明 陽(yáng)，周 俊

(1.中航商用航空發(fā)動(dòng)機(jī)有限責(zé)任公司，上海 200241；2.華中科技大學(xué) 能源與動(dòng)力工程學(xué)院，武漢 430074)

基于鄰域粗糙集和并行神經(jīng)網(wǎng)絡(luò)的故障診斷

明 陽(yáng)1，周 俊2

(1.中航商用航空發(fā)動(dòng)機(jī)有限責(zé)任公司，上海 200241；2.華中科技大學(xué) 能源與動(dòng)力工程學(xué)院，武漢 430074)

針對(duì)目前使用神經(jīng)網(wǎng)絡(luò)診斷故障時(shí)出現(xiàn)的輸入向量選擇困難、網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、對(duì)并發(fā)故障診斷效果不好等問(wèn)題，提出了基于鄰域粗糙集和并行神經(jīng)網(wǎng)絡(luò)的故障診斷方法；先利用鄰域粗糙集對(duì)初始征兆進(jìn)行約簡(jiǎn)，留下有價(jià)值的征兆作為神經(jīng)網(wǎng)絡(luò)的輸入向量，然后針對(duì)每種故障類型設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)；用多個(gè)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)來(lái)并行診斷故障，綜合每個(gè)神經(jīng)網(wǎng)絡(luò)的結(jié)果給出最終的診斷結(jié)論；用轉(zhuǎn)子實(shí)驗(yàn)臺(tái)的實(shí)驗(yàn)數(shù)據(jù)對(duì)這種故障診斷方法進(jìn)行驗(yàn)證，結(jié)果顯示該方法能優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，且神經(jīng)網(wǎng)絡(luò)具有訓(xùn)練速度快、診斷正確率高的特點(diǎn)。

故障診斷；鄰域粗糙集；神經(jīng)網(wǎng)絡(luò)；并行網(wǎng)絡(luò)結(jié)構(gòu)

0 引言

隨著現(xiàn)代科學(xué)技術(shù)水平的日益提高，旋轉(zhuǎn)機(jī)械的規(guī)模和復(fù)雜程度也在迅速增加，其安全性和可靠性問(wèn)題越來(lái)越突出，安全保障已經(jīng)逐漸成為系統(tǒng)運(yùn)行的一個(gè)重要組成部分。同時(shí)，故障診斷技術(shù)也呈現(xiàn)出更寬泛、更深入和更有效的發(fā)展態(tài)勢(shì)。

目前，神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)廣泛應(yīng)用在故障診斷領(lǐng)域，并取得了很好的效果，但同時(shí)也存在著不少問(wèn)題。大型復(fù)雜旋轉(zhuǎn)機(jī)械有著故障類型多、信號(hào)來(lái)源多、信號(hào)特征多等特點(diǎn)，由于診斷每種故障所需要的征兆通常不一樣，造成神經(jīng)網(wǎng)絡(luò)的輸入特征向量選取困難，同時(shí)為了有效診斷故障一般需要提取大量的故障征兆，但其中有些征兆可能是冗余的，直接作為神經(jīng)網(wǎng)絡(luò)的輸入向量會(huì)造成網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、網(wǎng)絡(luò)收斂速度慢等問(wèn)題。另外單個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)并發(fā)故障的診斷效果也不好。

鄰域粗糙集是一種屬性約簡(jiǎn)方法，是針對(duì)經(jīng)典粗糙集的改進(jìn)，可以直接對(duì)連續(xù)型數(shù)值屬性進(jìn)行約簡(jiǎn)。針對(duì)神經(jīng)網(wǎng)絡(luò)在故障診斷中出現(xiàn)的以上問(wèn)題，本文提出了基于鄰域粗糙集和并行神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷方法。首先利用鄰域粗糙集對(duì)提取的征兆進(jìn)行約簡(jiǎn)得到有價(jià)值的征兆作為神經(jīng)網(wǎng)絡(luò)的輸入向量，解決神經(jīng)網(wǎng)絡(luò)輸入向量選取困難的問(wèn)題。然后針對(duì)每種故障類型設(shè)計(jì)一個(gè)診斷神經(jīng)網(wǎng)絡(luò)，用訓(xùn)練好的多個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)并行診斷故障。最后綜合每個(gè)神經(jīng)網(wǎng)絡(luò)的結(jié)果給出最終的診斷結(jié)論。本文用轉(zhuǎn)子實(shí)驗(yàn)臺(tái)模擬幾種常見(jiàn)的故障用于驗(yàn)證該方法的診斷效果。

1 神經(jīng)網(wǎng)絡(luò)及其在故障診斷中的弊端

神經(jīng)網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜構(gòu)造，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)(神經(jīng)元)之間相互連接的關(guān)系，得到輸入和輸出之間的映射關(guān)系，從而達(dá)到信息處理的目的[1]。BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前使用最廣泛的神經(jīng)網(wǎng)絡(luò)之一，本文以BP神經(jīng)網(wǎng)絡(luò)為例進(jìn)行方法論述。

BP神經(jīng)網(wǎng)絡(luò)有一個(gè)很重要的定理：對(duì)于任何閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用單隱含層的BP網(wǎng)絡(luò)逼近，一個(gè)三層BP網(wǎng)絡(luò)就可以完成任意n維到m維的映射。典型3層BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 典型3層BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

在上圖中，X1，X2，…，Xn是BP神經(jīng)網(wǎng)絡(luò)輸入向量的值，Y1，…，Ym是BP神經(jīng)網(wǎng)絡(luò)輸出向量的值，ωij和ωjk為BP網(wǎng)絡(luò)的權(quán)值。BP神經(jīng)網(wǎng)絡(luò)可以看作一個(gè)非線性函數(shù)，完成n維輸入到m維輸出的非線性映射。

旋轉(zhuǎn)機(jī)械發(fā)生不同故障時(shí)，相應(yīng)的故障征兆也將發(fā)生變化。故障類型與故障征兆之間存在著某種函數(shù)關(guān)系，一般來(lái)說(shuō)，這種關(guān)系是非線性的。故障診斷是典型的模式識(shí)別問(wèn)題，神經(jīng)網(wǎng)絡(luò)是一種很好的模式識(shí)別方法，通過(guò)訓(xùn)練可以得到故障征兆與故障類型之間的映射關(guān)系，然后用訓(xùn)練好的網(wǎng)絡(luò)來(lái)進(jìn)行故障診斷。

目前使用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時(shí)會(huì)出現(xiàn)以下幾個(gè)弊端。

1)輸入向量選擇困難：為了監(jiān)測(cè)設(shè)備的運(yùn)行狀態(tài)，通常會(huì)在設(shè)備上布置很多傳感器獲取設(shè)備的信號(hào)數(shù)據(jù)，分析后得到設(shè)備運(yùn)行狀態(tài)征兆。對(duì)于故障模式多的大型復(fù)雜旋轉(zhuǎn)機(jī)械，由于診斷每種故障所需要的征兆通常不一樣，造成輸入向量選擇困難。目前神經(jīng)網(wǎng)絡(luò)的輸入向量基本是依照經(jīng)驗(yàn)人為選定的，輸入向量選擇的好壞對(duì)故障診斷效果的影響很大。

2)選擇的征兆有冗余：神經(jīng)網(wǎng)絡(luò)輸入向量的維數(shù)是固定的，為了有效診斷故障一般需要提取大量的故障征兆，但其中有些征兆可能是冗余的，直接作為神經(jīng)網(wǎng)絡(luò)的輸入向量會(huì)造成網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、網(wǎng)絡(luò)收斂速度慢等問(wèn)題。

3)對(duì)并發(fā)故障診斷效果差：設(shè)備運(yùn)行時(shí)經(jīng)常會(huì)出現(xiàn)并發(fā)故障，由于我們基本上不會(huì)用并發(fā)故障的樣本來(lái)訓(xùn)練網(wǎng)絡(luò)，在出現(xiàn)并發(fā)故障的情況下很容易誤診。

2 基于鄰域粗糙集的屬性約簡(jiǎn)

Pawlak教授于1982年提出了粗糙集(Rough sets)理論[2]，這是繼概率論、模糊集、證據(jù)理論之后的又一個(gè)處理不確定性的數(shù)學(xué)工具，可以對(duì)數(shù)據(jù)進(jìn)行分析和推理，從中發(fā)現(xiàn)隱含的知識(shí)，揭示潛在的規(guī)律。但是粗糙集定義在經(jīng)典的等價(jià)關(guān)系和等價(jià)類基礎(chǔ)上，只適合處理離散型屬性，對(duì)于現(xiàn)實(shí)應(yīng)用中廣泛存在的連續(xù)型數(shù)值屬性卻不能直接處理。研究人員在利用粗糙集來(lái)處理該類數(shù)據(jù)時(shí)，往往要先采用離散化算法把連續(xù)型數(shù)值屬性離散化，但這一轉(zhuǎn)換不可避免地帶來(lái)了信息損失，會(huì)改變數(shù)據(jù)原始的屬性性質(zhì)，而且計(jì)算處理的結(jié)果在很大程度上取決于離散化的效果。

為了解決經(jīng)典粗糙集不便于處理連續(xù)型數(shù)值屬性的問(wèn)題，胡清華在2008年提出了鄰域粗糙集的數(shù)值約簡(jiǎn)方法，這種方法不需要對(duì)連續(xù)的數(shù)值變量進(jìn)行離散即可對(duì)屬性進(jìn)行約簡(jiǎn)[3]。此后鄰域粗糙集被用于特征選擇[4-5]、數(shù)據(jù)分類[6-7]、故障診斷[8-9]等領(lǐng)域。

鄰域粗糙集的鄰域概念是根據(jù)在某一度量上中心點(diǎn)到邊界的最大距離進(jìn)行定義的，給定實(shí)數(shù)空間上的非空有限集合U={x1，x2，…，xn}，對(duì)于U上的任意對(duì)象xi，定義其δ-鄰域?yàn)?

(1)

其中:Δ(x,xi)為x到xi的距離，δ(xi)稱為由xi生成的δ鄰域信息粒子。

故障診斷問(wèn)題是具有條件屬性和決策屬性的信息系統(tǒng)，也稱為決策表，用T=(U,C∪D)表示，其中U是對(duì)象的非空有限集合，稱為論域，即所有的樣本；條件屬性集C和決策屬性集D組成屬性的非空有限集合。一般來(lái)說(shuō)決策表中的所有條件屬性對(duì)于決策而言并非同等重要，甚至有的屬性是冗余的，去除冗余屬性并不會(huì)影響決策結(jié)論的推導(dǎo)。

決策屬性D將U劃分為N個(gè)等價(jià)類：X1，X2，…，XN，?B?C，定義決策屬性D關(guān)于B的下近似為:

(2)

其中:B_Xi={Xi}δB(xi)?X,xi∈U},δB(xi)是由屬性B和距離Δ生成的鄰域信息粒子。

決策屬性D的下近似也稱為決策正域，記為POSB(D)。定義決策屬性D對(duì)條件屬性B的依賴性為:

(3)

0≤γB(D)≤1，顯然，正域越大，決策屬性D對(duì)條件屬性B的依賴性越強(qiáng)。γB(D)是單調(diào)的，如果B1?B2?…?CB1?…?CB1?B1?…?C，則γB1(D)≤γB2(D)≤γC(D)。

對(duì)于B?C，如果B滿足以下條件(1)?α∈B，γB-α(D)<γB(D)；(2)γB(D)=γC(D)。則稱B為C的一個(gè)約簡(jiǎn)。與經(jīng)典粗糙集一樣，約簡(jiǎn)并不是唯一的。為了快速找到合適的約簡(jiǎn)，胡清華提出了前向貪心約簡(jiǎn)算法[10]，該算法以條件屬性在決策系統(tǒng)中的重要程度為提取標(biāo)準(zhǔn)。依賴性定義了條件屬性對(duì)分類的貢獻(xiàn)，可以作為屬性重要度的評(píng)價(jià)指標(biāo)。該算法以空集為起點(diǎn)，每次計(jì)算全部剩余屬性的屬性重要度，從中選擇屬性重要度值最大的屬性加入約簡(jiǎn)集合中，直到所有剩余屬性的重要度為0，即加入任何新的屬性，系統(tǒng)的依賴性函數(shù)值不再發(fā)生變化為止。這種算法能夠確保重要的屬性首先被加入到約簡(jiǎn)中，從而不損失重要的特征。

3 鄰域粗糙集與并行神經(jīng)網(wǎng)絡(luò)結(jié)合

在設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)時(shí)，我們希望盡量減少輸入向量維數(shù)的同時(shí)能夠達(dá)到較好的故障診斷效果。鄰域粗糙集通過(guò)挖掘數(shù)據(jù)間的關(guān)系，可以去掉冗余的信息。將鄰域粗糙集與神經(jīng)網(wǎng)絡(luò)結(jié)合，可以簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)的輸入向量。另外為了解決單個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)旋轉(zhuǎn)機(jī)械并發(fā)故障診斷效果不好的問(wèn)題，分為多個(gè)小型神經(jīng)網(wǎng)絡(luò)來(lái)并行診斷故障，一個(gè)神經(jīng)網(wǎng)絡(luò)診斷一種故障。

基于鄰域粗糙集和并行神經(jīng)網(wǎng)絡(luò)的故障診斷方法的步驟如下：

(1)確定所需要診斷的故障類型，通過(guò)大量實(shí)驗(yàn)得到各故障狀態(tài)下的原始樣本數(shù)據(jù)，利用各類信號(hào)特征提取方法提取原始樣本信號(hào)的特征。可以將故障類型差別大的分開(kāi)處理，例如將轉(zhuǎn)子系統(tǒng)故障、軸承故障和齒輪故障分開(kāi)，分別提取對(duì)故障敏感的特征量，形成多個(gè)初始決策表，然后分別進(jìn)行下面的步驟。

(2)用鄰域粗糙集對(duì)初始決策表進(jìn)行屬性約簡(jiǎn)，得到約簡(jiǎn)后的決策表。

(3)按照下面的方法設(shè)計(jì)并行神經(jīng)網(wǎng)絡(luò)

輸入層：根據(jù)約簡(jiǎn)后剩余的屬性確定輸入向量，輸入維數(shù)為N。設(shè)第i個(gè)神經(jīng)網(wǎng)絡(luò)的輸入向量有n個(gè)特征參數(shù)，則這個(gè)神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)個(gè)數(shù)為n。

輸出層：輸出層只有一個(gè)節(jié)點(diǎn)(L=1)，對(duì)應(yīng)這個(gè)神經(jīng)網(wǎng)絡(luò)診斷的故障模式。

(4)用約簡(jiǎn)后的決策表訓(xùn)練神經(jīng)網(wǎng)絡(luò)，每個(gè)神經(jīng)網(wǎng)絡(luò)單獨(dú)訓(xùn)練。為了消除各個(gè)屬性之間的數(shù)量級(jí)和量綱的差異，輸入神經(jīng)網(wǎng)絡(luò)之前要進(jìn)行歸一化處理。將該故障模式的典型樣本和非該故障模式的典型樣本輸入神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，用當(dāng)前故障模式的樣本訓(xùn)練對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)時(shí)輸出為1，其他的樣本訓(xùn)練時(shí)輸出為0。

(5)故障診斷時(shí)，可以根據(jù)需求將診斷樣本同時(shí)輸入到所有或者個(gè)別神經(jīng)網(wǎng)絡(luò)中得到輸出，然后根據(jù)各個(gè)神經(jīng)網(wǎng)絡(luò)的結(jié)果得出最終的診斷結(jié)論。若某個(gè)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果大于設(shè)定的閾值時(shí)(比如可以設(shè)定閾值為0.7)，判斷設(shè)備出現(xiàn)了這個(gè)故障。如果某幾個(gè)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果都大于設(shè)定的閾值，則設(shè)備可能同時(shí)出現(xiàn)了這幾種故障。在某些情況下，如果所有的神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果都小于某個(gè)閾值，則可以認(rèn)定設(shè)備沒(méi)有發(fā)生故障。

圖2 基于鄰域粗糙集的屬性約簡(jiǎn)與神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟圖

傳感器安裝在旋轉(zhuǎn)機(jī)械設(shè)備上，通過(guò)采集器采集傳感器的數(shù)據(jù)，然后利用信號(hào)特征提取方法提取所需要的信號(hào)特征。并行神經(jīng)網(wǎng)絡(luò)故障診斷的原理示意圖如圖3所示。

圖3 并行神經(jīng)網(wǎng)絡(luò)故障診斷原理示意圖

4 診斷效果驗(yàn)證

用轉(zhuǎn)子實(shí)驗(yàn)臺(tái)模擬不平衡、支座松動(dòng)和不對(duì)中3種不同的轉(zhuǎn)子系統(tǒng)故障。在實(shí)驗(yàn)臺(tái)上布置5個(gè)電渦流傳感器測(cè)轉(zhuǎn)子軸的徑向振動(dòng)，傳感器的布置如圖4所示。

圖4 轉(zhuǎn)子實(shí)驗(yàn)臺(tái)布置示意圖

實(shí)驗(yàn)臺(tái)模擬實(shí)際工作中的升降速過(guò)程，并且在轉(zhuǎn)速為3000 RPM左右時(shí)穩(wěn)定工作一段時(shí)間，每種故障狀態(tài)下做4次實(shí)驗(yàn)，每次實(shí)驗(yàn)采集50組振動(dòng)波形與轉(zhuǎn)速數(shù)據(jù)，總共得到600組振動(dòng)波形與轉(zhuǎn)速數(shù)據(jù)。

選取一些對(duì)轉(zhuǎn)子系統(tǒng)故障敏感的特征量進(jìn)行分析。有效值可以表征振動(dòng)波形的能量，并隨著轉(zhuǎn)速的增加而增大，為了體現(xiàn)故障的內(nèi)在特征，取有效值與轉(zhuǎn)頻的比值。波形指標(biāo)表示實(shí)際波形與標(biāo)準(zhǔn)正弦波的差異和畸變，可以用于低頻領(lǐng)域的不平衡和不對(duì)中的區(qū)分。與轉(zhuǎn)子系統(tǒng)故障相關(guān)的頻率特征點(diǎn)一般在3倍頻以下，可以取1倍頻到3倍頻的幅值，同時(shí)為了更好地體現(xiàn)這3個(gè)頻率點(diǎn)幅值之間的大小關(guān)系，取這3個(gè)頻率點(diǎn)幅值與這三個(gè)幅值中的最大值的比值。小波分析是一種新型的時(shí)頻分析方法，對(duì)信號(hào)進(jìn)行連續(xù)小波變換后得到的小波系數(shù)可以作出小波灰度圖，小波一階灰度矩[11]是小波灰度圖的矩特征，由于不同類別故障的小波灰度圖表現(xiàn)出一定的差異，所以可以用小波一階灰度矩進(jìn)行故障識(shí)別。這樣每個(gè)傳感器的數(shù)據(jù)提取6個(gè)特征量再加上實(shí)驗(yàn)臺(tái)的轉(zhuǎn)頻(單位為Hz)作為最初的條件屬性，故障類型作為決策屬性，得到擁有600個(gè)樣本的初始決策表。

用鄰域粗糙集對(duì)初始決策表進(jìn)行屬性約簡(jiǎn)，將冗余的屬性約簡(jiǎn)掉，剩余的屬性為實(shí)驗(yàn)臺(tái)的轉(zhuǎn)頻和其他15個(gè)屬性，被約簡(jiǎn)的屬性用“——”標(biāo)識(shí)出來(lái)，如表1所示。將初始決策表中的冗余屬性去除，得到約簡(jiǎn)后的決策表。

表1 被約簡(jiǎn)的屬性

利用Matlab設(shè)計(jì)3個(gè)BP神經(jīng)網(wǎng)絡(luò)分別診斷不平衡故障、支座松動(dòng)故障和不對(duì)中故障。選擇三層網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)每個(gè)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)做統(tǒng)一設(shè)定[12]，隱含層神經(jīng)元的傳遞函數(shù)采用正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)logsig，滿足輸出模式為0-1的要求。輸入層神經(jīng)元個(gè)數(shù)為16個(gè)，隱含層節(jié)點(diǎn)數(shù)的選擇參考公式(1)選為14個(gè)。網(wǎng)絡(luò)的結(jié)構(gòu)如圖5所示。

圖5 并行BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

從約簡(jiǎn)后的決策表中選取每種故障的150組樣本作為網(wǎng)絡(luò)的訓(xùn)練樣本，另外每種故障的50組樣本作為網(wǎng)絡(luò)的測(cè)試樣本。首先用訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后對(duì)訓(xùn)練好的網(wǎng)絡(luò)用測(cè)試樣本進(jìn)行測(cè)試。

輸入神經(jīng)網(wǎng)絡(luò)之前對(duì)數(shù)據(jù)進(jìn)行了歸一化處理使輸入向量的范圍在-1～1之間。用相應(yīng)的故障樣本訓(xùn)練相應(yīng)的網(wǎng)絡(luò)時(shí)輸出為1，其他故障樣本訓(xùn)練時(shí)輸出為0。神經(jīng)網(wǎng)絡(luò)訓(xùn)練達(dá)到要求后，用測(cè)試數(shù)據(jù)分別輸入到這3個(gè)BP神經(jīng)網(wǎng)絡(luò)中得到的測(cè)試結(jié)果如表2所示。

表2 分3個(gè)BP神經(jīng)網(wǎng)絡(luò)并行處理結(jié)果

可以看到每個(gè)網(wǎng)絡(luò)診斷對(duì)應(yīng)的故障時(shí)平均輸出結(jié)果都接近于1。同樣設(shè)置某個(gè)診斷網(wǎng)絡(luò)的輸出結(jié)果大于0.7時(shí)判斷發(fā)生了這個(gè)故障，結(jié)果顯示故障診斷正確率為100%。

從以上的結(jié)果可以至少得出以下三個(gè)結(jié)論：(1)根據(jù)經(jīng)過(guò)鄰域粗糙集約簡(jiǎn)后得到的屬性設(shè)計(jì)并行神經(jīng)網(wǎng)絡(luò)可以優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；(2)由于神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)數(shù)變少，網(wǎng)絡(luò)的訓(xùn)練速度會(huì)變快；(3)同時(shí)還能保障故障診斷的正確率。

5 結(jié)語(yǔ)

大型復(fù)雜旋轉(zhuǎn)機(jī)械有著故障類型多、信號(hào)來(lái)源多、信號(hào)特征多等特點(diǎn)，使用神經(jīng)網(wǎng)絡(luò)診斷故障時(shí)，會(huì)出現(xiàn)神經(jīng)網(wǎng)絡(luò)輸入向量確定困難、網(wǎng)絡(luò)結(jié)果復(fù)雜、對(duì)設(shè)備并發(fā)故障容易出現(xiàn)誤診等問(wèn)題，使用本文提出的基于鄰域粗糙集和并行神經(jīng)網(wǎng)絡(luò)的故障診斷方法能很好地解決這些問(wèn)題。在Matlab中以BP神經(jīng)網(wǎng)絡(luò)為例設(shè)計(jì)多個(gè)并行神經(jīng)網(wǎng)絡(luò)對(duì)轉(zhuǎn)子實(shí)驗(yàn)臺(tái)模擬的故障進(jìn)行診斷，結(jié)果顯示根據(jù)經(jīng)過(guò)鄰域粗糙集約簡(jiǎn)后得到的屬性設(shè)計(jì)并行神經(jīng)網(wǎng)絡(luò)可以優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度快且能保障故障診斷的正確率。在實(shí)際大型復(fù)雜旋轉(zhuǎn)機(jī)械的故障診斷中，此方法將會(huì)有極大的應(yīng)用價(jià)值。

[1] 史忠植. 神經(jīng)網(wǎng)絡(luò)[M]. 北京：高等教育出版社，2009.

[2] Pawlak Z. Rough Sets—Theoretical Aspects of Reasoning about Data[Z]. Dordrecht: Kluwer Academic, 1991.

[3] 胡清華, 于達(dá)仁, 謝宗霞. 基于鄰域粒化和粗糙逼近的數(shù)值屬性約簡(jiǎn)[J]. 軟件學(xué)報(bào). 2008, 19:640-649.

[4] 謝娟英,李 楠,喬子芮. 基于鄰域粗糙集的不完整決策系統(tǒng)特征選擇算法[J]. 南京大學(xué)學(xué)報(bào)(自然科學(xué)版),2011(4):383-390.

[5] 段 潔,胡清華,張靈均,等. 基于鄰域粗糙集的多標(biāo)記分類特征選擇算法[J]. 計(jì)算機(jī)研究與發(fā)展,2015(1):56-65.

[6] 韓 虎,黨建武,任恩恩. 基于鄰域粗糙集的支持向量機(jī)分類方法研究[J]. 計(jì)算機(jī)科學(xué),2010(2):229-231+285.

[7] 劉 瀟. 基于鄰域粗糙集和超網(wǎng)絡(luò)的不平衡數(shù)據(jù)分類方法研究[D].重慶:重慶郵電大學(xué),2015.

[8] 崔建國(guó),宋博翰,董世良,等. 基于鄰域粗糙集的航空發(fā)電機(jī)健康診斷方法[J]. 數(shù)據(jù)采集與處理,2012(1):80-84.

[9] 瞿金秀,張周鎖,何正嘉. 基于多小波包和鄰域粗糙集的故障診斷模型[J]. 振動(dòng)測(cè)試與診斷,2013(S1):137-140.

[10] 胡清華, 趙 輝, 于達(dá)仁. 基于鄰域粗糙集的符號(hào)與數(shù)值屬性快速約簡(jiǎn)算法[J]. 模式識(shí)別與人工智能, 2008, 21(6):732-738.

[11] 張燕平. 汽輪機(jī)軸系振動(dòng)故障診斷中的信息融合方法研究[D].武漢：華中科技大學(xué),2006.

[12] 周 品. MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用[M]. 北京：清華大學(xué)出版社，2013.

A Fault Diagnosis Method Based on Neighborhood Rough Sets and Parallel Neural Networks

Ming Yang1, Zhou Jun2

(1.AVIC Commercial Aircraft Engine Co.,Ltd., Shanghai 200241,China;2.School of Energy and Power Engineering, Huazhong University of Science and Technology, Wuhan 430074, China)

Using neural network to diagnose the faults may occur the problems such as difficult selection of input vector, complex structure of network and ineffective for simultaneous fault diagnosis. For that reason, this paper proposes a fault diagnosis method based on neighborhood rough sets and parallel neural networks. We first use neighborhood rough sets to reduce the initial signs. The remaining valuable signs will be used as the input vector of neural network. Then we design neural networks for each type of fault. We use the trained neural networks to diagnose the faults in parallel and give the final diagnosis conclusion according to the results of each network. We have tested the method by using the experimental data of rotor test stand and found that this method can optimize the structure of neural network and the networks need less training time and can ensure the accuracy of fault diagnosis.

fault diagnosis; neighborhood rough sets; neural network; parallel networks

2016-01-13；

2016-02-26。

明 陽(yáng)(1983-)，女，博士，主要從事旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)采集、分析處理，與振動(dòng)故障診斷方向的研究。

1671-4598(2016)07-0042-03

10.16526/j.cnki.11-4762/tp.2016.07.012

TH165.3 文獻(xiàn)標(biāo)識(shí)碼：A