人工神经网络

人工神经网络在齿轮箱故障诊断中的应用摘要：人工神经网络是一种新型的控制系统，广泛的应用于建模、控制、动态模拟和故障诊断等领域。本文介绍了人工神经网络发展历程、基本原理、分类以及其特点。结合齿轮箱故障诊断的现有技术和方法，论述了人工神经网络在齿轮箱故障诊断中的应用及其发展前景。关键词：人工神经网络齿轮箱故障诊断TheApplicationofArtificialNeuralNetworkintheFaultDiagnosisofGearBoxAbstract:Theartificialneuralnetworkisanewtypeofcontrolsystem,widelyusedinmodeling,control,dynamicsimulation,faultdiagnosisandotherfields.Thisarticledescribesthecourseofdevelopmentofartificialneuralnetwork,thebasicprinciple,classificationandtheircharacteristics.Combiningwiththeexistingtechnologiesandmethodsoffaultdiagnosisofgearbox,discussedtheapplicationanditsprospectsforthedevelopmentofArtificialNeuralNetworksintheFaultDiagnosisofGearbox.Keywords:ArtificialNeuralNetworkGearBoxFaultDiagnosis0引言人工神经网络是模仿脑细胞结构和功能、脑神经结构以及思维处理问题等脑功能的新型信息处理系统。人工神经网络的研究始于1943年，由心理学家W.McCulloch和数理逻辑学家W.Pitts首次提出了模仿人类大脑中的神经元与连接方式以构成并行算术和逻辑运算的人工神经网络模型(ANN)，简称MP模型。在此之后，各国的专家、学者相继对这一领域开展了各种研究，并取得了许多突破与成果。但在60年代，神经网络的研究基本上停留在单层结构的水平。1982年，物理学家Hopfield提出了一个新的神经网络模型——HNN模型。在这种网络模型中，首次引入了网络能量函数的概念，并给出了网络稳定性的判据，从而有力地推动了神经网络的研究[1]。21世纪的今天，随着基础研究的深入，人工神经网络的功能越发完善，性能越发稳定，并逐步在各个领域得到了重视和应用。齿轮箱被广泛的应用于国民经济的各个领域，一旦发生事故，就可能造成人员和财产的巨大损失，故对其进行状态监测与故障诊断有着极其重要的意义。传统齿轮箱的故障诊断一般采用振动频谱分析，其诊断水平受技术人员专业知识和现场环境等多方面的制约，准确度和实时性都不高。人工智能技术的发展为齿轮箱故障诊断开辟了更宽广的空间，为故障监测和故障分析的智能化发展提供了可能。人工神经网络是一种重要的人工智能技术，它可以在不需要数学模型的情况下模拟人的智能行为，进而实现故障与征兆之间复杂的非线性映射关系，在机械故障诊断领域显示了巨大的应用潜力。1人工神经网络概述1.1人工神经网络基本原理人工神经网络（简称ANN）是由大量处理单元经广泛互连而组成的人工网络，用来模拟脑神经系统的结构和功能。而这些处理单元我们把它称作人工神经元。人工神经网络（ANN）可看成是以人工神经元为节点，用有向加权弧连接起来的有向图。在此有向图中，人工神经元就是对生物神经元的模拟，而有向弧则是轴突—突触—树突对的模拟。有向弧的权值表示相互连接的两个人工神经元间相互作用的强弱。人工神经元是对生物神经元的模拟与抽象。抽象是从数学角度而言，模拟则是相对于神经元的结构和功能而言的。现以MP模型结构为例来介绍神经网络的构建和功能。1.1.1MP神经元模型与人工神经网络的构成MP模型是一种多输入单输出的非线性元件，能够构成逻辑与、或、非，可进而组成任意复杂的逻辑关系，因此，MP模型是按一定方式组织起来，可以构成具有逻辑功能的神经网络。MP模型结构如图1所示。图1MP模型结构图设x1，x2……xn为神经元i的n个输入，wji为第i个神经元与来自其它层第j个神经元之间的结合强度；ui表示神经元i的输入总和，既生物神经细胞的膜电位，也成激活函数；θi是神经元的阈值，yi是神经元的输出值，则神经元的输出方程为：(1)(2)式中f(ui)是输入与输出之间的非线性函数，通常称为作用函数或者阈值函数。在MP模型之中，f(ui)是二值函数，输出为0或者1，分别代表神经元的抑制和兴奋状态，可用数学上的阶跃函数来表示即：(3)在式1中，wji0时为兴奋突触结合，wji0时候为抑制突触结合，wji=0时为无结合，当膜电位超过阈值θi时，神经元处于兴奋状态并发出电脉冲。1.1.2基本结构和学习机理由大脑神经网络的活动机理可知，仅由单个神经元是不能完成对输入信息的处理，只有当大量的神经元组成庞大的网络，通过网络中各个神经元之间的相互作用，才能实现对信息的处理和存储。同样的，只有把人工神经元按照一定规则连接成网络，并让网络中各神经元连接权按一定规则变化，才能实现对输入模式的学习和识别。根据网络神经元之间连接的拓扑结构的不同，可将神经网络结构分为两大类，即分层网络和相互结合型网络，其神经网络的结构如果2所示。njijjiixwtu1)(iw1iw2niwnj1iiy1x2xnx)]([tufyii0001)(iiiuuuf(a)(b)(a)相互结合型结构(b)层状结构图2神经网络的结构一个神经网络仅仅具有拓扑结构，还不能具有任何智能特性，必须有一套完整的学习、工作规则与之配合。人工神经网络的学习规则，说到底就是网络连接权的调整规则。大致可分为误差传播学习、联想学习、概率式学习、竞争学习和基于知识的学习等，在各种学习规则中都是以Hebb规则为基础的，Hebb学习规则内容为：如果两个神经元同时兴奋（即同时为“1”），则他们之间的神经键联系得以增强。以ai表示神经元i的激活值，aj表示神经元j的激活值，wij表示两个神经元之间的连接权，则Hebb学习规则的数学表达式为：jiijaaw(4)1.1.3计算原理以下我们用δ学习法则来完成与逻辑运算功能。(1)选择一组初始权值wi(0)。(2)计算某一输入模式时的实际输出yi与理想输出（教师信号di）的误差。(5)(3)按照下式更新权值(6)式中η为学习率(4)返回步骤(2)，直到对所有样本输入均能得到正切的逻辑运算的结果为止。1.2人工神经网络的模型分类人工神经网络依照结构、神经元状态、学习方式及运行特性的不同，有不同的分类方式：(1)从结构上，人工神经网络通常可分为前馈网络(FeedforwardNetwork)和反馈网络(FeedbackNetwork)两大类。前馈网络中有明显的层次关系，信息单方向地从输入层向输出层流动，常用的有多层感知器、BP网络等。其中，视其局部是否有反馈或互联，前馈网络又可分为输入输出有反馈的前馈网络(如Fukushima提出的认知机网络等)和前馈内层互联网络(如自组织网络等)；反馈网络没有明显的层次关系，信息的传输存在反馈机制，常用的Hopfield网络就属于这种网络。(2)从状态上，按神经元取值状态的连续与离散，可将神经网络分为离散型神经网络和连续型神经网络，如Hopfield网络中有离散型的Hopfield网络(DHN)和连续型Hopfield网络(CIINN)。按神经元取值状态的确定与随机，可将神经网络分为确定型神经网络和随机型神经网络。一般来讲，大部分神经网络模型属于确定型神经网络，而GaussianMachine，CauchyMachine等网络属于随机型网络。(3)按照学习方式的不同，神经网络可分为两大类：即有监督学习网络和无监督学习网络。有监督学习指的是需要知道训练样本期望输出的学习方式，而无监督学习则不需要。一般来说，前馈网络大多属于有监督学习网络，自组织网络则基本属于无监督学习网络。iiidyjijijixtwtw)()1(2345112345(4)从系统观点上看，神经网络可分为非线性映射网络和非线性动力学系统网络。非线性映射网络是一种静态网络，它着重于通过大量简单的非线性映射单元的多次复合获得很强的非线性处理能力；而非线性动力学系统网络则关注系统的动力学行为，具有比前者更强的能力。前馈网络多属于非线性映射网络，反馈网络则属于非线性动力学系统网络。1.3人工神经网络的特点及功能人工神经网络是门涉及学科面非常广泛的新兴高科技，具有大规模并行、分布式存储与处理、自组织、自适应与自学习的能力，特别适用于处理需要同时考虑许多因素和条件的、不精确的和模糊的信息处理问题。1.3.1人工神经网络具有以下几个突出的特点：(1)能充分逼近复杂的非线性关系只有当神经元对所有输入信号的综合处理结果超过某一个限值后才能输出一个信号。(2)所有定量或定性的信息都等势分布贮存于网络内的各神经元每个神经元及其连线只能表示一部分信息因此当有节点断裂时也不影响总体运行效果具有很强的鲁棒性和容错能力。(3)采用并行分布处理方法使得快速进行大量运算成为可能。(4)可学习和自适应不知道或不确定的系统。1.3.2人工神经网络的特点和优越性使其具有以下三个显著的功能：(1)具有自学习功能这种功能在图像识别和处理以及未来预测方面表现得尤为明显自学习功能在未来预测方面也意义重大随着人工神经网络的发展未来它将在更多的领域比如经济预测市场预测效益预测等等发挥更好的作用。(2)具有联想存储功能人的大脑能够对一些相关的知识进行归类划分进而具有联想的功能当我们遇到一个人或者一件事情的时候跟此人或者此事相关的一些信息会浮现在你的脑海而人工神经网络则通过它的反馈网络实现一些相关事物的联想。(3)具有高速寻找优化解的功能人工神经网络利用反馈型网络通过发挥计算机快速和高效的计算能力结合针对解决某一问题的算法往往能快速找到针对某些复杂问题的优化解。2基于人工神经网络的齿轮箱故障诊断齿轮箱是应用最广泛的机械传动部件之一，是用来改变转速和传递动力的常用机械设备,所以齿轮箱的性能好与坏直接影响着整个机械设备的运行状态，由于齿轮箱工作环境恶劣,故容易受到损害和出现故障。而其中的零部件如齿轮、轴、轴承等加工工艺复杂,装配精度要求高,又常常在高速度、重载荷下连续工作,所以故障率往往较高。2.1齿轮箱的典型故障和诊断方法齿轮箱中一般都包含齿轮、滚动轴承和轴，而且这三类主要零件失效时产生的故障通常会相互影响。常见的齿轮失效形式有：齿面断裂、齿面磨料磨损、齿面胶合和擦伤、齿面疲劳裂纹失效。滚动轴承最常见的故障有磨损失效、疲劳失效、腐蚀失效、断裂失效、压痕失效、胶合失效和其他故障。轴和轴系常见的失效形式有：弯曲、较严重不平衡，联轴器连接不对中。齿轮箱最常用的诊断技术有振声诊断、振动诊断、油样法诊断和声发射诊断。常用的齿轮箱故障诊断方法有统计识别法、函数识别法、模糊识别法和人工神经网络识别法等。其中人工神经网算法以其并行运算、多输入、多层次、多输出、自学习等特点形成了一种全新的诊断方法，大大提高了学习速度和精度，并为机械的故障诊断开辟了更宽广的空间。2.2基于人工神经网络的齿轮箱故障诊断技术应用神经网络来进行齿轮的故障诊断具体包括三个方面的工作，首先是根据具体问题确定神经网络的输入输出，其次是选择合适的网络模型和适当的网络算法，最后是对网络进行训练和检验。(1)确定神经网络的输入首先要利用各种方法提取故障的特征参数。对故障特征参数的选取首先应考虑它对故障的敏感度，也就是要选择特别突然的，有代表的故障征兆参数。以振动噪声信号为例，常用的时域动态特征参量有峭度指标、峰值指标、裕度指标、偏态指标等；常用的频域动态特征参量有频率方差、频谱重心、谐波因子等。这些特征参量反映了信号中的频率成分以及频率成分的能量大小情况，具有较好的诊断能力[