您所在位置：> 請輸入產(chǎn)品關(guān)鍵字：
水泵機組的神經(jīng)網(wǎng)絡(luò)故障分析和處理
點擊次數(shù)：1170 發(fā)布時間：2012-6-21
很多大型工程和復雜的應(yīng)用環(huán)境中，會使用到眾多大型水泵組成的機組，這些大型的泵機組，為了操作和管理方便，都會應(yīng)用到比較復雜的各種應(yīng)用，其中有我們稱之為泵機組神經(jīng)網(wǎng)絡(luò)的應(yīng)用?？赡芎芏嗳藢@個不甚了解，我們在下面就來對它的一些情況進行說明。
一、小波包分解基本原理
1、故障特征的提取
泵機組的各類故障信號通常在各個高頻段和低頻段都有分布，而小波包分解在低頻和高頻段都可以達到很精細的程度，因此非常適用于需同時提取低頻和高頻特征的信號分解。對小波包分解得到的各頻帶內(nèi)的信號進行統(tǒng)計和分析，形成反映信號特征的頻帶能量指標。小波包尺度過少，不能有效提取故障特征，分解尺度過多，特征向量的維數(shù)大，會影響診斷速度。所以在發(fā)動機泵機組故障診斷中，根據(jù)發(fā)動機泵機組軸承和齒輪振動信號的特點，采用3尺度分解得到8個頻帶能量E3j E3j=∫S3j（t）2dt=2 n k=1 xjk2其中，xjk（j=0，1，…，7；k=1，2，…，n）表示重構(gòu)信號s3j的離散點幅值。
當泵機組某部件或某系統(tǒng)出現(xiàn)故障時，會對各頻帶內(nèi)信號的能量有較大的影響，故可以能量為元素構(gòu)造一個特征向量T. T=E30，E31，E32，E33，E34，E35，E36，E37當能量較大時，E3j（j=0，1，…，7）通常是一個較大的數(shù)值，在數(shù)據(jù)分析上會帶來不方便的地方。因此，需對向量進行歸一化處理，令E=（2 7 j=0 E3j2）12 T'=，向量T'即為歸一化后的向量。
2、BP神經(jīng)網(wǎng)絡(luò)的主要原理
神經(jīng)網(wǎng)絡(luò)具有處理復雜多模式及進行聯(lián)想，推測和記憶的功能，并且具有很強的實時性。通過對故障實例和診斷經(jīng)驗的訓練學習，用分布在完了過內(nèi)部的連接權(quán)值來表達所學習的故障診斷支持，實現(xiàn)故障與征兆之間的非線性影射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)是指基于誤差反向傳播算法（BP算法）的多層前向神經(jīng)網(wǎng)絡(luò)，神經(jīng)元的變換函數(shù)采用s型函數(shù)，因此輸入量是0～1之間的連續(xù)兩，可以實現(xiàn)從輸入到輸出的任意非線性映射。由于連接權(quán)的調(diào)整采用的是反向傳播算法（Backpropagation），因此該網(wǎng)絡(luò)也稱為BP網(wǎng)絡(luò)。
BP網(wǎng)絡(luò)通常由輸入層，輸出層和若干個隱層構(gòu)成，*層為輸入層，第Q層為輸出層，中間各層為隱層，前層至后層通過權(quán)連接。設(shè)第q層（q=1，2，…，Q）的神經(jīng)元個數(shù)為，輸入到第q層的第個神經(jīng)元的連接權(quán)系數(shù)為w（q）
ij（i=1，2，…，nq；=1，2，…，nq-1），該網(wǎng)絡(luò)的輸入輸出變換系數(shù)為s（q）
i=2 nq-1 j=0 w（q）ijxq-1 j式中：xq-1 0=Η（q）
io0-1. xq i=f（s（q）
i）= 1 1+e-Λsi（q）
以上兩式中：=1，2，…，；=1，2，…，；q=1，2，…，Q.設(shè)給定P組輸入樣本Θ（o）
xp = p1，x（0）
p2，…，x（0）
利用該樣本集首先對BP網(wǎng)絡(luò)進行訓練，也即對網(wǎng)絡(luò)的連接權(quán)系數(shù)進行學習和調(diào)整，以使網(wǎng)絡(luò)實現(xiàn)給點的輸入輸出映射關(guān)系，經(jīng)過選練得BP網(wǎng)絡(luò)，對于不適樣本集中的輸入也能給出合適的輸出，該性質(zhì)稱為泛化功能。
設(shè)擬合誤差的代價函數(shù)為E= 1 2 p p=1 2（dpi-x（Q）
pi）2 =2 p p=1 Ep 332010年第9期岳亮等基于小波包-神經(jīng)網(wǎng)絡(luò)的泵機組故障診斷即：Ep= 1 2 no i=1（dpi-xQ pi）2為了使E按網(wǎng)絡(luò)權(quán)系數(shù)的梯度逐漸下降至zui小值，網(wǎng)絡(luò)的訓練采用基于梯度下降原理的BP算法。
二、模糊貼近度的故障識別原理
設(shè)故障標準模式為{Ei}（i=1，…，m），各模式所對應(yīng)的故障為{Fi}（i=1，…，m），待診斷向量為R，則模糊貼近度采用的是一種極合相似的識別方法，通過計算R與{Ei}（i=1，…，m）中各個模式E的相似程度，來確定E所對應(yīng)的故障F發(fā)生的可能性d（R，Ei）。模糊貼近度較為成熟的計算方法有距離法，內(nèi)積法和zui大zui小法。
三、小波包神經(jīng)網(wǎng)絡(luò)故障診斷的應(yīng)用
為取得神經(jīng)網(wǎng)絡(luò)的訓練樣本，對油泵進行了故障模擬試驗。共設(shè)置四種狀態(tài)，正常狀態(tài)，軸承內(nèi)圈故障，軸承外圈故障，泵軸松動，泵不對中。每類故障采樣6組數(shù)據(jù)，分別進行小波包3層分解，取得了30組數(shù)據(jù)。表1為由振動信號提取到的小波包頻帶能量百分比，組成30×8維矩陣，作為神經(jīng)網(wǎng)絡(luò)的輸入向量。
利用BP神經(jīng)網(wǎng)絡(luò)進行分類訓練，表中數(shù)據(jù)為神經(jīng)網(wǎng)絡(luò)輸入向量，分類輸出結(jié)果為四類，利用模糊貼近度原理分別定義輸出向量為：<1000>，<0100>，<0010>，<0001>.由于低頻部分能量較高，而高頻部分能量偏低，訓練后的神經(jīng)網(wǎng)絡(luò)擬合度很低，識別精度不能滿足故障模式識別的要求，所以對數(shù)據(jù)進行列向歸一化取25組進行神經(jīng)網(wǎng)絡(luò)分類樣本訓練，從各狀態(tài)下取一種狀態(tài)作為測試樣本。通過神經(jīng)網(wǎng)絡(luò)樣本訓練后的精度很高，取其中任意一種狀態(tài)的特征向量進行測試，輸出的結(jié)果都與實際溫和，說明該方法可以應(yīng)用到*油泵的故障診斷中。
通過對油泵故障信號進行小波包分解提取特征向量和神經(jīng)網(wǎng)絡(luò)對故障類型的識別，取得了很好的效果。對于故障頻率分布比較分散的故障，利用小波包分解，在不丟失任何振動信號的基礎(chǔ)上，利用神經(jīng)網(wǎng)絡(luò)提高了故障識別精度。在*油庫中，油泵一般為統(tǒng)一的型號，安裝條件也不盡相同，在各種故障條件下產(chǎn)生的故障信號也很類似。通過對某一類型油泵進行故障試驗，采集各類故障條件下的振動信號建立故障診斷數(shù)據(jù)庫，可以快速準確的診斷出油泵所存在的故障，保證*油庫泵房的正常運行。
可以說，泵機組的神經(jīng)網(wǎng)絡(luò)對機組的運轉(zhuǎn)是很重要的。所以，在機組神經(jīng)網(wǎng)絡(luò)出現(xiàn)故障的時候，我們*時間就是進行修復。對于故障的情況，我們在上面已做相關(guān)說明。
本文章由G型螺桿泵：（）整理分享，如需轉(zhuǎn)載請注明出處。