1保证生产正常进行的关键是使各种重要的大型设备正常运转。
针对上述问题，本系统将通过对设备进行在线动态连续监测分析，随时了解设备的状态，给出故障报警信号。要实现设备故障诊断的准确性，*有效的方法就是采用多种检测手段来进行综合诊断。在故障产生的早期，运用信息融合方法，在决策层对多种检测手段信息进行融合，诊断出故障，并指出故障产生的原因，把故障消灭在萌芽状态确保设备安全运行。通过对信号的智能综合分析，确定合理的维修间隔，减少维修次数。提出维修建议报告，有效地缩短维修时间，延长设备的寿命。减少维修次数和缩短维修时间将提高设备利用率，提高产量，达到诊断目的。
2神经网络技术的信息融合故障诊断方法
2 1神经元模型
神经元是神经网络的基本处理单元，它是在生物神经元研究的基础上提出的一种模拟生物神经元结构与功能的简单数学模型。人们提出的神经元模型已有几百种，目前经常使用的神经元模型是M - P模型。M- P模型是一种*基本的生物神经元简化数学模型，经过不断改进后假定：
（ 1）每个神经元都是一个多输入单输出的信息处理单元；（ 2）神经元输入分兴奋性输入和抑制性输入两种类型；（3）神经元输出有阀值特性，服从全或无定律；只有当输入总和超过其阀值时，神经元才被激活，而当输入总和未超过阀值时，神经元不会发生冲动；（ 4）神经元的输入与输出之间有固定的时滞，主要取决于突触延搁；（ 5）神经元可具有时空整合特性和不应期；（ 6）神经元本身是非时变的。
神经元一般是一个多输入/单输出的非线性器件， 1给出了一种典型的神经元结构模型。{ x 1，x2， ， xn}为输入，即其它神经元的轴突输出； n为输入数目； { wj 1， wj 2， ， wj n}为其他n个神经元与神经元连接强度，通常称为权重， { w j n}可以为正，也可以为负，分别表示为兴奋性突触和抑制性突触；图中表示求和；j为阀值； sj为神经元j的求和输出； yj为输出； f （）通常为一非线性函数，称之为神经元的激活函数或转移函数，其作用是将可能的无限域输入变换到一指定的有限范围内输出。
人工神经网络的神经元可分为三种类型：输入神经元、隐含神经元和输出神经元。输入神经元从外界环境接受信息，输出神经元则给出神经网络系统对外界环境的作用。这两种神经元与外界都有直接的联系。隐含神经元则处于网络之中，不与外部环境直接联系。它从网络内部接收输入信息，所产生的输出则只作用于神经网络系统中的其他神经元。
2 2神经网络的特点以及用于故障诊断的原因
2 2 1神经网络的特点
（ 1）学习能力。学习能力是神经网络具有智能的重要表现，即通过训练可抽象出训练样本的主要特征，表现出强大的自学习能力。
（ 2）分布式。在传统的串行运行体系计算机中，信息分布在独立的存储单元，任何部分内存的损坏都将要导致整个信息的无效。而在神经网络中，信息则分散分布在神经元的连接上，单个的连接权值和神经元都没多大的用途，但它们组合起来，就能从宏观上反映出一定的信息特征。
（ 3）并行性。神经网络是对人脑结构和功能的模拟，但更偏重对结构的模拟。各种神经元在处理信息时是各自独立的，它们分别接受输入，作用后产生输出。这种并行计算的处理，使得它有可能用于实时快速处理信息，成为下一代智能计算机的基础。
（ 4）非线性。神经网络可有效地实现输入空间到输出空间的非线性映射。寻求输入到输出间的非线性关系模型，是工程界普遍面临的问题。对大部分无模型的非线性系统，神经网络都能很好的模拟。
2 2 2神经网络适合故障诊断的原因
神经网络故障诊断问题可以看成模式识别。通过对一系列过程参量进行测量，然后用神经网络从测量空间映射到故障空间，实现故障诊断。应用于故障诊断的方法多种多样，神经网络之所以适合于故障诊断，有以下三个主要原因：
（ 1）训练过的神经网络能存储有关过程的知识，能直接从定量的、历史故障信息中学习。可以根据对象的正常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定故障。
（ 2）神经网络具有滤出噪声及在有噪声情况下得出正确结论的能力，可以训练人工神经网络来识别故障信息，使其能在噪声环境中有效地工作，这种滤出噪声的能力使得神经网络适合在线故障检测和诊断。
（ 3）神经网络具有分辨原因及故障类型的能力。
2 3破碎机故障集及征兆集的建立
破碎机故障原因、故障征兆较多，为简便起见，根据现场运行经验及有关文献13，对大型破碎机组的主体、润滑系统及电机部分进行总结归纳，得到10种主要故障形式，分别是： （ A ）破碎能力下降；（ B）破碎机振动过大； （ C）破碎机过热； （ D）水平轴磨损； （ E）定锥松动； （ F）润滑失效； （ G）甩油故障； （ H）漏油故障； （ I）过滤器堵塞； （ J）电机轴承烧坏。同时借助传感器获得以下十二个参数值作为破碎机故障征兆： （ 1）传动轴转速； （ 2）止推轴承温度； （ 3）传动轴与外衬套温度； （ 4）排矿口尺寸； （ 5）冷却管进油温度； （ 6）冷却管进出油温差； （ 7）回油管温度； （ 8）供油流量； （ 9）过滤器压差； （ 10）水平轴压力； （ 11）电机轴承温度； （ 12）振动等十二种运行征兆参数作为破碎机故障征兆以提取破碎机故障。其中电机轴承温度在两个不同位置分别设置了传感器，通过求二者的平均值确定它的参数值以便精确测定。
2 4应用神经网络的破碎机故障诊断过程
模糊神经网络与传统多层感知器的主要区别在于其输入和输出均表示为模糊隶属度，通过隶属度函数的适当选择，该网络既可以处理数字形式输入又能适应语义形式输入，同时输出也不再是单一的分类结果而是各类的隶属度，这样就更好地模拟了人脑思维的模糊性。
2 4 1故障诊断征兆参数归一化
因为神经网络对输入样本有归一化的要求，因此征兆参数的变化方向和程度的表示方法需要进行慎重地处理。破碎机故障征兆信号的提取是一模糊化过程，是将获取的测量信号精确量转化成模糊逻辑系统能够处理的模糊量，如隶属度等。这就需要确定隶属函数的具体表达式。常用的隶属函数形式有三角形函数、梯形函数、柯西函数和正态函数等。
振动征兆：振动信号是故障分析中的一种*重要的征兆，振动故障诊断主要是根据监测机组振动情况对机组的工作状态作出判断。振动信号的通频振幅及频谱分析中的各界谐波幅值增大时，作为故障出现的一种征兆，有一个振动的上限值，其隶属度函数
A（ x ）选取Cauchy函数。
A（ x ） =0，x K （ x - ）2 1+ K （ x - ）2， x >
一般取= 0，振动正常上限值为4000 m，取振动为4000 m时的隶属度为0 5，则K = 1/ 16000000.征兆振动大的量化值可以由式（ 1）相应求出。
参数型征兆：传动轴转速、止推轴承温度、传动轴与外衬套温度、排矿口尺寸、冷却管进油温度等参数由传感器检测的是一个数值，而征兆实际上是由测量值与标准值的偏离程度表示的，参数偏离的多少反映了机组一定的工作状态，并和某种类型的故障有关，升高、降低以及正常的程度可用< 0， 1>区间的数值对应，对征兆给与定量化的描述。一般要定义清楚实数论域R.若参数可能的取值区间是< X min， X max > ，正常值落于区间< a， b> （ < a， b> < X min， X max > ） ，则模糊集参数升高的隶属函数：A（ x） = 1，x X max x - b X max - b，b x < X max 0，x < b（2）模糊集参数正常的隶属函数：A（ x） = x - X max b- X max， b x X max 1， a x < b x - X min a - X max， X min x < a（3）模糊集参数降低的隶属函数：A（ x） = 0， x a x - a X min - a， X min x < a 1， x < X min（ 4）征兆参数归一化后的结果如1所示。
2 4 2模糊神经网络故障诊断系统的网络模型
建立了破碎机典型故障样本特征模式知识库，即可利用这些典型故障样本对神经网络进行训练和学习，得到具有故障诊断的神经网络模型，然后利用训练后的神经网络完成对破碎机实时故障模式的识别，即故障诊断。神经网络的训练和仿真采用Mat lab7 0的神经网络工具箱为工具。
仿真时采用了三层的BP网络训练模型，具体模型所示。图中BP网络的输入层神经元个数等同于故障征兆信号的模糊子集个数为12个，神经元传递函数为双曲正切S型函数。而隐含层神经元个数的选取原则是在能够解决问题的前提下，再加1到2个神经元以加快误差的下降速度即可。
现根据训练的样本数和不同隐含层神经元个数的训练结果的对比，确定取隐含层神经元个数为30个。
输出神经元个数等于故障个数为10个。选择速度快、误差小而且尽可能少占资源的函数训练BP网络，训练误差目标为0 01，初始设置学习速率为0 01.初始权值取（ - 1， 1）之间的随机数。
2 4 3故障诊断神经网络的系统结构
此系统结构主要是通过信息融合技术来实现的，如3所示，集成神经网络结构由三级网络组成， （级网络完成信号向各设备的定位，为数据融合型网络；即把诊断设备的故障特征参数空间划分为若干个子参数空间，同时根据各个子参数空间构造相应的故障子空间。）级网络由子神经网络并联组成，各子网络从不同侧面完成对故障的诊断，其中某些子网络可以完成局部的信息融合，属性（特征）输入/决策（诊断）输出融合型网络，即根据各子参数空间的定义和相应的子故障空间，独立地构造相应的子网络的学习样本，并对网络进行训练，使其具有从参数空间到故障空间的非线性映射能力。级网络为决策（诊断）输入/决策（诊断）融合输出型网络，属全局型融合，其利用各个诊断子网络的输出结果，通过决策融合型网络进行信息融合推理分析，得出*终诊断结果，即被诊断设备的故障形式。在此集成神经网络结构中，信息融合既有局部的，又有全局的，因此（、）、三级网络采用串联结构，而）级网络的各子网络之间为并联结构。
2 4 4利用模糊神经网络的仿真过程
仿真试验包括了初始化、训练、仿真这三个步骤，初始化过程需要创建并设置好神经网络的输入数据变量（以p表示）和目标输出变量（以t表示），同时还要创建新的神经网络对象。输入数据变量的设定值是通过将2的各项值用矩阵的形式表示并将该矩阵进行转置后得出；目标输出变量的设定值则是10个与故障对应的输入样本的理想值。该目标输出如所示，它是一个行列长度均为10的单位阵。
然后再按照输入数据变量的取值范围建立一个三层前向BP神经网络，网络**层传递函数为+tansig ，第二层传递函数为+purelin ；学习函数不设定，仍使用缺省函数+learngdm.以下是用M ATLAB7 0实现的初始化过程。
close all；clear；newff-生成一个新的前向神经网络；train-对BP神经网络进行训练；sim-对BP神经网络进行仿真；p为输入矢量；t = eye（ 10） ；t为目标矢量；以下将创建一个新的前向神经网络：net = newff（ minmax（ p） ， < 30， 10> ， {，tansig，，，purelin，}） ；当前输入层权值和阀值：inputWeights = net IW { 1， 1} ；inputbias = net b{ 1}；当前网络层权值和阀值：layerWeights = net IW {2， 1}；layerbias = net b{2} ；BP神经网络初始化完成后，就开始选择训练算法。首先使用traingdm函数训练， traingdm函数的功能是采用动量梯度下降反向传播算法对网络进行训练，它是*速梯度下降算法的一种变形，该函数在对权值和阀值更新时不仅考虑了当前的梯度方向，而且还考虑了前一时刻的梯度方向，从而降低了网络性能对参数调整的敏感性，有效地抑制了局部极小，这种调整方式是通过设置动量因子来实现的。
再将训练算法改用Levenberg- M arguardt反向传播算法对网络进行训练，即将上例中的traingdm函数改用trainlm函数。所得出仿真结果如下所示：T RAINLM， Epoch 0/ 100， MSE 4 19676/ 0 01， Gradient 246 752/ 1e- 010；T RAINLM， Epoch 2/ 100， M SE 0 00647638/ 0 01， Gradient 8 57597/ 1e- 010；T RAINLM， Performance goal met此时，当训练至第2步时，网络性能达标，而误差仅为0 00647638.由此可见， Levenberg- M ar guardt反向传播算法无论是在收敛速度还是在训练误差上都明显地优于动量梯度下降反向传播算法。
事实上， trainlm训练函数的训练速度*快，但它往往需要占用较大的内存空间；但是，诊断系统所采用的工控机有内存足够大，足以运行trainlm训练函数，而且神经网络训练好后，一般不需要重新训练，所以，训练函数还是可以选用trainlm训练函数。网络经过训练学习后，神经网络系统获得的故障诊断知识就表达为神经元连接权值矩阵和阈值矩阵，然后将训练得到的W { 1， 1}、W{ 2， 1}、b{ 1}、b{2}存储起来，建立一个故障诊断数据库。此时破碎机的模糊神经网络故障诊断系统就可对文中所列出的破碎机10种故障进行有效的诊断。为了高效地检验神经网络的训练效果，根据以往的故障经验，人为的设定10种与待检测故障相对应的故障实例，下面将使用10个故障实例对破碎机故障诊断系统进行仿真实验：对BP网络进行仿真，A = sim（ net， p ）；计算仿真误差，E = t - A ；MSE = mse（ E）仿真结果如3所示。
根据3的仿真结果，可以发现，对相应的输入样本和目标样本，输出模式中相应故障节点接近1，非故障节点接近0，由此可见，单个BP网络通过学习训练，对训练学习所得的知识能很好的记忆。
3结语
本文所设计的诊断系统能精确诊断故障的发生，神经网络技术在设备故障诊断系统中起着非常重要的作用。本系统在鞍山钢铁集团齐大山矿已投入运行，取得很好的效果。
网友评论
共有0条评论