人工神經(jīng)網(wǎng)絡(luò)是近年來發(fā)展迅速，廣泛地應(yīng)用于各個領(lǐng)域，包括航天，自動控制，金融，電子，制造，醫(yī)藥等多個行業(yè)，已經(jīng)有許多成功的先例，并展示了更為廣闊的應(yīng)用前景?；谏窠?jīng)網(wǎng)絡(luò)的故障診斷不需要建立精確的數(shù)學(xué)模型，可以處理非線性問題，具有并行計算能力，不需要診斷和推理規(guī)則，它通過一組樣本的輸入與輸出之間的映射關(guān)系進(jìn)行按照設(shè)定的準(zhǔn)則可以自學(xué)習(xí)。

01

運用于故障診斷中的一般神經(jīng)網(wǎng)絡(luò)

目前，非線性系統(tǒng)的故障診斷與容錯的方法的研究，是目前研究的熱點和難點。神經(jīng)網(wǎng)絡(luò)以分布的方式存儲信息，通過神經(jīng)元之間拓?fù)浣Y(jié)構(gòu)和權(quán)值分布逼近非線性系統(tǒng)，并能做到并行運算，具有一定的泛化和容錯能力。近年來，神經(jīng)網(wǎng)絡(luò)在故障診斷及容錯控制中的應(yīng)用得到了廣泛的關(guān)注。其中，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的研究較多。BP網(wǎng)絡(luò)是一種多層前向網(wǎng)絡(luò)，由輸入層、隱層和輸出層組成，如圖所示。

BP神經(jīng)網(wǎng)絡(luò)利用網(wǎng)絡(luò)誤差平方和對網(wǎng)絡(luò)層輸入的導(dǎo)數(shù)來調(diào)成其權(quán)值和閾值，從而降低誤差平方和。訓(xùn)練從計算每一層的輸出開始，直到得到網(wǎng)絡(luò)的輸出矢量，目標(biāo)矢量減去網(wǎng)絡(luò)的輸出得到誤差矢量，利用梯度下降方法，通過后項傳播算法來訓(xùn)練MLP。在設(shè)計神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時，根據(jù)解決問題的特點和系統(tǒng)特征，選擇合適的網(wǎng)絡(luò)類型，是十分重要的，但并不是所有的問題都是和采用BP神經(jīng)網(wǎng)絡(luò)。

02

基于多層網(wǎng)絡(luò)的故障診斷

在解決復(fù)雜系統(tǒng)的故障診斷，特別對分布式系統(tǒng)，基于神經(jīng)網(wǎng)絡(luò)的診斷系統(tǒng)在構(gòu)造上不免會十分龐大，造成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時間長，可靠性降低。此時可以采用基于多網(wǎng)構(gòu)造的診斷系統(tǒng)。分層結(jié)構(gòu)方法是目前在復(fù)雜系統(tǒng)故障診斷中常用的方法。在分步式的多層神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)中，各個子網(wǎng)可以分配不同的任務(wù)，每個子網(wǎng)只接受部分的輸入，處理總?cè)蝿?wù)的一部分，各個子網(wǎng)的輸出合成總的運算結(jié)果，這樣就提高了計算速度。也可以同時執(zhí)行同樣的計算，每一個子網(wǎng)都在接受所有輸入的模式下工作，但使用不同的算法，以增強系統(tǒng)的可靠度。這兩種方法當(dāng)然也可以結(jié)合使用。

以多層神經(jīng)網(wǎng)絡(luò)應(yīng)用于柴油機引擎的故障早期檢測與分離為例。采用綜合組網(wǎng)的方式，整個系統(tǒng)包括兩層4個模塊，其中1個主模塊，3個從模塊。系統(tǒng)的輸出通過多數(shù)表決法決定。

一種多層神經(jīng)網(wǎng)絡(luò)（MNN）

03

遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行故障診斷

遺傳算法是建立在自然選擇和群體遺傳學(xué)機理基礎(chǔ)上的隨機、迭代和進(jìn)化，具有廣泛適用性的搜索方法。由于遺傳算法上述的優(yōu)越之處，吸引了諸多關(guān)注的目光。隨著要解決問題復(fù)雜度的增加，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)也趨向復(fù)雜，采用遺傳算法自動構(gòu)造網(wǎng)絡(luò)，把網(wǎng)絡(luò)結(jié)構(gòu)的形式作為一個子集選擇問題來解決，根據(jù)給定的對象函數(shù)自動地確定適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)來適應(yīng)學(xué)習(xí)過程中網(wǎng)絡(luò)結(jié)構(gòu)的變化。同樣，使用遺傳算法可以調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的權(quán)值。由于自適應(yīng)交叉率和變異率交叉率和變異率的大小對遺傳算法的運行性能的影響較大，為了提高性能，可采用自適應(yīng)的方法動態(tài)改變與的取值。

在利用遺傳算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時，在應(yīng)用于故障診斷的研究中可以根據(jù)實際特點選擇不同的網(wǎng)絡(luò)類型，設(shè)計具體算法。例如利用經(jīng)過遺傳算法訓(xùn)練的ELMAN神經(jīng)網(wǎng)絡(luò)，對發(fā)動機的故障進(jìn)行早期檢測(一步預(yù)報)。其結(jié)構(gòu)如圖所示。也可以使用遺傳算法同時確定網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，以獲得較高的效率。

在使用遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)

04

模糊神經(jīng)網(wǎng)絡(luò)在故障診斷與檢測中的應(yīng)用

將模糊邏輯和神經(jīng)網(wǎng)絡(luò)相結(jié)合，采用模糊神經(jīng)網(wǎng)絡(luò)作為故障分類器，自適應(yīng)從學(xué)習(xí)樣本數(shù)據(jù)中提取各個用以描述故障狀態(tài)的模糊參考模型。在診斷時，此模糊神經(jīng)網(wǎng)絡(luò)在線地得到當(dāng)前系統(tǒng)的模糊模型描述，并將與各個參考模型相匹配，從而得出正確的診斷結(jié)果。在神經(jīng)網(wǎng)絡(luò)框架下引人模糊規(guī)則，且模型參數(shù)有明確的物理意義，又引人了學(xué)習(xí)機制，推理可以更加準(zhǔn)確。

一般模糊神經(jīng)網(wǎng)絡(luò)可以分為5層：輸入層、模糊化層、規(guī)則結(jié)點層、結(jié)論節(jié)點層、輸出層。

模糊神經(jīng)網(wǎng)絡(luò)示意圖

模糊系統(tǒng)可與多種網(wǎng)絡(luò)結(jié)合構(gòu)造模糊神經(jīng)網(wǎng)絡(luò)，但運用的手段相似。如利用模糊系統(tǒng)和徑向高斯函數(shù)網(wǎng)絡(luò)設(shè)計一種具有自適應(yīng)能力的模糊神經(jīng)網(wǎng)絡(luò)。利用高斯函數(shù)表示模糊規(guī)則前件的隸屬度函數(shù)，然后，構(gòu)造一種遞階自組織在線學(xué)習(xí)算法，從輸入輸出樣本數(shù)據(jù)中，通過學(xué)習(xí)提取模糊IFTHEN規(guī)則；在此基礎(chǔ)上，提出一種非線性時變系統(tǒng)的自適應(yīng)狀態(tài)觀測器設(shè)計和故障檢測方法。

模糊神經(jīng)網(wǎng)絡(luò)解決了由于故障征兆和故障原因之間存在著許多不確定因素，建立精確的故障診斷系統(tǒng)存在著許多困難的問題。目前模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用很廣泛，如應(yīng)用于控制系統(tǒng)對象以及傳感器和執(zhí)行器的故障檢測和診斷等。

05

小波分析和神經(jīng)網(wǎng)絡(luò)的融合

小波分析是近年來從Fourier分析的基礎(chǔ)上發(fā)展起來的一種信號分析理論，具有良好的時頻局部化特征，把信號分解到不同頻帶內(nèi)進(jìn)行處理。將小波分析的特征提取與神經(jīng)網(wǎng)絡(luò)模式識別有機地結(jié)合起來，則可降低建立神經(jīng)網(wǎng)絡(luò)的難度，并且提高故障識別率。

小波神經(jīng)網(wǎng)絡(luò)模型

模型中的輸入為采集自待診斷系統(tǒng)的信號，經(jīng)小波分析，提取反映設(shè)備狀態(tài)的特征向量，作為輸入連接到神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點，通過網(wǎng)絡(luò)的前向計算可完成對設(shè)備故障的識別。神經(jīng)網(wǎng)絡(luò)模型可通過對大量反映系統(tǒng)不同狀態(tài)故障的實測數(shù)據(jù)樣本的訓(xùn)練建立。另外，為提高網(wǎng)絡(luò)的自適應(yīng)性，進(jìn)一步完善診斷模型，還可在原有訓(xùn)練過的網(wǎng)絡(luò)基礎(chǔ)上，對小波神經(jīng)網(wǎng)絡(luò)模型的進(jìn)行再學(xué)習(xí)。

故障檢測與診斷是既是一門相對獨立發(fā)展的技術(shù)，又與各門學(xué)科緊密聯(lián)系。神經(jīng)網(wǎng)絡(luò)故障診斷的研究取決與和神經(jīng)網(wǎng)絡(luò)的發(fā)展。神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷的研究手段和方法也不限于以上幾種，如結(jié)合專家系統(tǒng)的神經(jīng)網(wǎng)絡(luò)，以及遺傳算法，模糊推理小波變換和神經(jīng)網(wǎng)絡(luò)的綜合。

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷存在一些問題，如難以揭示出系統(tǒng)內(nèi)部的一些潛在關(guān)系，無法對診斷過程給予明確解釋；對未在訓(xùn)練樣本中出現(xiàn)的故障診斷能力下降，甚至?xí)e誤；診斷網(wǎng)絡(luò)訓(xùn)練集較少或選擇不當(dāng)時，很難得到好的診斷結(jié)果；對多故障同時診斷的可靠性不高，增加了神經(jīng)網(wǎng)絡(luò)在實際應(yīng)用中的困難。智能方法和小波變換與神經(jīng)網(wǎng)絡(luò)的有機結(jié)合正成為當(dāng)前研究的趨勢。