糊关系；5)可以避免传统专家系统的“组合爆炸”和“无穷递归”等问题；6)没有复杂的推理过程，可以实现实时在线诊断。神经网络用于故障诊断也存在着一些问题：1)训练样本获取困难；2)忽视了领域专家的经验知识；3)连接权值形式的知识表达方式难于理解。3.3基于神经网络的故障诊断技术的发展趋势基于神经网络的故障诊断技术的发展趋势与神经网络的发展息息相关。将小波变换、遗传算法与神经网络有机结合正成为一大热门的研究方向。小波变换继承和发展了加窗Fourier变换的局部化思想，它的时频分辨率在高频处时间分辨率高，在低频处频率分辨率高，即不同的尺度观察信号和以不同的分辨率分析信号。因此小波变换可以对采集的信号进行预处理，完成采样数据的噪声去除与特征提取，将多维数据空间实行压缩，使输人神经网络的输人模式特征得到精简，从而提高了神经网络进行故障诊断的快速性及准确性。此外，遗传算法作为一种随机搜索的全局优化算法，借鉴了生物进化中“适者生存”的思想，在特征提取及神经网络的学习过程中呈现出强大生命力，也能提高神经网络故障诊断的快速性及准确性。4结论本文对神经网络的结构和特性进行了分析，指出神经网络具有可学习性和并行计算的能力，可以实现分类、优化、自组织、联想记忆和非线性映射等功能，这正好适用于故障诊断需要完成从状态空间到故障空间非线性映射的要求。神经网络用于故障诊断首先需要完成对神经网络模型的构建，然后就需要对神经网络进行训练，神经网络的训练过程是根据误差反向传播算法利用训练样本和已知的输出样本不断调整各层的权值和各个节点的阈值，直至最终满足误差精度要求。将待诊断的数据进行数据预处理和特征提取后，将特征信号输入到已完成训练的神经网络中，根据输出的结果就可以完成对当前数据的诊断。本文还分析了基于神经网络的故障诊断技术的优缺点和发展趋势，对基于神经网络的故障诊断技术的研究提供了一定的指导作用。参考文献[1]魏春荣.基于模糊神经皿络的旋转机撼故障诊断方法研究[D].大庆：大庆石油学院，2004.[2]冯志鹏.计算智能在机械设备故障诊断中的应用研究[D].大连：大连理工大学，2003.[3]张建华，张俊