全国服务咨询热线:

0755-83981166/83981822

当前位置:首页  >  技术文章  >  神经网络在故障诊断中有哪些应用?

神经网络在故障诊断中有哪些应用?

更新时间:2020-10-13      点击次数:1894

神经网络在故障诊断中有哪些应用?

人工神经网络是近年来发展迅速,广泛地应用于各个领域,包括航天,自动控制,金融,电子,制造,医药等多个行业,已经有许多成功的先例,并展示了更为广阔的应用前景。基于神经网络的故障诊断不需要建立准确的数学模型,可以处理非线性问题,具有并行计算能力,不需要诊断和推理规则,它通过一组样本的输入与输出之间的映射关系进行按照设定的准则可以自学习。

 

 

运用于故障诊断中的一般神经网络

目前,非线性系统的故障诊断与容错的方法的研究,是目前研究的热点和难点。神经网络以分布的方式存储信息,通过神经元之间拓扑结构和权值分布逼近非线性系统,并能做到并行运算,具有一定的泛化和容错能力。近年来,神经网络在故障诊断及容错控制中的应用得到了广泛的关注。其中,应用BP神经网络的研究较多。BP网络是一种多层前向网络,由输入层、隐层和输出层组成,如图所示。

 

 

 

BP神经网络利用网络误差平方和对网络层输入的导数来调成其权值和阈值,从而降低误差平方和。训练从计算每一层的输出开始,直到得到网络的输出矢量,目标矢量减去网络的输出得到误差矢量,利用梯度下降方法,通过后项传播算法来训练MLP。在设计神经网络进行故障诊断时,根据解决问题的特点和系统特征,选择合适的网络类型,是十分重要的,但并不是所有的问题都是和采用BP神经网络。

 

基于多层网络的故障诊断

在解决复杂系统的故障诊断,特别对分布式系统,基于神经网络的诊断系统在构造上不免会十分庞大,造成神经网络的学习时间长,可靠性降低。此时可以采用基于多网构造的诊断系统。分层结构方法是目前在复杂系统故障诊断中常用的方法。在分步式的多层神经网络诊断系统中,各个子网可以分配不同的任务,每个子网只接受部分的输入,处理总任务的一部分,各个子网的输出合成总的运算结果,这样就提高了计算速度。也可以同时执行同样的计算,每一个子网都在接受所有输入的模式下工作,但使用不同的算法,以增强系统的可靠度。这两种方法当然也可以结合使用。

 

以多层神经网络应用于柴油机引擎的故障早期检测与分离为例。采用综合组网的方式,整个系统包括两层4个模块,其中1个主模块,3个从模块。系统的输出通过多数表决法决定。

 

 

神经网络在故障诊断中有哪些应用? 

遗传算法与神经网络相结合进行故障诊断

遗传算法是建立在自然选择和群体遗传学机理基础上的随机、迭代和进化,具有广泛适用性的搜索方法。由于遗传算法上述的优越之处,吸引了诸多关注的目光。随着要解决问题复杂度的增加,神经网络的结构也趋向复杂,采用遗传算法自动构造网络,把网络结构的形式作为一个子集选择问题来解决,根据给定的对象函数自动地确定适当的网络结构来适应学习过程中网络结构的变化。同样,使用遗传算法可以调节神经网络的权值。由于自适应交叉率和变异率交叉率和变异率的大小对遗传算法的运行性能的影响较大,为了提高性能,可采用自适应的方法动态改变取值。

 

在利用遗传算法对神经网络进行训练时,在应用于故障诊断的研究中可以根据实际特点选择不同的网络类型,设计具体算法。例如利用经过遗传算法训练的ELMAN神经网络,对发动机的故障进行早期检测(一步预报)。其结构如图所示。也可以使用遗传算法同时确定网络的结构和参数,以获得较高的效率。

 

 

 神经网络在故障诊断中有哪些应用? 

模糊神经网络在故障诊断与检测中的应用

将模糊逻辑和神经网络相结合,采用模糊神经网络作为故障分类器,自适应从学习样本数据中提取各个用以描述故障状态的模糊参考模型。在诊断时,此模糊神经网络在线地得到当前系统的模糊模型描述,并将与各个参考模型相匹配,从而得出正确的诊断结果。在神经网络框架下引人模糊规则,且模型参数有明确的物理意义,又引人了学习机制,推理可以更加准确。

 

一般模糊神经网络可以分为5层:输入层、模糊化层、规则结点层、结论节点层、输出层。

 

 

模糊系统可与多种网络结合构造模糊神经网络,但运用的手段相似。如利用模糊系统和径向高斯函数网络设计一种具有自适应能力的模糊神经网络。利用高斯函数表示模糊规则前的隶属度函数,然后,构造一种递阶自组织在线学习算法,从输入输出样本数据中,通过学习提取模糊IFTHEN规则;在此基础上,提出一种非线性时变系统的自适应状态观测器设计和故障检测方法。

 

模糊神经网络解决了由于故障征兆和故障原因之间存在着许多不确定因素,建立准确的故障诊断系统存在着许多困难的问题。目前模糊神经网络应用很广泛,如应用于控制系统对象以及传感器和执行器的故障检测和诊断等。

 

小波分析和神经网络的融合

小波分析是近年来从Fourier分析的基础上发展起来的一种信号分析理论,具有良好的时频局部化特征,把信号分解到不同频带内进行处理。将小波分析的特征提取与神经网络模式识别有机地结合起来,则可降低建立神经网络的难度,并且提高故障识别率。

 

 

模型中的输入为采集自待诊断系统的信号,经小波分析,提取反映设备状态的特征向量,作为输入连接到神经网络的输入节点,通过网络的前向计算可完成对设备故障的识别。神经网络模型可通过对大量反映系统不同状态故障的实测数据样本的训练建立。另外,为提高网络的自适应性,进一步完善诊断模型,还可在原有训练过的网络基础上,对小波神经网络模型的进行再学习。

 

故障检测与诊断是既是一门相对独立发展的技术,又与各门学科紧密联系。神经网络故障诊断的研究取决于和神经网络的发展。神经网络应用于故障诊断的研究手段和方法也不限于以上几种,如结合专家系统的神经网络,以及遗传算法,模糊推理小波变换和神经网络的综合。

 

人工神经网络应用于故障诊断存在一些问题,如难以揭示出系统内部的一些潜在关系,无法对诊断过程给予明确解释;对未在训练样本中出现的故障诊断能力下降,甚至会错误;诊断网络训练集较少或选择不当时,很难得到好的诊断结果;对多故障同时诊断的可靠性不高,增加了神经网络在实际应用中的困难。智能方法和小波变换与神经网络的有机结合正成为当前研究的趋势。

 

来源:物联网工业大数据公众号(ID:penghaisoft),文章整理自《基于神经网络的方法在故障诊断中的应用》,作者:朱旭东等。

 

转载文章出于非商业性的教育和科研目的,并不意味着支持其观点或证实其内容的真实性。版权归原作者所有,如转载稿涉及版权等问题,请立即联系我们,我们会予以更改或删除相关文章,保证您的权利!

全国统一服务电话

0755-83981166

电子邮箱:taili668@vip.163.com

公司地址:深圳市龙岗区龙翔大道9009号珠江广场A2栋13D

业务咨询微信

粤公网安备 44030702001252号