未来智讯 > 神经网络论文 > 基于神经网络的故障诊断
    【关键词】神经网络 故障诊断 训练样本 测试样本
    1 引言
    风机作为旋转机械设备的一种,被广泛应用于生产设备中,而且它的运行情况将直接影响着生产设备的稳定性和安全性。故障诊断就是通过对生产设备运行状态进行数据检测,然后将这些数据进行特征提取和分类识别,在已有故障模式的基础上,通过比对来判断设备有无故障。本文以神经网络为理论基础,介绍了神经网络在故障诊断领域中的应用,并通过仿真实验验证了该方法的正确性和有效性。
    2 基于神经网络的故障诊断理论方法
    故障诊断就是将特征空间映射到故障空间,即模式识别或者模式分类问题。在该理论方法中,如何找出网络学习所需要的特征向量是分类的关键。诊断网络所需要的故障特征向量通常由设备运行时所反映出来的温度信号、压力信号、电信号等形成。故障诊断中最常用的方法是震动信号分析法,然而在已有的研究成果中显示:旋转机械的常见故障也能够被旋转机械振动信号的频谱较为敏感的反映出来,即振动分析的频谱分析法也是故障诊断中较为流行与有效的方法。因此,故障的特征向量可以通过合理统计各种故障的频谱特征来形成,并将得到的故障特征分为两份,一份用于训练该故障诊断神经网络,另一份数据作为待测样本,并将待测样本输入到已经训练好的神经网络中,便可以得到该设备是否故障,即实现故障模式分类。
    3 仿真实验与结果分析
    3.1 神经网络训练样本和测试样本
    风机的常见故障特征谱向量可以在对风机常见故障机理分析及专家和现场经验的基础上得到,在确定网络输出模式的基础上,将这些经特征提取得到的故障特征向量作为网络输入样本输入神经网络,便可以得到如表1所示的神经网络故障模式样本。然后将待测样本向量输入已训练好的神经网络,就可以得到相应设备是否故障以及相应的故障模式。测试样本数据是以某钢铁公司烧结厂烧结风机,不同测点现场采集的待诊数据,如表2所示。
    3.2 实验结果
    由表1可知,故障特征向量包含了故障的7个特征,以及11种常见的故障,所以根据公式“隐层节点个数=2*输入节点个数+1”得:神经网络输入层神经元个数为7,输出层神经元个数为11,中间层神经元个数为15。在这里设定最小学习率取0.08,误差选取为0.0001,并在MATLAB空间里对训练数据和测试数据进行编程,运行程序后可知经过20次迭代达到了所要求的精度,且运行结果绘制成表格如表3。
    各个测点的故障类型可以通过表3诊断的结果与表1中已经设定好的理想故障输出模型比对得到:测点1:不对中;测点2:间隙振动;测点3:箱体支座松动;测点4:摩擦,不对中。
    4 小结
    本文介绍了神经网络在故障诊断领域的中的具体应用方法,以某钢铁公司烧结厂烧结风机,不同测点现场采集的数据为训练数据和测试数据,通过MATLAB编程,得到测试结果,该结果能够很好的识别出风机故障,并验证了该方法的正确性和有效性。
    参考文献
    [1]屈梁生,何正嘉.机械故障诊断学[M].上海:上海科学技术出版社,1986.
    [2]焦李成.神经网络的应用和实现[M].西安:西安电子科技大学,1993.
    作者单位
    重庆交通大学信息科学与工程学院 重庆市 400074
转载请注明来源。原文地址:https://www.7428.cn/page/2018/0714/21832/
 与本篇相关的热门内容: