基于粗糙集与人工神经网络的风机故障诊断

1基于粗糙集与人工神经网络的风机故障诊断舒服华/武汉理工大学机电工程学院摘要：提出了一种粗糙集理论与神经网络集成的风机故障诊断方法。试验结果表明：该方法可以有效提高风机故障诊断的精度和效率。关键词：风机故障诊断粗糙集神经网络中图分类号：TP118文献标识码：B文章编号：1006-8155（2007）02-0079-04TroubleDiagnosisBasedonRoughSetandArtificialNeuralNetworkforFanAbstract:Anewmethodofroughsetandneuralnetworkforfantroublediagnosisispresented.Testresultshows:thismethodcanimprovedtheaccuracyandefficiencyoffantroublediagnosis.Keywords:FanTroublediagnosisDoughsetNeuralnetwork0引言近几年来，随着人工神经网络（ANN）技术的成熟和完善，极大地推动了故障诊断技术的发展。它具有大规模的并行处理和分布式的信息存储能力、良好的自适应性、自组织性及很强的学习、联想、容错和抗干扰能力，能以任何精度逼近复杂非线性系统。但是,人工神经网络拓扑结构的确定缺乏严格的理论依据，通常依靠经验选取,如果网络的规模过大，不仅会导致训练时间过长，而且限于局部极小[1]。粗糙集理论（RoughSets,RS）是一种处理模糊性与不确定性的软计算基础理论，它不需要任何经验知识,仅利用数据本身提供的信息就能够表达和处理不完备信息，能在保留关键信息的前提下，对数据的属性进行约简并求得知识的最小表达,从中发现隐含知识，揭示潜在的规律[4]。文献[1]提出了基于人工神经网络的风机工作状态智能检测方法；文献[2]提出了基于粗糙集理论的设备故障诊断技术,但都存在一定的局限性。本文提出了一种RS理论和ANN融合的风机故障诊断方法。应用粗糙集理论对神经网络的输入数据进行预处理，消除冗余信息,提取关键成分，以达到减少输入神经元节点，简化网络结构的目的，这样可以缩短网络训练时间，提高识别精度。因此，利用先进的技术进行风机运行状态监测，及时查清设备隐患，采取相应的措施具有重要意义。1诊断模型1.1基本思想在通常情况下，由于各种传感器等探测设备获得的并不是很精确的数据信息，而是一些不完善、不一致或相对粗略的信息。这些粗糙的信息集合中含有大量的冗余信息，甚至包含一些错误的信息，如果直接运用这些数据信息进行故障诊断决策,往往会增加计算的复杂性和影响诊断的精确性。因此，将粗糙集理论与神经网络技术结合起来，充分利用粗糙集挖掘数据的能力和人工神经网络高度泛化的能力。即先利用自组织映射（SOM）神经网络对连续属性故障诊断系统数据进行离散处理，然后借助粗糙集理论，利用遗传算法对决策系统进行属性约简，提取诊断规则用于故障识别，最后在约简的故障诊断决策系统的基础上,建立径向基函数（RBF）神经网络，利用其模式识别能力完成风机故障诊断。1.2主要技术1.2.1数据离散化RS只能处理离散属性值，而原始故障诊断系统的属性值是连续的，因此必须对决策系统中的数据进行离散化处理。目前对连续量离散化的方法很多，笔者采用的是自组织映射神经网络方法。它是一种无监督自组织竞争学习型前馈神经网络，能通过自组织方式利用大量的训练样本数据来调整网络权值，分类结果较为客观反映数据的实际分布情况。具体步骤[3]：（1）给定SOM网络初始权值m=2；（2）给定条件属性初始维数d=1；（3）将第d维条件属性按大小排序；（4）用SOM网络对排___________________收稿日期:2006-10-19武汉市4300702序后的第d维条件属性值进行分类；（5）把相邻两类边界属性值的均值作为二类的分界值；（6）用条件属性量化参数对该维条件属性进行量化；（7）赋值d=d+1，返回步骤（3）直到最后一维条件属性；（8）检查数据表是否相容，若相容，停止，否则令m=m+1,返回步骤（2）。1.2.2知识属性约简属性约简的基本思想是采用某种衡量标准确定不同属性的重要程度,构造最小子集。基于RS理论的知识约简方法分两个步骤：一是从决策表删除一些列；二是删除冗余的行。约简的方法比较多，但算法的代价比较高，采用遗传算法对属性进行约简,它具有比较好的通用性、鲁棒性、全局搜索性。（1）参数编码编码形式采用二进制，基因的每一位代表区分矩阵的一项,即两个对象的区分属性集，某位0表示该属性不存在，1表示该属性存在。每个基因的长度等于条件属性的个数N。（2）适用度函数决策约简的目标是用尽量少的属性来约简尽可能多的个体，为了达到这一目的,适用度函数设计为[2]F(x)=QMxCPNxLN)()((1)式中N为决策表中条件属性的个数；L(x)为候选约简x所涉及到的属性数量；C(x)为采用的约简方法能区分的个体数目；M为决策表中所包含的个体总数；P、Q为比例系数，P+Q=1。式中第一项的含义是希望用尽量少的属性实现约简；第二项的含义是希望约简方法能够区分尽可能多的个体。当希望用尽可能少的属性实现约简时,可设置较高的P值；当希望简化数据处理过程时,可设置较高的Q值。（3）最小属性子集评价约简是不含多余属性并保证分类正确的最小条件属性集，而核是影响分类的重要属性。一般情况下，属性约简不是唯一的，而核是唯一的。虽然最小约简中包含的属性数目相同，但是，由不同的约简得到的规则数目及其适用范围均有所差别，实际应用中，通常希望决策系统中的规则数目越少越好，而每条规则的适用范围越大越好，即条件属性的每一聚类中能够包含的对象较多，并且产生较少的规则，该指标可以通过聚类比来描述[4]：Rc=100NNNr(2)式中N0为原始决策系统中对象的数目；Nr为约简后决策系统中规则的数目。1.2.3人工神经网络结构前馈式神经网络是应用最为广泛的网络之一，它具有较强的分类能力，但常规的BP神经网络存在收敛速度慢和容易陷入局部最小点等缺点。因此，选用径向基函数（RBF）神经网络作为故障诊断模型。由于RBF网络由输入到输出是非线性的，而网络输出对可调参数的映射又是线性的，所以网络的权值可由线性方程组或RLS方法递推计算，从而大大加快了学习速度并避免了局部极值问题。输入层神经元数等于约简后决策系统中属性的数目，输出层神经元数等于需要诊断的故障种类，隐含层由试验确定，激活函数选用Gauss函数。2诊断实现2.1故障诊断模型风机常见的故障有叶轮转子不平衡、不对中、磨损、连接件松动等。风机发生这些故障时,会出现多种征兆，如产生的热量增加，磨损物质增多，润滑油质变坏，杂质增加，产生强烈的振动，发出尖锐的噪声，甚至还会发生运动部件间摩擦、碰撞等。其中，以振动现象最为明显和普遍。风机振动信号所包含的故障信息最为丰富，如果风机某个部位发生任何变异，就会引起相应特征的振动。造成风机振动的因素比较多，各种振动激励与传输之间互相影响，作用重叠，致使风机故障诊断的3识别工种比较困难。风机的振动频率可从几赫兹到数千赫兹。通过研究,风机的故障振动表现为其旋转频率的倍频，可分为低、中、高频率范围，低频范围的振动包括低于旋转频率的低次谐波，在此频率内可以检测出转动的不平衡、不同轴、轴弯曲和连接件松动以及支架的低频振动，较高的振动频率是由轴承故障造成的。因此,可用风机在这些频率成分上的振动能量作为特征信息，诊断识别风机的各种故障。构建的征兆种类集为X=[x1,x2,…,xi],故障种类集定Y=[y1,y2,…,yj],故障诊断模型：yj=f(x1,x2,…,xi)i为输入层神经元数；j为输出层神经元数。X和Y之间的非线性映射关系f，通过神经网络模型泛化拟合。2.2实例分析对某型号的风机进行故障诊断试验,风机的基本参数：功率P=2000kW，转速n=1500r/min，风量Q=4500m3/min，叶片数量K=6，转子长度L=5mm，叶轮直径D=2.5m。运用加速度传感器测量风机轴承处的振动信号，取振动信号中（0～1/4）f,（1/4～3/4）f,1f,2f,3f的频率段能量为故障特征参数（分别用x1,x2,x3,x4,x5,表示），诊断风机转子不平衡，轴承油膜振动，转子不对中故障（分别用y1,y2,y3表示），获得故障数据样本25组,取16组为训练样本见表1，9组为测试样本。用SOM网络方法对连续属性进行离散化，分类数为3，各条件属性的子区间划分如下：x1={[0.0025,0.0101],[0.0101,0.0151],[0.0151,0.0225]}x2={[0.0694,0.1302],[0.1302,0.4050],[0.4050,0.6315]}x3={[0.2215,0.3106],[0.3106,0.5208],[0.5208,0.7906]}x4={[0.1021,0.1810],[0.18100.2904],[0.2904,0.3415]}x5={[0.0010,0.0105],[0.0105,0.0151],[0.0151,0.0265]}离散结果见表2。用遗传算法对表2决策系统进行约简,取初始种群大小60，最大迭代次数100，交叉概率pc=0.8,变异概率pm=0.2，P=0.6，Q=0.4。获得最小约简子集：{C2,C3,C4},{C1,C3,C5},{C1,C3,C4}。经计算,约简{C2,C3,C4}的聚类比Rc=0.5625为最大，选其取为最优决策系统见表3。建立RBF神经网络，网络结构3-4-3，输入层神经元数为3,分别对应约简后得3个条件属性,隐含层神经元数4，输出层神经元数为3，分别对应风机的3种故障类型。训练完成后用测试样本进行测试结果见表4，结果全部识别正确。表1训练样本数据№STx1x2x3x4x51y10.02250.10140.72040.14160.01502y20.00560.60320.31320.11560.02113y30.02510.12290.51380.34150.00104y20.01400.47010.35220.14740.01635y20.00900.63150.22150.10210.01696y10.01670.13000.62420.21840.01277y10.01560.10020.69230.18160.01038y10.00950.10960.66010.21140.00949y30.01610.11440.52010.30190.026510y30.01490.09040.60170.29050.002511y30.00410.15430.51320.31320.015212y20.00820.55010.25910.16210.020513y10.01160.06940.79060.18110.018614y10.00510.10200.68710.19090.0149415y20.00250.40600.47090.12860.002816y30.01860.13120.52110.29030.0210表2数据离散化结果UC1C2C3C4C5D13131212132132331231342321325131132631322173132218113211931233310213313111223231213113213213231141132211513211216313233表3最优决策系统UC3C4C5D1131123212312335311261321101333112233表4测试样本及测试结果序号状态C3C4C5y1y2y3诊断结果111320.99590.00010.0000不平衡211310.97980.00050.0021不平衡311220.98980.00150.0000不平衡422210.00020.96970.0054油膜振动522210.00020.96970.0054油膜振动623110.01510.89760.0