神經網絡的故障診斷方法研究＊

耿朝陽，薛倩倩

（西安工業大學 計算機科學與工程學院，西安710021）

隨著現代化的發展，設備的規模和復雜度越來越高，對設備運行效率的要求越來越高，因此對設備在線故障檢測和故障診斷方法有了更高的要求，故障診斷方法的研究越來越受到關注．由于設備故障信息的不確定性，以及故障現象與故障原因之間的復雜的非線性關系，故障診斷的難度越來越高，故障診斷的效率和準確度不高，很需要探索一種新的更方便、更快捷、更可靠的診斷方法，以提高故障診斷的效率和準確度［1］．

人工神經網絡具有并行處理、非線性映射、學習和自適應性等固有屬性，使得人工神經網絡可以應用于在線故障診斷領域，解決非線性模式識別問題，適合用于故障現象和故障原因非線性映射關系的復雜故障診斷問題［2-4］．

BP神經網絡模型是眾多神經網絡模型中使用最為廣泛的一種，其優勢是具有較強的非線性映射能力，但是BP神經網絡是前向型網絡，不是反饋神經網絡，因此具有學習收斂速度慢、可能會收斂到局部極小點、學習和記憶穩定性較差等劣勢［5-7］，另外本質上BP神經網絡是靜態網絡，處理時變環境問題的能力較弱．Elman神經網絡是典型的反饋型網絡，可以通過增加結構單元對各個樣本的相互聯系進行學習和記憶，實現動態建模，因此Elman神經網絡模型更適合用于在線故障診斷系統［8-9］，另外Elman神經網絡還具有收斂速度快、精確度高、學習和記憶穩定性較好等優點［9-10］，在文獻［5］中就體現了其精度高的優點．文中通過Matlab建模仿真提出一種基于Elman神經網絡模型的故障診斷方法，并與基于BP神經網絡的故障診斷方法進行比較，通過診斷結果比較得出Elman神經網絡在收斂速度和精確度方面的優勢．

1 故障診斷系統描述

為了實現對設備工作狀態的實時檢測，便于在故障發生時進行故障診斷，將故障診斷Agent嵌入到診斷設備，實現實時檢測診斷設備工作狀態中各元件工作電壓［11］，同時從設備研制單位得到設備正常工作時這些工作點的電壓范圍，通過對設備工作狀態中各元件電壓值與設備正常工作時電壓值的比較，判斷設備工作狀態．

1．1 電壓采集點設置

設備內部電壓采集點設置如圖1所示，采集設備內部各元件連接處的電壓值V1～V6［12］．

圖1 設備內部工作電壓采集點Fig．1 Voltage acquisition points inside the equipment

1．2 設備故障征兆表示

將電壓采集點得到的電壓值與設備正常工作時這些工作點的電壓范圍進行比較，如果在正常范圍內，用“1”表示，不在正常范圍內，用“0”表示，“＊”表示任意值．如：電源輸出電壓V1如果不在正常范圍內，則電源故障，V1如果在正常范圍內則電源正常；電源正常的情況下，如果電源電纜的輸出端電壓V2不正常，則電源電纜故障，如果V2正常，則電源電纜正常，等等，由此得到表1所示設備故障征兆列表，對應電壓值V1～V6的正常與否，可快速確定設備內部某個元件是否發生故障．

1．3 設備故障征兆編碼

根據表1設備故障征兆列表可知，設備故障診斷輸出共有7中狀態，其中包含正常狀態和6中故障狀態，因此可以使用3位2進制表示，比如000表示設備工作正常，001表示設備電源故障等，設備故障征兆編碼見表2．

1．4 設備故障樣本

故障樣本來自設備工作過程中的故障信息，針對圖1所示電路中的6個采集點采集其工作電壓，因為各采集點采集到的電壓值都會存在一定的誤差，所以設定容差為10%．然后對各節點處的工作電壓進行歸一化處理后得到各種典型故障特征值V1～V6表示6個采集點，采集到的故障特征值，作為神經網絡的訓練樣本．部分故障特征值樣本見表3．

表1 設備故障征兆列表Tab．1 Equipment fault symptoms list

表2 設備故障源編碼Tab．2 Equipment fault source codes

表3 部分故障特征值樣本Tab．3 Samples of part of fault characteristic value

2 神經網絡模型和故障診斷方法

2．1 BP神經網絡和基于BP神經網絡的故障診斷方法

BP神經網絡是誤差反向傳播神經網絡，其可以實現從輸入到輸出的任意復雜的非線性映射關系，并且具有良好的泛化能力．BP神經網絡可以實現復雜的非線性映射關系，因此可以很好的解決現代復雜設備故障源和故障現象之間的復雜非線性映射關系［13-14］．

BP神經網絡有輸入層、隱含層和輸出層3層組成，每一層都有若干個節點，也就是若干個神經元，相鄰層之間由權連接，最常見也是最基本的BP神經網絡是三層結構，如圖2所示．

圖2 BP神經網絡結構Fig．2 The structure of BP neural network

故障診斷過程就是將故障特征向量集合映射到故障集合空間，因此故障診斷問題的實質就是尋找一種比較好的故障映射關系．基于BP神經網絡的故障診斷方法就是用具體的BP神經網絡構建故障映射關系．文中采用3層的BP神經網絡，輸入層接收故障信息，單元個數表示故障的特征參數個數，隱含層根據輸入層提供的故障信息進行學習，將收斂后各節點的閾值和網絡的連接權值保存下來，輸出層神經元個數由故障種類數決定［15］．

利用BP神經網絡進行故障診斷，需要確定BP網絡的結構，因為要采集6個節點的電壓值，抽取出6個故障特征參數，因此網絡的輸入層神經元個數為6，輸出層為3個神經元，表征6種故障和正常狀態共7種輸出狀態，7種輸出狀態編碼見表2．

2．2 Elman神經網絡和基于Elman神經網絡的故障診斷方法

Elman網絡模型與BP網絡模型不同是一種反饋神經網絡，是一種反饋動力學系統，比前向神經網絡具有更強的計算能力［16］．Elman網絡可以看作是一個具有局部記憶單元和局部反饋連接的前向神經網絡．Elman網絡反饋體現在其自身結構模型中的承接層，該承接層使得Elman網絡模型具有了記憶功能，對歷史數據具有敏感性，聯想記憶能力的增強提高了網絡的穩定性和收斂速度，網絡的穩定性提高后在一定的程度上可以使得網絡的精確度提高，另外聯想記憶能力也使得模型更能處理動態信息，更適合應用于在線故障診斷，更能處理時變環境問題［17-18］．

Elman神經網絡一般分為4層：輸入層、隱含層、承接層和輸出層，其輸入層、隱含層和輸出層的功能作用類似于BP神經網絡，輸入層的單元接收外部信號輸入，輸出層單元輸出網絡結果，隱含層完成網絡訓練．但不同于BP神經網絡的是在這種網絡中，除了普通的隱含層外，還有一個特別的承接層，該層從隱含層接收反饋信號，每一個隱含層節點都有一個與之對應的承接層節點連接．承接層的作用是通過聯接記憶將上一個時刻的隱含層狀態連同當前時刻的網絡輸入一起作為隱含層的輸入，相當于狀態反饋．隱含層的傳遞函數可采用某種線性或者非線性函數［19-20］．Elman神經網絡的結構圖如圖3所示．

因為基于故障診斷問題的實質就是尋找一種比較好的故障映射關系，所以基于Elman神經網絡的故障診斷方法就是用具體的Elman神經網絡構建故障映射關系．

圖3 Elman神經網絡結構Fig．3 The structure of Elman neural network

文中采用單隱含層的Elman神經網絡，依據診斷系統可以得出故障特征參數是6維的，因此輸入層神經元個數為6個，診斷結果輸出是3維的，因此輸出層神經元個數為3個，表征6種故障源和正常狀態共7種輸出狀態，輸出狀態編碼見表2．

3 實驗仿真

在本實驗仿真中設定誤差目標為0．001．用診斷設備提供的故障樣本作（故障樣本見表3）為神經網絡模型的訓練樣本，通過Matlab仿真確定BP神經網絡和Elman神經網絡的結構，最后分析比較基于BP神經網絡診斷方法和基于Elman神經網絡故障診斷方法對待測故障值樣本的診斷輸出．

3．1 BP神經網絡訓練

使用表3中的故障特征值樣本對BP神經網絡進行訓練，進行32次訓練后，誤差小于0．001，滿足訓練要求．通過訓練結果得知BP網絡中間層節點個數為17個．訓練效果如圖4所示．

圖4 BP神經網絡訓練Fig．4 BP neural network training

3．2 Elman神經網絡訓練

同樣地使用表3中的訓練樣本對Elman神經網絡進行訓練，在Matlab仿真過程中，經過11次訓練，誤差小于0．001，網絡訓練達到要求，最終確定Elman神經網絡隱含層神經元個數為11個，訓練結果如圖5所示．

圖5 Elman神經網絡訓練Fig．5 Elman neural network training

根據圖4和圖5可知，BP神經網絡訓練32次后誤差達到要求，而Elman神經網絡訓練11次后誤差達到要求，Elman神經網絡的收斂速度比BP神經網絡提高了約2倍．

3．3 BP網絡診斷結果和Elman網絡診斷結果對比

對診斷設備的6個采集點采集其工作電壓，歸一化處理后得到典型特征參數值樣本，抽取7組作為測試樣本，涵蓋6中故障源和正常狀態共7種工作狀態，測試樣本與期望輸出見表4．期望輸出法及基于BP神經網絡和Elman神經網絡的兩種故障診斷方法診斷結果見表5．

根據表5可知，BP網絡實際輸出與期望輸出之間的平均誤差為0．017 0，Elman網絡的實際輸出與期望輸出之間的平均誤差為0．007 2，Elman網絡的輸出誤差明顯小于BP網絡的輸出誤差．從診斷輸出與期望輸出之間的誤差分析可知，Elman網絡的精確度比BP網絡提高了約1．5倍．

表4 測試樣本和期望輸出Tab．4 The test samples and the expected outputs

表5 期望輸出及兩種網絡實際輸出Tab．5 The desired output and the actual output of the two network

4 結 論

通過對故障診斷設備各采集點的采集數據進行處理后得到故障樣本，用BP神經網絡和Elman神經網絡兩種不同神經網絡構建故障特征與故障之間的映射關系．然后對兩種網絡的訓練過程和測試結果進行比較，可以得出以下結論

1）從Matlab仿真效果可以得知，網絡訓練過程中Elman神經網絡比BP神經網絡具有更快的收斂速度，訓練次數減少，BP網絡的訓練次數是Elman網絡的訓練次數的3倍，Elman收斂速度比BP網絡收斂提高了約2倍．

2）網絡測試結果分析表明，基于Elman神經網絡的故障診斷方法提高了故障診斷的精確度，降低了診斷誤差，從實際故障診斷輸出可以看出，基于Elman神經網絡的故障診斷方法輸出結果平均誤差小于基于BP神經網絡的故障診斷方法輸出結果的平均誤差．

3）基于Elman神經網絡自身的內部回饋網絡使得該網絡具有更強的處理動態信息的能力，更適合于在線故障診斷．

［1］ 齊繼陽，竺長安．設備故障智能診斷方法的研究［J］．儀器儀表學報，2006，27（10）：1270．QI Ji-yang，ZHU Chang-an．Research on Intelligent Fault Diagnosis Method of the Equipments［J］．Chinese Journal of Scientific Instrument，2006，27（10）：1270．（in Chinese）

［2］ 韓力群．人工神經網絡理論、設計及應用［M］．北京：化學工業出版社，2007．HAN Li-qun．Artificial Neural Network Theory，Design and Application［M］．Beijing：Chemical Industry Press，2007．（in Chinese）

［3］ 聞新，周露．神經網絡故障診斷技術的可實現性［J］．導彈與航天運載技術，2000，（2）：17．WEN Xin，ZHOU Lou．Reality for NN Fault Diagnosis Technology［J］．Missilfs and Space Vehicles，2000，（2）：17．（in Chinese）

［4］ 陳如清．兩種基于神經網絡的故障診斷方法［J］．中國電機工程學報，2005，25（16）：112．CHEN Ru-qing．Ccomparison Between Two Fault Diagnosis Methods Based on Network［J］．Proceedings of the CSEE，2005，25（16）：112．（in Chinese）

［5］ 陳小明，洪軍，閻海梅，等．基于Elman神經網絡的振鏡掃描系統誤差校正技術研究［J］．西安交通大學學報，2006，40（5）：587．CHEN Xiao-ming，HONG Jun，YAN Hai-mei，et al．Study of Error Correction in Dual Galvanometer Scanning System Based on Elman Recurrent Neural Network［J］．Journal of Xi’an Jiaotong University，2006，40（5）：587．（in Chinese）

［6］ 賈文銅，周瑞祥，張忠，等．基于Elman神經網絡的齒輪故障診斷研究［J］．計算機測量與控制，2012，20（5）：1173．JIA Wen-tong，ZHOU Rui-xiang，ZHANG Zhong，et al．Research on Gear Fault Diagnosis Based on Elman Neural Netaork［J］．Computer Measurement ＆ Control，2012，20（5）：1173．（in Chinese）

［7］ 謝香峰，雷電，孫承波．基于BP網絡的開關電源故障診斷方法研究［J］．電子測量技術，2012，35（8）：11．XIE Xiang-feng，LEI Dian，SUN Cheng-bo．Research of Fault Diagnosis Method of Switch Power Supply Based on BP Neural［J］．Electronic Measurement Technology，2012，35（8）：11．（in Chinese）

［8］ EKICI S，YILDIRIM S，POYRZA M．A Transmission Line Fault Locator Based on Elman Recurrent Networks［J］．Applied Soft Computing，2009，9（1）：341．

［9］ PHAM D T，LIU X．Training of Elman Networks and Dynamic System Modeling International［J］．Journal of Systems Science，1996，27（2）：221．

［10］ 湯寶平，習建民，李峰．基于Elman神經網絡的旋轉機械故障診斷［J］．計算機集成制造系統，2006，16（10）：2148．TANG Bao-ping，XI Jian-min ，LI Feng．Fault Diagnosis for Rotating Machinery Based on Elman Neural Network［J］．Computer Integrated Manufacturing Systems，2006，16（10）：2148．（in Chinese）

［11］ 盛兆順，尹琦嶺．設備狀態檢測與故障診斷技術及應用［M］．北京：清華大學出版社，2005．SHENG Zhao-shun，YIN Qi-ling．Equipment Status Inspection and Fault Diagnosis Technology and Its Application ［M］．Beijing：Tsinghua University Press，2005．（in Chinese）

［12］ 耿朝陽，劉德明．嵌入式裝備故障診斷專家系統［J］．西安工業大學學報，2013，33（11）：889．GENG Chao-yang，LIU De-ming．Embedded Fault Diagnosis Expert System in Equipment［J］．Journal of Xi’an Technological University，2013，33（11）：889．（in Chinese）

［13］ 黃文生，李東俠，陸衛忠．基于BP神經網絡的故障診斷仿真研究［J］．電子工程師，2006，32（06）：51．HUANG Wen-sheng，LI Dong-xia，LU Wei-zhong．Emulation Study of Fault Diagnosis Based on BP Neural Network［J］．Electronic Engineer，2006，32（6）：51．（in Chinese）

［14］ 何爾利，翟正軍．基于退火BP神經網絡的模擬電路故障診斷方法［J］．計算機測量與控制，2010，18（1）：67．HE Er-li，ZHAI Zheng-jun．Fault Diagnosis of Analog Cricuit Based on Simulated Annealing BP Neural Network［J］．Computer Measurement ＆ Control，2010，18（1）：67．（in Chinese）

［15］ 飛思科技產品研發中心．神經網絡理論與 Matlab7實現［M］．北京：電子工業出版社，2005．Fei-Si Technology Product Research and Development Center．The Neural Network Theory and Matlab 7Realize［M］．Beijing：Publishing House of Electronic Industry，2005．（in Chinese）

［16］ 韓旭明．Elman神經網絡的應用研究［D］．天津：天津大學，2006．HAN Xu-ming．A Study on Application of Elman Neural Network［D］．Tianjin：Tianjin University，2006．（in Chinese）

［17］ 趙琦，劉開第，龐彥軍．Elman神經網絡訓練方法及其在非線性系統辨識中的應用［J］．煤礦機械，2005（5）：73．ZHAO Qi，LIU Kai-di，PANG Yan-jun．A New Training Method of Elman and It’s Application Investigation in System Identification［J］．Coal Mine Machiner，2005（5）：73．（in Chinese）

［18］ ELMAN J L．Finding Structure in Time［J］．Cognitive Science，1990，14（2）：179．

［19］ 張德豐．Matlab神經網絡應用設計［M］．北京：機械工業出版社，2009．ZHANG De-feng．Matlab Neural Network Application Design［M］．Beijing：China Machine Press，2009．（in Chinese）

［20］ 丁碩，常曉恒，巫慶輝，等．基于Elman神經網絡的傳感器故障診斷研究［J］．國外電子測量技術，2014，33（4）：72．DING Shuo，CHANG Xiao-heng，WU Qing-hui，et al．Study of Sensor Fault Diagnosis Method Based on Elman Neural Network［J］．Foreign Electronic Measurement Technology，2014，33（4）：72．（in Chinese）

【相關參考文獻鏈接】

王林艷，李蔚，王黨利，等．非線性機械故障診斷的核分布粒子濾波方法［J］．2010，30（5）：433．

王志，吳紅芳．基于非線性自適應觀測器的飛機操縱面故障診斷［J］．2011，31（3）：267．

劉仲宇，田素林，李明．吊艙環控系統的多級流模型故障診斷技術研究［J］．2011，31（4）：382．

楊盛泉，鞏萬福，孟棟軒，等．石油輸油泵撬裝置故障診斷專家系統的研究 ［J］．2013，33（3）：187．

耿朝陽，劉德明．嵌入式裝備故障診斷專家系統 ［J］．2013，33（11）：889．

劉白林，陳國一，鄒會云．類間距節點優化DDAGSVM 算法在多故障診斷中的應用［J］．2014，34（5）：369．

楊正強，杜隨更，權冬，等．C800型摩擦焊機潤滑系統的檢測狀態主導故障診斷方 ［J］．2014，34（12）：986．耿朝陽，王宏見，謝安明．嵌入式故障診斷專家系統的M／Qt轉換及實現［J］．2014，34（5）：373．

王志，吳紅芳．基于小波神經網絡補償的飛艇滑?？刂疲跩］．2011，31（5）：465．

劉彩紅．BP神經網絡學習算法的研究［J］．2012，32（9）：723．

應曉峰，陳樺．基于耦合人工神經網絡的工業材料選擇與決策方法研究［J］．2012，32（11）：913．

國蓉，吳君．模糊小波神經網絡在現役油田玻璃鋼管的運行風險評價［J］．2012，32（12）：980．

張荷芳，薛靜云．壓力傳感器溫度補償的BP神經網絡算法 ［J］．2013，33（2）：163．

譚寶成，馬天力．無人車運動穩定性的模糊神經網絡PID控制 ［J］．2013，33（4）：334．

黨江艷，黃越．BP神經網絡在企業作業鏈優化中的應用［J］．2014，34（7）：575．

劉萍萍，馬昱陽．小波神經網絡的大壩變形預測研究［J］．2014，34（11）：886．