基于BP 神經(jīng)網(wǎng)絡(luò)的主抽電機故障智能診斷系統(tǒng)的研究

林 立

（中冶北方（大連）工程技術(shù)有限公司，遼寧 大連 116622）

故障診斷技術(shù)按處理方法主要分三種，即依靠數(shù)學(xué)分析的方法、依據(jù)信號分析的方法、利用人工智能（知識）的處理方法。而人工智能方法，如人工神經(jīng)網(wǎng)絡(luò)、SVM、專家系統(tǒng)等，能夠處理傳統(tǒng)故障診斷方法所無法解決的問題。相對于傳統(tǒng)方法，人工智能具有很大的優(yōu)勢，在近些年在電機故障診斷方面，人工智能的應(yīng)用被廣泛傳播和發(fā)展，成為大家公認的最有前途的發(fā)展方向。

每種方法都有自己的缺點。依靠數(shù)學(xué)分析的方法首先要確定精準的數(shù)學(xué)，但很多情況下，情況比較復(fù)雜，精確的數(shù)學(xué)模型很難建立?；谛盘柼幚淼姆椒m然不需要對象的數(shù)學(xué)模型，但有些情況下信號分析特征并不能代表故障特征，另外此種方法自身的特點不方便研究工作的開展。基于專家知識模式的智能診斷系統(tǒng)不能實現(xiàn)自學(xué)習(xí)，對于知識庫的更新需要人工進行。知識之間也會存在沖突，對于結(jié)果的是否正確影響很大。基于人工神經(jīng)網(wǎng)絡(luò)的智能系統(tǒng)也具有一些缺點，如無法詮釋推理結(jié)果是怎么得到的，但人工神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的權(quán)值閾值來對應(yīng)繁多的知識，通過變換算法及對樣本的學(xué)習(xí)來回歸實際情況，并能通過新的輸入來調(diào)整參數(shù)實現(xiàn)自學(xué)習(xí)，最后使知識體系更加完善。

1 BP神經(jīng)網(wǎng)絡(luò)的特點

BP 神經(jīng)算法具有模式識別（分類）能力和很好的函數(shù)回歸及映射能力。解決了很多單層感知器解決不了的問題。從結(jié)構(gòu)上看，BP 網(wǎng)絡(luò)主要有輸入、隱藏和輸出三層架構(gòu)。從本質(zhì)上講，BP 網(wǎng)絡(luò)算法的學(xué)習(xí)過程其實就是通過輸入數(shù)據(jù)信息后計算的結(jié)果與希望得到的結(jié)果的偏差來改變網(wǎng)絡(luò)的權(quán)值或閾值，直至模型的輸出結(jié)果與希望得到的結(jié)果之差在設(shè)定的可接受的范圍內(nèi)，這樣BP 神經(jīng)網(wǎng)絡(luò)就完成了一次學(xué)習(xí)。

BP 神經(jīng)算法中S（sigmoid）型函數(shù)是單元中經(jīng)常采用的傳遞函數(shù)，所以經(jīng)復(fù)合后BP 網(wǎng)絡(luò)可以讓輸入信息與輸出信息之間達到任意非線性對應(yīng)關(guān)系。這一功能使得BP 神經(jīng)算法在函數(shù)回歸、分類等方面有著用武之地，BP 神經(jīng)算法主要有以下優(yōu)點：

（1）非線性映射能力：BP 神經(jīng)算法可以完成輸入與輸出之間的對應(yīng)關(guān)系。從理論上講，三層架構(gòu)的神經(jīng)網(wǎng)絡(luò)就可以實現(xiàn)以非常高的精度趨近任何非線性曲線。所以從這可以看出BP 神經(jīng)算法具有非常強的非線性映射能力。

（2）自學(xué)習(xí)能力：BP 神經(jīng)算法能夠通過一定機制自動挖掘輸入與輸出結(jié)果之間的對應(yīng)關(guān)系，并自適應(yīng)的將這樣的關(guān)系以權(quán)值系數(shù)和閾值的形式進行存儲。

（3）具有一定的泛化能力：BP網(wǎng)絡(luò)不但可以實現(xiàn)對待分類事物進行有效分類，并且通過一定的學(xué)習(xí)和訓(xùn)練后，還能對干擾數(shù)據(jù)或陌生數(shù)據(jù)進行正確劃分。這是BP算法泛化能力的具體體現(xiàn)。

（4）具有容錯性：是指當BP 結(jié)構(gòu)的一部分被改掉或破壞掉時，其輸出結(jié)果不會有很大的改變，具備的分類、識別、回歸功能等功能也不會被影響到。所以看出BP 算法的容錯能力很強大。

BP 神經(jīng)網(wǎng)絡(luò)同時也有以下缺點：

（1）學(xué)習(xí)速度很慢：BP 網(wǎng)絡(luò)受其算法影響，當擬合比較復(fù)雜的函數(shù)時，會顯得效率較低。

（2）陷入局部極值：BP 算法受其搜索方法影響，網(wǎng)絡(luò)的權(quán)值系數(shù)是向著局部優(yōu)化的方向漸漸地進行改變的，所以其很容易出現(xiàn)局部極值。但是，我們需要的是全局極值而不是局部極值。

（3）樣本依懶性強：網(wǎng)絡(luò)訓(xùn)練的成功與樣本的選擇直接相關(guān)，但在現(xiàn)實中，很難從問題中選擇合適的典型樣本來形成訓(xùn)練集。

2 故障診斷系統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模塊的設(shè)計

系統(tǒng)的設(shè)計基于MATLAB 進行訓(xùn)練和測試。首先設(shè)計BP 網(wǎng)絡(luò)模型，然后通過主抽電機故障樣本數(shù)據(jù)進行訓(xùn)練，再經(jīng)過主抽故障測試數(shù)據(jù)進行測試，根據(jù)測試結(jié)果對BP 神經(jīng)網(wǎng)絡(luò)進行調(diào)整，直至測試結(jié)果通過。

理論上講三層人工神經(jīng)網(wǎng)絡(luò)可以完成任意函數(shù)的映射，所以暫且將網(wǎng)絡(luò)設(shè)置為三層。每個人工神經(jīng)網(wǎng)絡(luò)的輸入數(shù)量可能不同，所以人工神經(jīng)網(wǎng)絡(luò)輸入的個數(shù)根據(jù)具體的判斷條件進行設(shè)置。

對于隱含層神經(jīng)元個數(shù)的選擇，我們主要依據(jù)以下經(jīng)驗公式：

式中k 代表隱含層中神經(jīng)元的數(shù)量；Ni為輸入層神經(jīng)元的個數(shù)；N0為輸出層神經(jīng)元的個數(shù)；R 為1～10 的任意數(shù)。

神經(jīng)網(wǎng)絡(luò)的輸出為相對應(yīng)故障類型的可能性大小。

從表1 可以看出BP 網(wǎng)絡(luò)選擇trainlm 訓(xùn)練函數(shù)性能最佳。trainlm 對于中小規(guī)模的網(wǎng)絡(luò)來說，其速度比其他算法都要快，但其最大的缺點是內(nèi)存空間利用較大。對于大型網(wǎng)絡(luò)，需要考慮其他的訓(xùn)練算法或進行算法優(yōu)化。

圖1 歸一化前訓(xùn)練函數(shù)為trainrp 的訓(xùn)練誤差曲線

表1 測試數(shù)據(jù)

表2 神經(jīng)網(wǎng)絡(luò)測試輸出結(jié)果

BP 神經(jīng)網(wǎng)絡(luò)已經(jīng)建模完成，但即使網(wǎng)絡(luò)的擬合程度較高，也不代表測試樣本的準確率高，一個好的網(wǎng)絡(luò)應(yīng)該具有很好的泛化能力。用表1 的測試數(shù)據(jù)樣本進行測試。測試前也需要用函數(shù)mapminmax 按照學(xué)習(xí)樣本數(shù)據(jù)歸一化的參數(shù)對測試樣本進行歸一化處理。結(jié)果經(jīng)過反歸一化后如表2，可以看出測試輸出結(jié)果與測試數(shù)據(jù)故障基本相符。通過同樣的方法建立其余故障診斷的神經(jīng)網(wǎng)絡(luò)。這樣就可以利用訓(xùn)練成功的BP 網(wǎng)絡(luò)對設(shè)備進行診斷。