基于數(shù)據(jù)預(yù)處理的神經(jīng)網(wǎng)絡(luò)在船用空壓機(jī)故障診斷中的應(yīng)用

尚前明，曹 召，王 瀟

(武漢理工大學(xué) 能源與動(dòng)力工程學(xué)院,湖北 武漢 430063)

在過(guò)去，人們針對(duì)船用空壓機(jī)已發(fā)生的失效模式，僅僅局限于找到導(dǎo)致該故障發(fā)生的原因，從而確定應(yīng)該采取哪些措施進(jìn)行維修，預(yù)防故障的再次出現(xiàn)，這種故障發(fā)生后找故障原因的方法，只能發(fā)現(xiàn)故障形成的表面原因，不能分析出導(dǎo)致該故障所有的根本原因，對(duì)故障[1]發(fā)生的全部過(guò)程無(wú)法全部了解，很難有效地預(yù)防故障再次發(fā)生。

因此，有必要對(duì)船用空壓機(jī)系統(tǒng)進(jìn)行故障機(jī)理分析，在船用空壓機(jī)的運(yùn)行過(guò)程中，實(shí)時(shí)獲取設(shè)備技術(shù)狀態(tài)參數(shù)信息，進(jìn)行相關(guān)分析，判斷設(shè)備運(yùn)行狀態(tài)，提升船用空壓機(jī)設(shè)備的安全性。BP神經(jīng)網(wǎng)絡(luò)算法在故障診斷領(lǐng)域發(fā)展迅速，它可以很好的擬合故障模式，并能可靠的預(yù)測(cè)故障類型。由于神經(jīng)網(wǎng)絡(luò)對(duì)整個(gè)故障數(shù)據(jù)集進(jìn)行訓(xùn)練，模型耗時(shí)較長(zhǎng)，影響了診斷的效率，因此文章選用PCA進(jìn)行數(shù)據(jù)預(yù)處理，提取主成分，然后再進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，可以大大節(jié)約模型訓(xùn)練的時(shí)間。

1 空壓機(jī)失效模式及熱工參數(shù)選擇

通過(guò)查閱大量相關(guān)資料，我們發(fā)現(xiàn)船用空壓機(jī)的系統(tǒng)劃分多種多樣，而對(duì)于整個(gè)裝置的失效模式分析不夠到位。同時(shí)，船用空壓機(jī)設(shè)備工作環(huán)境惡劣、失效模式交錯(cuò)復(fù)雜、失效機(jī)理藕合多變、可靠性的基礎(chǔ)理論薄弱等特點(diǎn),以及存在從事機(jī)械可靠性技術(shù)應(yīng)用研究的人員相對(duì)較少，船用空壓機(jī)可靠性技術(shù)缺少借鑒性等原因，造成船舶空壓機(jī)的故障指標(biāo)匱乏。本文以空壓機(jī)典型的4種失效模式，即空壓機(jī)容積流量低、空壓機(jī)排氣溫度過(guò)高、空壓機(jī)滑油變質(zhì)故障及空壓機(jī)不正常噪聲進(jìn)行分析。由于故障分析所占篇章較多，下面以空壓機(jī)容積流量低為代表來(lái)分析其故障類型及故障原因見(jiàn)表1。

由表1可知，空壓機(jī)轉(zhuǎn)速、壓力、溫度、容積等關(guān)鍵參數(shù)與失效模式及故障原因存在一定的關(guān)聯(lián)。因此，我們可以選用排氣壓力、 進(jìn)氣量、進(jìn)氣溫度、冷卻水溫度、冷卻水壓力、主機(jī)轉(zhuǎn)速、主機(jī)振動(dòng)頻率、潤(rùn)滑油溫度、 潤(rùn)滑油壓力和軸承溫度作為熱工參數(shù)來(lái)生成樣本數(shù)據(jù)。

2 PCA和BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

2.1 主成分分析

主成分分析[2]是通過(guò)保留原指標(biāo)的主要特征，來(lái)簡(jiǎn)化數(shù)據(jù)降低維度的一種方法?？諌簷C(jī)的熱工參數(shù)有10種，所以有10個(gè)故障特征。這些故障特征之間難免有數(shù)據(jù)重疊部分，主成分分析法可以找出不相關(guān)的主要特征指標(biāo)，去除數(shù)據(jù)冗余來(lái)簡(jiǎn)化數(shù)據(jù)[3]。本文通過(guò)主成分分析法對(duì)樣本數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理，并計(jì)算出貢獻(xiàn)率，選擇累積貢獻(xiàn)率大于85%的特征作為主成分，求得主成分反歸一化的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入。主成分分析法的步驟如圖1所示。

圖1 主成分分析法一般步驟

2.2 BP神經(jīng)網(wǎng)絡(luò)理論

BP神經(jīng)網(wǎng)絡(luò)即前饋型神經(jīng)網(wǎng)絡(luò)，它是通過(guò)神經(jīng)元來(lái)學(xué)習(xí)知識(shí)訓(xùn)練模型，并能對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的一種智能算法。神經(jīng)網(wǎng)絡(luò)分為正向傳播和反向傳播[4]，正向傳播是計(jì)算出輸入X和權(quán)重W的乘積，再加上偏值b，最后通過(guò)合適的函數(shù)映射得到神經(jīng)網(wǎng)絡(luò)的輸出過(guò)程，反向傳播是反向逐層對(duì)成本函數(shù)進(jìn)行求導(dǎo)，直到求出輸入層變量的導(dǎo)數(shù)為止，然后運(yùn)用梯度下降法對(duì)權(quán)值和偏值進(jìn)行修正的一個(gè)過(guò)程。其單個(gè)神經(jīng)元的流程示意圖如圖2所示。

圖2 神經(jīng)元流程示意圖

2.3 BP神經(jīng)網(wǎng)絡(luò)結(jié)果的確定

BP神經(jīng)網(wǎng)絡(luò)[5]一般由輸入層、隱含層、輸出層組成。輸入、輸出層由一層組成，隱含層可以有多層，增加隱含層的層數(shù)會(huì)增加模型處理復(fù)雜問(wèn)題的能力，但層數(shù)增多也會(huì)使模型收斂時(shí)間增加。根據(jù)反復(fù)實(shí)踐，采用三層網(wǎng)絡(luò)結(jié)構(gòu)，空壓機(jī)的故障診斷模型正確率較高，完全適合要求。因此，本文采用三層BP神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)一般由樣本特征數(shù)來(lái)確定，本文以主成分分析得到的特征數(shù)作為輸入層的節(jié)點(diǎn)數(shù)，輸出層一般由故障類型確定，本文共有5種故障類型，其中[1,0,0,0,0]表示空壓機(jī)正常運(yùn)行狀態(tài)作為故障模式1；[0,1,0,0,0]表示空壓機(jī)排氣溫度過(guò)高作為故障模式2；[0,0,1,0,0]表示空壓機(jī)滑油變質(zhì)故障作為故障模式3；[0,0,0,1,0]表示空壓機(jī)不正常噪聲作為故障模式4；[0,0,0,0,1]表示空壓機(jī)容積流量低作為故障模式5。

3 算例

3.1 樣本數(shù)據(jù)的確定和輸入數(shù)據(jù)的處理

樣本數(shù)據(jù)的選擇對(duì)BP神經(jīng)網(wǎng)絡(luò)模型的建立至關(guān)重要，樣本數(shù)量過(guò)少時(shí)，會(huì)使得模型故障類型欠缺，造成欠學(xué)習(xí)的現(xiàn)象，樣本數(shù)量過(guò)多時(shí)，會(huì)使得模型計(jì)算效率下降，診斷時(shí)間過(guò)長(zhǎng)，造成過(guò)學(xué)習(xí)的現(xiàn)象。所以，基于以上原因，本文選取MLG30.4/8-185G型空壓機(jī)典型的30組數(shù)據(jù)作為研究對(duì)象，選用前20組樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后10組作為測(cè)試數(shù)據(jù)集，部分?jǐn)?shù)據(jù)集如表2所示?；跀?shù)據(jù)冗余的問(wèn)題，我們對(duì)數(shù)據(jù)做了歸一化處理，然后用主成分進(jìn)行了分析。

表2中各個(gè)參數(shù)符號(hào)的物理意義：Pexh為排氣壓力；Vexh為進(jìn)氣量；Texh為進(jìn)氣溫度；Tcw為冷卻水溫度；Pcw為冷卻水壓力；vm為主機(jī)轉(zhuǎn)速；Fmh為主機(jī)振動(dòng)頻率；TLo為潤(rùn)滑油溫度；PLo為潤(rùn)滑油壓力；Tb為軸承溫度。

根據(jù)累計(jì)貢獻(xiàn)率大于等于85%的原則，我們選擇了前5個(gè)特征作為主成分，其累計(jì)貢獻(xiàn)率達(dá)到了85.628%，如表3所示。結(jié)果表明其前5個(gè)主成分包含了原始數(shù)據(jù)85.628%的信息，完全可以用來(lái)代表原始數(shù)據(jù)特征。最后把主成分分析后的前5個(gè)主成分?jǐn)?shù)據(jù)乘以對(duì)應(yīng)特征值的二次方根進(jìn)行反歸一化，得到如表4所示的數(shù)據(jù)，此數(shù)據(jù)傳入神經(jīng)網(wǎng)絡(luò)的輸入層。

表2 空壓機(jī)樣本數(shù)據(jù)

表3 總方差解釋

表4 主成分計(jì)算后的樣本數(shù)據(jù)

續(xù)表4 主成分計(jì)算后的樣本數(shù)據(jù)

3.2 訓(xùn)練網(wǎng)絡(luò)

根據(jù)分析，我們選擇輸入層的節(jié)點(diǎn)數(shù)為5個(gè)，輸出層的節(jié)點(diǎn)數(shù)也為5個(gè)。隱含層和輸出層的傳遞函數(shù)分別采用Tansig和Logsig，均方差目標(biāo)設(shè)置為0.000 1，隱含層數(shù)初步設(shè)置為10，最后選用Trainlm函數(shù)對(duì)模型進(jìn)行訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖3所示。

圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

為了得到最佳的網(wǎng)絡(luò)結(jié)構(gòu)使模型更健壯，我們反復(fù)實(shí)驗(yàn)隱含層的節(jié)點(diǎn)數(shù)，最后得到隱含層為8時(shí)，模型精度最高，訓(xùn)練時(shí)間最少。至此，神經(jīng)網(wǎng)絡(luò)模型已經(jīng)建立完成，需要對(duì)建立的模型進(jìn)行測(cè)試。

3.3 測(cè)試網(wǎng)絡(luò)

模型訓(xùn)練完成后，還需要測(cè)試模型的準(zhǔn)確性。選擇剩余的10組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，對(duì)模型進(jìn)行測(cè)試，結(jié)果見(jiàn)表5所示。

3.4 網(wǎng)絡(luò)對(duì)比

為了更好和基于PCA數(shù)據(jù)預(yù)處理的神經(jīng)網(wǎng)絡(luò)模型對(duì)比，本文選取原始數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，經(jīng)過(guò)訓(xùn)練和測(cè)試的結(jié)果見(jiàn)圖4所示。

表5 神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果

圖4 未經(jīng)PCA處理的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

4 結(jié)束語(yǔ)

通過(guò)測(cè)試結(jié)果可以看出，采用基于PCA-BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法可以有效的對(duì)船用空壓機(jī)進(jìn)行故障診斷，提高模型計(jì)算的時(shí)間。并且在現(xiàn)代計(jì)算機(jī)技術(shù)飛速發(fā)展的時(shí)代，可以借助編程軟件，設(shè)計(jì)良好的人機(jī)界面，方便的得到診斷結(jié)果。但此、次采用的船舶空壓機(jī)數(shù)據(jù)量較少，對(duì)某些故障模式可能還沒(méi)有分析到，以后隨著故障數(shù)據(jù)的增多會(huì)得到更加完善的網(wǎng)絡(luò)模型。