基于集成神经网络的风机故障诊断系统的研究

1基于集成神经网络的风机故障诊断系统的研究牛小玲/中国矿业大学信电学院摘要：利用集成神经网络建立了风机故障的智能诊断系统。该系统在设备异常后进行诊断，通过运行和诊断实例得出了故障诊断结果。关键词：通风机故障诊断集成神经网络中图分类号：TP206+.3文献标识码：B文章编号：1006-8155（2007）03-0077-04ResearchonTroubleDiagnosisSystemofFanBasedonIntegratedNeuralNetworkAbstract:Theintelligencetroublediagnosissystemforfanwasestablishedbyintegratedneuralnetwork.Throughrunninganddiagnosisexample,theresultoftroublediagnosiswasobtainedafterthedeviceisabnormaldiagnosed.KeyWords:fantroublediagnosisIntegratedneuralnetwork0引言风机性能的动态监测，国内外已经有一批相当成熟的监测系统，而对于故障诊断，则由于风机的故障形式多种多样，故障产生的机理和原因也非常复杂，故障与征兆之间缺乏明显的对应关系，现场诊断比较困难等原因，直至目前仍在发展之中。近年来兴起的人工神经网络，特别是BP网络以其良好的模式分类能力，在故障诊断中得到了广泛应用。笔者设计的集成神经网络组成的风机故障诊断系统，虽然只是一个雏形结构，但经模拟测试具有一定的实际应用价值。1风机故障诊断系统框图风机故障诊断系统如图1所示。系统采用集成神经网络结构，是整个系统智能化核心。它由3部分组成：信息分配网络完成信号向各诊断子网分配；诊断子网用来诊断故障,风机工作系统主要由风机和电机两部分组成，因此诊断网络也分为两大部分，来自这两部分的信号由信息分配网络完成定位；融合决策网络接收诊断子网的结论，进行决策融合处理给出最终结论。图1风机故障诊断系统框图监测及信号处理系统超限？决策融合神经网络结论报警信息分配神经网络风机NN1NN2NN3诊断子网故障诊断及决策系NYN诊断知识库电机NN1NN2NN322风机故障诊断系统模型2.1风机故障特征向量的选取表1风机主要故障的振动特征表故障特征特征频率常伴频率相位特征轴心轨迹振动方向进动方向振动随转速变化振动随负荷变化振动随油温变化振动随流量变化振动随压力变化转子不平衡1×—稳定椭圆径向正动向明显不明显不变不变不变转子不对中2×1×,3×较稳定双环椭圆径向轴向正动向明显不明显有影响有影响有影响油膜振荡＜1/2ω0(0.43)组合频率不稳定扩散不规则径向正进动振后升高转速振动不变不明显明显不变不变旋转失速ws及Ω-ws的成对次谐波组合频率不稳定杂乱径向轴向正进动明显很明显不变很明显变化喘振超低频(0.5~20Hz)1×不稳定紊乱径向正进动改变改变改变明显改变明显改变转子局部碰摩1/nω0nω01ω0反向移动紊乱径向正动向不明显不明显不变不变不变该系统主要利用振动信号对风机进行诊断。当风机出现故障时，其振动信号及工艺参数信号必然呈现出相应的征兆。表1列出了风机主要故障的振动特征及其敏感参数[1]。选择表中的10种故障特征参数作为故障识别的信息。这10种故障特征参数又分为3类：4种振动特征（相位特征、轴心轨迹、振动方向和进动方向）、5种敏感参数（转速、负荷、油温、流量和压力）、9种频率结构（0.01~0.390f、0.4~0.490f、0.50f、0.51~0.990f、0f、20f、3~50f、奇数倍0f、50f）。2.2故障诊断模型的建立集成神经网络由3个诊断子网组成，每个子网都采用3层结构：输入层-隐含层-输出层。子网NN1为单类型网络，以振动信号频谱的9个频段上的不同频率的谱的谱峰能量值作为特征量；NN2和NN3为融合网络，NN2以转速、负荷、温度、流量和压力为输入；NN3以相位特征、轴心轨迹、振动方向和进动方向为输入，3个子网的输出节点均为6，对应系统诊断的6种故障模型。迄今为止，确定隐层节点数多采用经验公式。设输入节点数为n，输出节点数为m，隐层节点数为p，大致有5种方法可确定p:（1）p为输入样本中模式的个数减1；（2）12np；（3）rmnp(r为1～10间的任意整数)；3（4）nmp；（5）)(618.0mnnpn≥m)(618.0nmmpn＜m。该系统采用方法（2）确定隐层单元数，所建立网络结构如图2所示。2.3融合决策网络的实现策略融合决策网络的实现策略有很多种，本系统采用下述方法实现：设子网络NNi形成的故障向量为ppppciiii,...,,21，其对每类故障的置信权值向量为ri=rrricii,,...,21，子网络的并行组合Nm=NNNNNNm,...,21形成了故障矩阵P和置信权矩阵R[2]。P11P12…P1mr11r12…r1cP=P21P22…P2mR=r21r22…r2c……Pc1Pc2…Pcmrm1rm2…rmc则融合决策网络对第i个故障发生概率的融合结果为pi=pi1ri1^pi2ri2^…^pimrmi(定义a^b=a+b-ab)本系统中，融合决策网络对各故障的置信权值向量为0.20.10.10.80.20.3R＝0.10.80.50.10.50.50.70.10.40.10.30.24图2故障诊断系统网络结构图2.4网络模型的训练网络NN1结构为9-19-6，NN2结构为5-11-6，NN3结构为4-9-6，规定系统误差为0.0001。网络学习的速率和冲量系数设置为自适应改变，使用函数trainbpx进行快速训练。3个网络训练结果见图3。（a）子网NN1训练结果（b）子网NN2训练结果（c）子网NN3训练结果图33个网络训练结果2.5诊断模型的验证旋转失速轴向碰摩油膜振荡喘振诊断子网不平衡不对中小波分析NN1。。。。。。前置处理融合决策处理振动负荷NN2。。NN3。。归一化处理转速温度流量压力归一化处理相位特征轴心轨迹振动方向进动方向5某厂风机运行一段时间后发生了旋转失速故障，对风机各特征参数进行采样，其3个特征体各自采样值（已归一化）见表2～表4。表29种频率结构0.01~0.390f0.4~0.490f0.50f0.51~0.990f0f20f3~50f奇数倍0f50f0.100.100.000.250.280.180.050.020.00表36种敏感参数表44种振动特征转速负荷温度流量压力相位特征轴心轨迹振动方向进动方向0.350.280.050.300.020.330.270.150.25将上述3组采集到的特征值分别作为3个子神经网络的输入进行诊断，各子神经网络输出为0.00030.00050.00000.00540.00000.0005P=0.00410.01000.00060.99140.97610.99500.00030.00020.00460.00070.02390.0002融合决策网络对这3个子网络诊断结果进行数据融合所得出的结果为P＝[0.000110.000590.005750.990230.001480.01220],可以确定风机发生的故障类型为旋转失速，置信度为0.99023，这和实际相吻合。3系统运行和诊断实例采集的风机信号数据经过系列变换，即振动信号经过付氏变换或小波变换，提取特征向量，进行归一化处理后形成待诊断向量存入特征征兆库。开始诊断时，从特征征兆库取出数据作为神经网络的输入，利用学习系统得来的权重矩阵（故障知识），网络经过诊断运行即可得到诊断的结果。依据网络的多结点输出，诊断结论不仅提供了主要故障，而且会指出潜在的隐含故障。试验系统运行结果见图4。图4系统诊断实例64结论风机的各种监测参数，均有一定的工作限值。例如，某风机振动限值为11mm/s。高于这些限值表明系统出现了异常。以这些限值作为诊断系统开启的门槛值。一旦监测参数超过工作限值，系统将给出报警，开启诊断系统。由于诊断系统由神经网络组成，因此，采集到的信号经处理后形成待诊断向量，只用进行简单的匹配计算，即可得出最终诊断结论，并能给出相应的维护意见，整个过程可以瞬时完成，体现了高度的智能化。参考文献[1]关惠玲，韩捷.设备故障诊断专家系统原理及实践[M].机械工业出版社，2000.11.[2]虞和济，韩庆大，李沈.设备故障诊断工程[M].冶金工业出版社，2001.统