白士紅，杜新成

（沈陽理工大學(xué) 機械工程學(xué)院，遼寧 沈陽 110159）

基于神經(jīng)網(wǎng)絡(luò)的故障診斷分三步實現(xiàn).第一步，通過試驗獲得給定工況在設(shè)定故障和無故障狀態(tài)下的過程參數(shù)，經(jīng)預(yù)處理提取故障征兆集數(shù)據(jù)［1］，歸一化為網(wǎng)絡(luò)輸入模式；第二步，建立神經(jīng)網(wǎng)絡(luò)系統(tǒng)，用已知故障征兆－故障模式的樣本集訓(xùn)練網(wǎng)絡(luò)，使其達到預(yù)設(shè)的診斷精度，得出標準故障模式［2－3］；第三步，實時輸入故障征兆向量進行測試，獲得該狀態(tài)下的網(wǎng)絡(luò)輸出模式，然后對網(wǎng)絡(luò)輸入進行后處理，再與標準故障模式進行對比，獲得診斷結(jié)果，即故障類型［4］.

1 SOM神經(jīng)網(wǎng)絡(luò)競爭學(xué)習(xí)原理

Kohonen認為，一個神經(jīng)網(wǎng)絡(luò)接受外界輸入模式時，將會分為不同的對應(yīng)區(qū)域，各區(qū)域?qū)斎肽Ｊ接胁煌捻憫?yīng)特征，而這個過程是自動完成的.自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM）模擬大腦神經(jīng)系統(tǒng)的自組織特征映射功能，是一種無監(jiān)督競爭式學(xué)習(xí)的前饋網(wǎng)絡(luò)在訓(xùn)練中能無監(jiān)督自組織學(xué)習(xí).它通過學(xué)習(xí)可以提取一組數(shù)據(jù)中的重要特征或某種內(nèi)在規(guī)律，按離散時間方式進行分類.競爭學(xué)習(xí)規(guī)則的生理學(xué)基礎(chǔ)是神經(jīng)細胞的側(cè)抑制現(xiàn)象：當(dāng)一個神經(jīng)細胞興奮后，會對其周圍的神經(jīng)細胞產(chǎn)生抑制作用［5］.最強的抑制作用是競爭獲勝的“唯我獨興”，這種做法稱為“勝者為王”（Winner－Take－All，WTA）.競爭學(xué)習(xí)規(guī)則就是從神經(jīng)細胞的側(cè)抑制現(xiàn)象獲得的.它的學(xué)習(xí)步驟為.

1.1 向量歸一化

對自組織網(wǎng)絡(luò)中的當(dāng)前輸入模式向量X、競爭層中各神經(jīng)元對應(yīng)的內(nèi)星權(quán)向量Wj（j＝1，2，｜…，m），全部進行歸一化處理，得到

式中：X為模式向量X的歸一化向量為內(nèi)星權(quán)向量Wj的歸一化向量；j為神經(jīng)元結(jié)點，j＝1，2，…，m.

1.2 網(wǎng)絡(luò)輸出與權(quán)調(diào)整

按WTA學(xué)習(xí)法則，獲勝神經(jīng)元輸出為“1”，其余為0.即

式中：yj為神經(jīng)元結(jié)點j的值；t為迭代次數(shù)；j＊為獲勝神經(jīng)元.

只有獲勝神經(jīng)元才有權(quán)調(diào)整其權(quán)量.

式中：Wj（i）為競爭層中j神經(jīng)元迭代i次時對應(yīng)的內(nèi)星權(quán)向量，i＝0，1，2，…，t，t＋1，…；ΔWj為獲勝神經(jīng)元的調(diào)整權(quán)量向量；α為學(xué)習(xí)率.

其權(quán)向量學(xué)習(xí)調(diào)整如下：

學(xué)習(xí)率α的取值范圍為0＜α≤1，α一般隨著學(xué)習(xí)的進展而減小，即調(diào)整的程度越來越小，趨于聚類中心.

1.3 重新歸一化處理

歸一化后的權(quán)向量經(jīng)過調(diào)整后，得到的新向量不再是單位向量，因此要對學(xué)習(xí)調(diào)整后的向量重新進行歸一化，循環(huán)運算，直到學(xué)習(xí)率α衰減到0.

2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)原理

BP神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法.其由輸入層、中間層、輸出層組成的階層型神經(jīng)網(wǎng)絡(luò)，中間層可擴展為多層.相鄰層之間各神經(jīng)元進行全連接，而每層各神經(jīng)元之間無連接，網(wǎng)絡(luò)按有教師示教的方式進行學(xué)習(xí)，當(dāng)一對學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值.然后按減小希望輸出與實際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，回到輸入層.此過程反復(fù)交替進行，直至網(wǎng)絡(luò)的全局誤差趨向給定的極小值，即完成學(xué)習(xí)的過程.

BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播神經(jīng)網(wǎng)絡(luò)的簡稱，它由一個輸入層，一個或多個隱含層和一個輸出層構(gòu)成，每一次由一定數(shù)量的的神經(jīng)元構(gòu)成.這些神經(jīng)元如同人的神經(jīng)細胞一樣是互相關(guān)聯(lián)的.其結(jié)構(gòu)如圖1所示.

生物神經(jīng)元信號的傳遞是通過突觸進行的一個復(fù)雜的電化學(xué)過程，在人工神經(jīng)網(wǎng)絡(luò)中是將其簡化模擬成一組數(shù)字信號通過一定的學(xué)習(xí)規(guī)則而不斷變動更新的過程，這組數(shù)字儲存在神經(jīng)元之間的連接權(quán)重中.網(wǎng)絡(luò)的輸入層模擬的是神經(jīng)系統(tǒng)中的感覺神經(jīng)元，它接收輸入樣本信號.輸入信號經(jīng)輸入層輸入，通過隱含層的復(fù)雜計算由輸出層輸出.輸出信號與期望輸出相比較，若有誤差，再將誤差信號反向由輸出層通過隱含層處理后向輸入層傳播.在這個過程中，誤差通過梯度下降算法，分攤給各層的所有單元，從而獲得各單元的誤差信號，以此誤差信號為依據(jù)修正各單元權(quán)值，網(wǎng)絡(luò)權(quán)值因此被重新分布.此過程完成后，輸入信號再次由輸入層輸入網(wǎng)絡(luò)，重復(fù)上述過程.這種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程周而復(fù)始地進行著，直到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或進行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止.權(quán)值不斷調(diào)整的過程就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程［6］.

圖1 BP神經(jīng)網(wǎng)絡(luò)模型Fig.1 BP neural network model

3 SOM－BP集成神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)集成可分為串聯(lián)和并聯(lián)兩種方式，結(jié)合以上SOM和BP兩種網(wǎng)絡(luò)在故障診斷中的特點，本研究采用兩者串聯(lián)方式來實現(xiàn)故障診斷.在網(wǎng)絡(luò)仿真試驗中，把SOM網(wǎng)絡(luò)稱為初級網(wǎng)絡(luò)，BP網(wǎng)絡(luò)稱為次級網(wǎng)絡(luò).構(gòu)建SOM－BP集成網(wǎng)絡(luò)的基本思想為：SOM網(wǎng)絡(luò)采用無教師學(xué)習(xí)的自學(xué)習(xí)方式，無須在訓(xùn)練或?qū)W習(xí)過程中預(yù)先指明這個訓(xùn)練輸入矢量的所屬類別，當(dāng)輸入某一類別的矢量時，網(wǎng)絡(luò)的輸出端將會輸出相應(yīng)值，根據(jù)最大值的輸出端判定故障類型，有效地克服了容差因素對故障定位的影響，實現(xiàn)了故障類型的準確定位.因此SOM網(wǎng)絡(luò)無需大量的學(xué)習(xí)樣本，這正好彌補了BP網(wǎng)絡(luò)學(xué)習(xí)需要大量樣本的缺陷.由于SOM網(wǎng)絡(luò)采用“獲勝的神經(jīng)元對其鄰近神經(jīng)元的影響由近及遠、由興奮逐漸變?yōu)橐种啤边@樣的算法，所以，通過仿真試驗，將SOM網(wǎng)絡(luò)競爭得勝的神經(jīng)元位置作為BP網(wǎng)絡(luò)的輸入，而BP網(wǎng)絡(luò)在障診斷中能體現(xiàn)出故障程度，所以將SOM，BP二者結(jié)合起來，優(yōu)勢互補，是一種可行的診斷方法［7］.

4 利用SOM－BP神經(jīng)網(wǎng)絡(luò)進行柴油機燃油系統(tǒng)多故障診斷

燃油系統(tǒng)常見的故障有供油量不足，針閥卡死導(dǎo)致油孔堵塞、針閥泄漏、出油閥失效等幾種故障.本文診斷的故障也是基于這幾種故障，主要有100%供油量（正常情況 T1）、75%供油量（T2）、25%供油量（T3）、怠速油量（T4）、針閥卡死（小油量T5）、針閥卡死（標定油量T6）、針閥泄漏（T7）、出油閥失效（T8）等8種故障.對輸入的數(shù)據(jù)進行歸一化處理.

設(shè)X為一組數(shù)據(jù)中的一個元素，對其做如下處理：

式中：Xmin為這組數(shù)據(jù)中的最小元素；Xmax為這組數(shù)據(jù)中的最大元素；X′為處理后的所得值.

將經(jīng)過處理的X′作為網(wǎng)絡(luò)輸入數(shù)據(jù)，將每組數(shù)據(jù)都做歸一化處理，同時也對數(shù)據(jù)進行了無量綱化處理，故障樣本如表1所示，檢驗數(shù)據(jù)如表2所示.

表1 故障樣本Tab.1 Fault samples

表2 檢驗數(shù)據(jù)Tab.2 Inspect data

初級網(wǎng)絡(luò)SOM（net1）輸入層神經(jīng)元個數(shù)為參數(shù)維數(shù)8，競爭層選用6＊6的結(jié)構(gòu)，通過仿真試驗，證明競爭層結(jié)構(gòu)選用得當(dāng).主要程序如下：

net1＝newsom（minmax（P1），［6 6］）；

net1＝train（net1，P1）.

SOM網(wǎng)絡(luò)的一個典型特性就是可以在一個二維的處理單元陣列上形成對輸入信號的特征拓撲分布，因此在集成網(wǎng)絡(luò)中，SOM網(wǎng)絡(luò)又可看成特征提取網(wǎng)絡(luò)，數(shù)據(jù)經(jīng)過初級網(wǎng)絡(luò)后，對故障模式的聚類結(jié)果見表3.

表3 SOM網(wǎng)絡(luò)仿真聚類結(jié)果Tab.3 SOM network simulation clustering results

將表3中故障模式競爭獲勝的神經(jīng)元的位置作為BP網(wǎng)絡(luò)的輸入，并歸一化處理，見表4.

次級BP網(wǎng)絡(luò)主程序如下：

net2＝newff（PR，［10 8］，｛’tansig’，’logsig’｝）；

net2.trainparam.epochs＝1000；

net.trainpsram.goal＝0.05；

net2.train（net2，P2，T）；

表4 診斷結(jié)果數(shù)字表示Tab.4 Diagnostic results numbers indicate

網(wǎng)絡(luò)仿真結(jié)果如圖2所示，由此曲線可以看出，網(wǎng)絡(luò)訓(xùn)練步驟少，訓(xùn)練度小，精度高.

圖2 網(wǎng)絡(luò)仿真結(jié)果Fig.2 Network simulation results

5 結(jié)論

提出了SOM－BP網(wǎng)絡(luò)診斷模型，并通過仿真試驗證明了此網(wǎng)絡(luò)在機械故障診斷中的正確性和精確性，此網(wǎng)絡(luò)避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在柴油機故障診斷中需要大量樣本或需高度訓(xùn)練的現(xiàn)象，具有一定的工程應(yīng)用價值.

［1］DOKAS I M，KARRAS D A，PANAGIOTAKOPOULOS D C.Fault tree analysis and fuzzy expert systems：early warning and emergency response of landfill operations［J］.Environmental Modeling and Software，2008，24（1）：8－25.

［2］李晗，蕭德云.基于數(shù)據(jù)驅(qū)動的故障診斷方法綜述［J］.控制與決策，2011，26（1）：1－9.LI Han，XIAO Deyun.Survey on data driven fault diagnosis methods［J］.Control and Decision，2011，26（1）：1－9.

［3］BAGHERI F，KHALOOZADED H，ABBASZADEH K.Stator fault detection in induction machines by parameter estimation using adaptive kalman filter［C］∥Proc of 27Mediterranean Conf on Control and Automation，Piscataway：IEEE，2007：1－6.

［4］飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實現(xiàn)［M］.北京：電子工業(yè)出版社，2006.Fly Synopsys R ＆ D Center.Neural network theory and realization of MATLAB7 ［M］.Beijing：Electronic Industry Press，2010.

［5］朱凱，王正林.精通 MATLAB神經(jīng)網(wǎng)絡(luò)［M］.北京：電子工業(yè)出版社，2010.ZHU Kai.Proficient in MATLAB neural network［M］.Beijing：Electronic Industry Press，2010.

［6］陳廷明，袁丁連.基于模糊模式識別法診斷船艇柴油機燃油系統(tǒng)故障［J］.機電工程技術(shù)，2004，33（12）：45－47.CHEN Tingming，YUAN Dinglian.Diagnose faults in fuel injection system of watercraft based on fuzzy and pattern recognition ［J］.Mechanical ＆ Electrical Engineering Technology，2004，33（12）：45－47.

［7］馬旭凱，谷立臣，李世龍.基于SOM神經(jīng)網(wǎng)絡(luò)的柴油機燃油系統(tǒng)故障診斷［J］.柴油機設(shè)計與制造，2008，4（15）：31－34.MA Xukai，GU Lichen，LI Shilong.Diagnosis of diesel engine fuel system based on SOM neural network ［J］.Design ＆ Manufacture of Diesel Engine，2008，4（15）：31－34.