基于MNN的主動(dòng)力裝置故障診斷研究

楊 廣，梁晶晶

(中國(guó)人民解放軍91918部隊(duì)，北京 102300)

基于MNN的主動(dòng)力裝置故障診斷研究

楊 廣，梁晶晶

(中國(guó)人民解放軍91918部隊(duì)，北京 102300)

單神經(jīng)網(wǎng)絡(luò)診斷大多已成功應(yīng)用到實(shí)際的故障診斷系統(tǒng)中。而在實(shí)際應(yīng)用中，多層次多故障的復(fù)雜系統(tǒng)普遍存在，運(yùn)用單一結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)在處理復(fù)雜故障診斷問(wèn)題時(shí)網(wǎng)絡(luò)過(guò)于龐大，診斷精度降低。對(duì)層次分類診斷模型進(jìn)行研究分析，提出運(yùn)用多重結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)(MNN)來(lái)對(duì)主動(dòng)力裝置進(jìn)行故障診斷研究，診斷結(jié)果表明該模型是可行和有效的。

主動(dòng)力裝置；故障診斷；神經(jīng)網(wǎng)絡(luò)；MNN

神經(jīng)網(wǎng)絡(luò)(NN)具有良好的聯(lián)想與自學(xué)習(xí)、強(qiáng)大的復(fù)雜計(jì)算功能，越來(lái)越適合故障診斷系統(tǒng)的應(yīng)用。目前，單一神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)已有許多結(jié)果[1，2]，而對(duì)于診斷中經(jīng)常出現(xiàn)的多層次、多故障的復(fù)雜系統(tǒng)，其診斷理論與方法的研究還比較少。實(shí)際工程應(yīng)用中，多層次、多故障的復(fù)雜診斷情況普遍存在，如僅使用一個(gè)神經(jīng)網(wǎng)絡(luò)，會(huì)很容易出現(xiàn)網(wǎng)絡(luò)過(guò)于龐大、空間維數(shù)成倍增長(zhǎng)、網(wǎng)絡(luò)訓(xùn)練速度下降以及局部極小點(diǎn)增多等問(wèn)題，而且也不利于故障診斷系統(tǒng)學(xué)習(xí)新的診斷知識(shí)。

基于知識(shí)的分類方法是目前診斷推理研究的一個(gè)重要方向，層次分類診斷模型方法就是一種基于知識(shí)的分類方法[3]。它將分類對(duì)象由高層次的普遍模式向低層次的具體模式逐層分類，減少了分類中的模式匹配搜索量，有效地解決了分類空間的組合爆炸問(wèn)題，因而適用于復(fù)雜系統(tǒng)的故障診斷。

主動(dòng)力裝置是一個(gè)復(fù)雜的機(jī)電一體化的系統(tǒng)，提供了車(chē)、船在執(zhí)行各種任務(wù)時(shí)所需的各種動(dòng)力，其性能也影響并制約著車(chē)、船技戰(zhàn)術(shù)性能的發(fā)揮，因而對(duì)主動(dòng)力裝置的故障診斷問(wèn)題引起了車(chē)、船保障部門(mén)的高度關(guān)注。本文對(duì)基于知識(shí)的層次分類診斷模型進(jìn)行研究分析，并運(yùn)用MNN對(duì)艦船主動(dòng)力裝置進(jìn)行故障診斷，得到了較好的診斷效果。

1 診斷模型

1.1 層次故障診斷模型

由于設(shè)備故障跟設(shè)備本身都具有結(jié)構(gòu)上的層次性。也即某一層系統(tǒng)產(chǎn)生故障的原因要么是構(gòu)成該系統(tǒng)(或子系統(tǒng))的元素發(fā)生了故障，要么是與該層子系統(tǒng)相關(guān)的同層次的子系統(tǒng)發(fā)生了故障，即下級(jí)系統(tǒng)和相聯(lián)的同級(jí)系統(tǒng)的故障是導(dǎo)致該系統(tǒng)故障的原因，并且故障的傳播是一個(gè)由低層到高層的逐層傳播過(guò)程[4]。這種故障的層次性決定了可以采用分層的診斷模型和診斷策略，從而有效降低系統(tǒng)診斷問(wèn)題的復(fù)雜性。

要確定某個(gè)診斷對(duì)象的層次診斷模型，就要根據(jù)具體診斷領(lǐng)域的特點(diǎn)以及對(duì)診斷對(duì)象采取正確的分類方式。根據(jù)主動(dòng)力機(jī)械裝置的故障特點(diǎn)，可以對(duì)診斷對(duì)象進(jìn)行功能、結(jié)構(gòu)和故障3種分類。實(shí)際應(yīng)用中，應(yīng)根據(jù)具體的診斷問(wèn)題和不同的診斷階段，綜合運(yùn)用這3種不同的分類方式，以建立最合適的層次分類診斷模型。一般實(shí)踐經(jīng)驗(yàn)表明，結(jié)構(gòu)和功能分類方式一般運(yùn)用于高層次系統(tǒng)，有利于減少系統(tǒng)診斷過(guò)程中的模式搜索量，并能正確指出下一步診斷的方向；而故障分類方式一般運(yùn)用于中間層次和較低層次系統(tǒng)。

論文對(duì)艦船主動(dòng)力裝置的故障機(jī)理進(jìn)行了認(rèn)

真細(xì)致的分析研究，建立了如圖1所示的層次分類診斷模型。該模型分為3個(gè)層次，頂層為主動(dòng)力系統(tǒng)，即主柴油機(jī)系統(tǒng)；第2層為6個(gè)子系統(tǒng)，分別為燃油、冷卻、燃燒、傳動(dòng)、潤(rùn)滑和增壓系統(tǒng)；第3層為各個(gè)子系統(tǒng)的故障原因輸出。其中，頂層和第2層采用功能分類方式，第3層采用故障分類方式。

圖1 主動(dòng)力系統(tǒng)故障的層次分類診斷模型Fig.1 Hierarchically classified diagnostic model of main power system faults

1.2 多重結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)(MNN)

圖2 主動(dòng)力系統(tǒng)故障的層次分類診斷模型Fig.2 Hierarchical classified diagnostic model of main power system faults

主動(dòng)力系統(tǒng)的層次分類診斷模型所涉及的診斷知識(shí)類型多樣,且各個(gè)層次在知識(shí)結(jié)構(gòu)與表達(dá)、知識(shí)組織上都有不同,而MNN能夠?qū)哟卧\斷模型中的各種知識(shí)統(tǒng)一組織起來(lái)，且其在MNN內(nèi)部具有一致的表達(dá)形式。

在MNN中，診斷知識(shí)的獲取是通過(guò)ANN的學(xué)習(xí)訓(xùn)練來(lái)實(shí)現(xiàn)的。每個(gè)ANN子網(wǎng)絡(luò)均對(duì)應(yīng)層次分類診斷模型相應(yīng)的子系統(tǒng)并進(jìn)行獨(dú)立訓(xùn)練，可以明顯加快網(wǎng)絡(luò)訓(xùn)練速度和進(jìn)程。

根據(jù)層次分類診斷模型特點(diǎn)，MNN采用的是逐層知識(shí)推理，而神經(jīng)網(wǎng)絡(luò)知識(shí)分布存儲(chǔ)在隱含層中，其推理過(guò)程實(shí)際上就是一種數(shù)值計(jì)算進(jìn)程，因此不會(huì)出現(xiàn)組合爆炸、匹配沖突和無(wú)窮遞歸等難以解決的瓶頸問(wèn)題。另外，MNN由輸入層開(kāi)始逐層向前推理，進(jìn)行全局正向并行搜索，還可以有效彌補(bǔ)層次分類診斷模型樹(shù)型結(jié)構(gòu)中可能存在的診斷遺漏問(wèn)題。

2 MNN訓(xùn)練算法

2.1 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)在診斷領(lǐng)域的應(yīng)用主要集中在3個(gè)方面[6]：一是從模式識(shí)別的角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行故障診斷；二是從預(yù)測(cè)角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為動(dòng)態(tài)預(yù)測(cè)模型進(jìn)行故障預(yù)測(cè)；三是從知識(shí)處理的角度建立基于神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)。在所有應(yīng)用的神經(jīng)網(wǎng)絡(luò)中，前向BP網(wǎng)絡(luò)應(yīng)用最為廣泛[7]，基于梯度下降法的BP網(wǎng)絡(luò)雖然存在局部極值的問(wèn)題，但是應(yīng)用方便，不需要很多的訓(xùn)練樣本，特別適合編程實(shí)現(xiàn)，這在裝備實(shí)際應(yīng)用中尤為重要。因此，本文為了簡(jiǎn)化故障診斷中的信息處理，每個(gè)ANN均采用3層BP網(wǎng)絡(luò)，并在改進(jìn)BP學(xué)習(xí)訓(xùn)練算法[8,9]的基礎(chǔ)上，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行綜合診斷。

2.2 訓(xùn)練算法

BP網(wǎng)絡(luò)的學(xué)習(xí)本質(zhì)上是一個(gè)無(wú)約束最優(yōu)化問(wèn)題，而對(duì)于二次型目標(biāo)函數(shù)來(lái)說(shuō)，共軛梯度法是一種十分有效的最優(yōu)化算法，它保證最多通過(guò)k次(k為自變量數(shù)目)一維搜索就能到達(dá)目標(biāo)函數(shù)的最小點(diǎn)。此處選擇PRP算法來(lái)實(shí)現(xiàn)共軛梯度方法，算法如下：

上式中G(k)為誤差函數(shù)的負(fù)梯度方向，P(k)則為神經(jīng)網(wǎng)絡(luò)權(quán)值向量的調(diào)整方向。

對(duì)于非二次型目標(biāo)函數(shù)，PRP算法的收斂速度會(huì)降低，而梯度法則具有更快的收斂速度。為了進(jìn)一步改善基于梯度法的網(wǎng)絡(luò)學(xué)習(xí)性能，可對(duì)基本的BP算法作如下改進(jìn)：

(1)加動(dòng)量項(xiàng)α。選擇學(xué)習(xí)步長(zhǎng)η非常重要，η大時(shí)收斂速度快，但易引起學(xué)習(xí)過(guò)程不穩(wěn)定(振蕩)；η小時(shí)穩(wěn)定性好，但收斂速度慢。解決這一矛盾的最簡(jiǎn)便方法是加動(dòng)量項(xiàng)，即：

式中第2項(xiàng)是常規(guī)BP算法的修正量，第1項(xiàng)稱之為動(dòng)量項(xiàng)。

(2)學(xué)習(xí)步長(zhǎng)η的自適應(yīng)調(diào)整。連接權(quán)的調(diào)整決定于學(xué)習(xí)步長(zhǎng)η和梯度，但基本的BP算法是定步長(zhǎng)的，這不利于計(jì)算的快速收斂。通過(guò)η的自適應(yīng)調(diào)整，可以大大提高收斂速度。學(xué)習(xí)步長(zhǎng)η的調(diào)整原則是使它在每一步保持盡可能大的值，而又不致使學(xué)習(xí)過(guò)程振蕩。對(duì)于成批處理可以根據(jù)總誤差變化的信息進(jìn)行啟發(fā)式調(diào)整，其思路是：若E減小，則η增加;若E增加，則η減小。即： 若E[W(k)]

若E[W(k)]≥mE[W(k-1)],則η(k)=bη(k-1)； 其它情況， 則η(k)=η(k-1)。

學(xué)習(xí)過(guò)程中首先沿G(k)方向?qū)Ζ沁M(jìn)行一維的尋優(yōu)搜索，得到最優(yōu)點(diǎn)η*，然后再基于下式調(diào)整網(wǎng)絡(luò)權(quán)值：

其中：△W(k)=W(k)-W(k-1)

這種自適應(yīng)機(jī)制的引入顯然有助于提高網(wǎng)絡(luò)學(xué)習(xí)的性能。

為了兼取改進(jìn)BP算法與PRP兩種算法的優(yōu)點(diǎn)，采用改進(jìn)BP算法與PRP算法交替搜索的策略[10]。其基本思想是構(gòu)造一個(gè)表征搜索區(qū)平坦度的函數(shù)s(k)：

其中E(k)為k時(shí)刻的誤差函數(shù)。令δ表示兩種算法切換的邊界參數(shù)，則當(dāng)s(k)≤δ成立時(shí)，表明當(dāng)前最優(yōu)化搜索已進(jìn)入平坦區(qū)，此時(shí)采用PRP算法；反之則采用改進(jìn)BP算法。

3 診斷實(shí)例

下面以冷卻子系統(tǒng)的故障診斷為例，將故障征兆集X={淡水溫度T1，淡水壓力P1，淡水流量Q1，海水溫度T2，海水壓力P2，海水流量Q2}作為該子系統(tǒng)神經(jīng)網(wǎng)絡(luò)的輸入，每個(gè)輸入數(shù)據(jù)用兩種狀態(tài)來(lái)表示，即正常(Normal)和不正常(Abnormal)，分別記為1和0。該子系統(tǒng)基本故障現(xiàn)象有7種(其中F0表示無(wú)故障)，記為F={F0,F1,F2,F3,F4,F5,F6}，相應(yīng)的神經(jīng)網(wǎng)絡(luò)子系統(tǒng)有7個(gè)輸出節(jié)點(diǎn)。根據(jù)層次分類診斷策略，對(duì)于系統(tǒng)的任何一種故障現(xiàn)象，運(yùn)用多層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)，都可以由下級(jí)神經(jīng)網(wǎng)絡(luò)子系統(tǒng)進(jìn)行故障分析,診斷出故障原因。

基于對(duì)系統(tǒng)故障現(xiàn)象與原因的機(jī)理分析，表1給出了冷卻子系統(tǒng)故障診斷(對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)NN1)的訓(xùn)練樣本，表2給出了該子系統(tǒng)故障現(xiàn)象(對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)NN2)F2的訓(xùn)練樣本，其中故障分析結(jié)果Y={正常Y0，淡水閥關(guān)閉或損壞Y1，淡水壓力低Y2，淡水管系泄漏Y3，淡水泵壓力高Y4，淡水旁通閥開(kāi)度小Y5}。

表1 冷卻子系統(tǒng)故障的訓(xùn)練樣本Table 1 Training samples of coolingsubsystem faults

表2 冷卻子系統(tǒng)故障F2的訓(xùn)練樣本Table 2 Training samples of cooling subsystem fault F2

MNN系統(tǒng)中的各個(gè)神經(jīng)網(wǎng)絡(luò)均運(yùn)用改進(jìn)BP算法與PRP算法交替搜索的策略進(jìn)行網(wǎng)絡(luò)訓(xùn)練，NN1和NN2的學(xué)習(xí)速率η分別選擇0.025和0.05，兩種訓(xùn)練算法切換的邊界參數(shù)δ=0.10，動(dòng)量項(xiàng)系數(shù)α均為0.90，訓(xùn)練均方誤差為0.000 1。

為了檢驗(yàn)所提改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的性能，本文在表1和表2的基礎(chǔ)上，分別設(shè)計(jì)了相應(yīng)的具有3層感知器的BP神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行故障識(shí)別，對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)分別為6-10-7和2-7-6，最大訓(xùn)練步數(shù)為5 000，運(yùn)用文中所提網(wǎng)絡(luò)訓(xùn)練方法和基本BP算法分別對(duì)兩個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。兩種神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法結(jié)果基本參數(shù)比較見(jiàn)表3。

表3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法的比較Table 3 Comparison of the two neural network training algorithm

從表3可以看出，論文所提改進(jìn)BP算法與PRP算法交替搜索的策略進(jìn)行網(wǎng)絡(luò)訓(xùn)練，其訓(xùn)練時(shí)間更短、精度更高，可顯著提高網(wǎng)絡(luò)學(xué)習(xí)效率和診斷精度，充分證明了該訓(xùn)練方法的可行性和有效性。

基于MNN的層次診斷系統(tǒng)完成了對(duì)診斷知識(shí)的學(xué)習(xí)訓(xùn)練，就可根據(jù)當(dāng)前系統(tǒng)的測(cè)量數(shù)據(jù)逐層進(jìn)行故障診斷推理，先由頂層ANN系統(tǒng)進(jìn)行子系統(tǒng)故障分類，再由下一層相應(yīng)的ANN系統(tǒng)進(jìn)行故障現(xiàn)象分類，最后由底層ANN子系統(tǒng)診斷分析出故障原因。表4和表5分別為MNN的一組冷卻子系統(tǒng)故障診斷實(shí)例和故障F2的診斷實(shí)例。

由表4可以看出，對(duì)于已學(xué)習(xí)過(guò)的樣本知識(shí),網(wǎng)絡(luò)輸出與樣本值基本一致；當(dāng)輸入數(shù)據(jù)在一定范圍內(nèi)偏離樣本知識(shí)時(shí),網(wǎng)絡(luò)的輸出結(jié)果依然具有較好的峰值性和可分性,故障分類結(jié)果正確。這表明多重結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)診斷模型對(duì)有噪聲的故障樣本依然具有較強(qiáng)的分類處理能力。

表4 冷卻子系統(tǒng)的故障診斷實(shí)例Table 4 Diagnostic examples of cooling subsystem faults

表5 冷卻子系統(tǒng)故障F2的診斷實(shí)例Table 5 Diagnostic examples of cooling subsystem fault F2

在表5中，根據(jù)不同的輸入數(shù)據(jù)Xi，故障F2被下一層ANN子系統(tǒng)進(jìn)行故障分析處理，從而診斷出相應(yīng)的故障原因。該應(yīng)用示例表明，采用基于MNN的層次分類故障診斷模型，可以有效地解決復(fù)雜的主動(dòng)力系統(tǒng)故障診斷問(wèn)題。

4 結(jié)論

根據(jù)復(fù)雜系統(tǒng)診斷過(guò)程具有層次性的特點(diǎn),本文介紹了多重結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)(MNN)在主動(dòng)力系統(tǒng)故障診斷中的應(yīng)用,表明采用層次分類診斷模型,并利用MNN來(lái)實(shí)現(xiàn)層次分類診斷模型,可以有效地解決復(fù)雜系統(tǒng)的故障診斷問(wèn)題。

另外,無(wú)論在理論上還是在實(shí)踐上，作為神經(jīng)網(wǎng)絡(luò)的基本特征,MNN在處理復(fù)雜系統(tǒng)故障診斷問(wèn)題時(shí)，具有全局并行推理的快速處理能力和良好的聯(lián)想自學(xué)習(xí)能力,非常適合構(gòu)成實(shí)時(shí)在線層次分類故障診斷系統(tǒng),這些都值得進(jìn)行更為深入的研究。

[1] 沈艷霞，李帆.風(fēng)力發(fā)電系統(tǒng)故障診斷方法綜述[J].控制工程，2013，20(5):789-795.

[2] Yang G, Wu X P, Zhang Q, et al. Fault diagnosis of ship main power system based on multi-layer fuzzy neural network[J]. IEEE Catalog, 2006,12(7):5 713-5 717.

[3] 楊叔子.基于知識(shí)的診斷推理[M].北京:清華大學(xué)出版社，1993.

[4] 周東華，葉銀忠.現(xiàn)代故障診斷與容錯(cuò)控制[M].北京：清華大學(xué)出版社，2000.

[5] 付鈺，吳曉平，宋業(yè)新.模糊推理與多重結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)在信息系統(tǒng)安全風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J].海軍工程大學(xué)學(xué)報(bào)，2011，23(1):10-15.

[6] 姜萬(wàn)錄，李沖祥.神經(jīng)網(wǎng)絡(luò)與證據(jù)理論融合的故障診斷方法研究[J].中國(guó)機(jī)械工程，2004,15(9):760-764.

[7] Rogova G. Combining the results of several neural network classifier[J].Neural Networks,1994,7(5):777-781.

[8] Freen M. The upstart algorithm: A method for constructing and training feedforward neural networks[J].Neural Computation, 1990,2(2):198-209.

[9] Tang T H, Liu Y J, Li J R, et al. ANN-based fault diagnosis method with a combined BP algorithm[C].Swausea:[S.l.] ,1996:861-866.

[10] 楊廣,吳曉平.神經(jīng)網(wǎng)絡(luò)與DS證據(jù)理論分層融合的柴油機(jī)綜合故障診斷方法研究[J].武漢理工大學(xué)學(xué)報(bào):交通科學(xué)與工程版,2011,35(3):558-561.

(責(zé)任編輯：李華云)

Research on Fault Diagnosis of Main Power System Based on MNN

YANG Guang, LIANG Jingjing

(PLA 91918 Troop, Beijing 102300, China)

Artificial neural network (ANN) has been successfully applied to fault diagnosis systems in real-world applications; however, what is mostly used for diagnosing faults is single network. Factually multiple faults occur frequently at different levels in complicated systems and when the single network is used to deal with complicated problems of fault diagnosis, it’ll be so gigantic that a series of difficulties will be brought to network training. In this paper, on the basis of analysis of hierarchical classified diagnostic model, MNN is presented to research on fault diagnosis of main power equipment and the diagnostic result indicates that the model is feasible and valid.

main power equipment; fault diagnosis; neural network; MNN

2014-04-23

國(guó)家自然科學(xué)基金資助項(xiàng)目(60774029)

楊廣(1980-)，男，安徽安慶人,高級(jí)工程師，博士,主要研究方向?yàn)橄到y(tǒng)工程、優(yōu)化決策、智能控制。

TP273;O212.6

A

1671-5322(2014)03-0001-05