人工神经网络技术在压风控制系统中的应用研究*

潘 超 张秀山 李昂欣 刘 伟

(1.北京北计普企软件技术有限公司 北京 100036) (2.海军工程大学计算机工程系 武汉 430033)(3.93682部队 顺义 101301)



人工神经网络技术在压风控制系统中的应用研究*

潘 超1张秀山2李昂欣3刘 伟3

(1.北京北计普企软件技术有限公司 北京 100036) (2.海军工程大学计算机工程系 武汉 430033)(3.93682部队 顺义 101301)

对工业用离心式空气压缩机中供风系统的故障诊断进行了研究,针对目前压风控制系统故障诊断方法缺乏智能性,难以实现有效的系统故障预警的缺点,引入了人工神经网络技术,并以此为核心,构建远程故障诊断专家系统模块,详细分析了神经网络技术在空气压缩机故障诊断中的应用,有效地提高了远程监控系统对压风系统故障的预判断及处理能力。

远程控制; 信号采集; 神经网络; 故障诊断

Class Number TP18

1 引言

在工业生产领域中,经常需要空气压缩机为生产流程供风,很多企业采用离心式空气压缩机取代原有的活塞式空压机,并建立空压站,具体负责压缩空气的产生的传输[1]。离心式空气压缩机具有运行效率高、综合性能好等优点[2]。为了更好地对空压机的工作状态进行监控,有必要构建一套压风控制系统,用以监测和管理空压机的工作流程。

故障诊断是压风控制系统中的重要内容,空压机结构复杂,在长时间运行过程中很容易出现故障,对工业生产造成严重的影响[3]。本文针对目前空压机故障诊断方法缺乏智能性,预判和预警能力不足,难以保障安全生产的问题,引入了人工神经网络技术,利用历史数据对其进行训练,使用时对空压机各监测点的数据进行实时分析,构建了远程故障诊断专家系统模块,详细分析了空压机故障诊断神经网络的构建过程,讨论了其在空气压缩机故障诊断中的应用,证明其能够有效地提高远程监控系统对压风系统故障的预判断及处理能力。

2 离心式空压机常见故障分析

离心式空气压缩机存在着一些常见的故障,主要包括[4]:

1) 转子不平衡。离心式空压机的转子由轴承和叶轮组成,负责空气的进入和定向增压输送,由于需要长时间地工作,易出现运行不平衡的现象,其可能的原因包括空压机自身工艺水平没有达到要求,转子结垢,零件磨损,有异物进入影响转子正常工作等。

2) 转子不对中。该类故障主要包括轴系不对中和轴承不对中两种类型,其中轴系不对中较为常见。轴系不对中是指联接轴上的各个转子并不在一条直线上,当转子不对中幅度较大时,极有可能造成轴承迅速磨损变型,导致严重的后果。

3) 转子弯曲。该类故障主要是指离心式空压机中的各个转子中心线弯曲。由于制作工艺不到位,或者运行过程中的操作不当,易造成转子的永久弯曲,这是不可恢复的,而由于某次操作不当造成的转子弯曲则是可以恢复的。

4) 油膜振荡。该类故障主要是由于轴系设计工艺有偏差,轴承损耗、润滑油使用不当等原因引起的旋转轴自激振动,这是一种非外界原因导致的故障,由于自激振荡可不断自我加强,所以对于整个空压机的破坏性较大。

5) 旋转失速与喘振。这两种故障是离心式空压机所特有的,旋转失速是指转子的叶轮由于系统设计的不当,或者气流管道被堵塞,以及对排气流量的设置不正确等原因引起的速度不平衡,进而对压缩机的正常工作性能指标产生影响[5]。旋转失速进一步发展就会导致喘振的发生,喘振的危害性更大,会导致离心式空压机的灾难性事故。

3 故障诊断模块的设计

空压机故障诊断功能的设计主要是根据空压机参数的数值状态和变化情况,判断空压机是否存在故障,并判断出故障的类型。主要解决的问题包括: 1) 空压机状态参数的获取与分析, 2) 对可能出现故障的判断。

第一个问题的解决主要是设计对空压机状态信息的远程查询功能,通过上位机向各空压机发送数据获取指令,得到其状态数据,并存储到数据库中,再根据故障判断处理的需求,将所需要的数据提取后处理,其流程如图1所示。

图1 故障诊断基础数据获取流程图

如图1所示,通过上位机控制获取到的空压机参数数据将保存到数据库中,根据故障诊断处理的需求进行读取和处理,其处理的结果将作为后继数据智能处理算法的基础。

第二个问题的解决主要是依靠智能化的数据处理方法,构造专家系统,将专家的经验进行数字化处理,从而实现对故障类别的自动判断。本系统构建了专家系统用于对空压机的故障进行诊断。专家系统的核心是基于知识的推理过程。空压机专家系统的构建如图2所示。

图2 空压机故障诊断功能专家系统结构图

专家系统的输入为空压机各参数的实时变化数值,然后通过引用知识库中已经完成的故障模型,推理出当前可能存在的故障隐患。空压机可能出现多种故障类型,针对每一种故障类型,专家系统给出故障相应的解决方案。专家系统的构建涉及到多个理论领域的内容,包括模糊数学、灰色理论、神经网络理论等。从总体上看,专家系统由知识库、知识获取模块、数据库、推理解释模块等组成。其中知识库中存储启发性知识,推理模块中组织和调用知识库中的知识和元数据实现对参数数值的判定,知识获取模块通过人工和智能算法相结合的方式,生成对故障进行处理的启发式知识。

4 故障诊断功能的实现

人工神经网络的应用是空压机故障诊断的核心。首先通过设置监测点获取数据,然后再利用经过训练的神经网络对其进行处理,通过输出的状态对故障类型进行判断。

4.1 监测点的选取

空压机运行状态包括多个参数类型,对监测属性的选取主要是从保证空压机安全运行的角度出发,选取最具有代表性的、与空压机运行监管过程相关度最高的监测点。离心式空压机常见的故障在第2节已经进行了分析,经过多年的研究和统计,各类故障的名称、发生的概率、产生故障的原因如表1所示。

表1 离心式空压机故障及原因表

由表1可知,由于离心式空压机中各类原因引起的故障,其故障表现中,噪声、振动、温度、压力等物理量均会出现相应的变化,所以选择噪声、振动、温度、压力作为空压机的监测物理指标对象。

4.2 基于神经网络的诊断实现

神经网络包括多种类型,BP神经网络是其中应用最为广泛的一种模型。BP神经网络通过反馈的方式对网络中的参数和权值进行调整,通过不断的误差修正,使网络误差减小到可接受的范围内[7]。BP神经网络具有对非线性函数的无限逼近能力,还具有非常强大的泛化功能。相关的理论证明表明,利用三层BP神经网络,在隐含层节点可自由设置的情况下,可以实现对任意非线性连续函数的仿真[8]。

BP神经网络的输出是将输入的信号经过具有不同权值、阈值的隐含层节点处理,最终形成的线性组合。隐藏层中的节点由任意阶的非常数导数组成,该模式下的神经网络可以无限逼近非线性连接函数。BP神经网络的工作流程为:首先将输入信号接入到输入层,然后经过隐含层作用函数的处理后进入输出层,再经过处理后输出最终的结果。BP神经网络的结构如图3所示。

图3 BP神经网络结构图

其中,隐含层所采用的作用函数选取十分关键,一般使用的是Sigmoid函数,如式(1)所示:

(1)

对于压风控制系统的故障诊断,还可以采用其他作用函数,包括:

1) 线性函数

f(x)=kx

(2)

其中k为常数。

其次，虽然我国对少数民族学生采取了特殊的高考招生政策，但是在少数民族学生就业方面，并未制定相对完备的政策，使得大量的少数民族学生不能按时就业，影响了民族地区的经济和文化发展。因此，要增加有关少数民族毕业生就业问题的政策和法规，加强政府在就业管理与服务工作中的推动作用，同时，用人单位增强自身竞争能力，建立良好的就业环境，吸引人才，增强人才积聚力。[12]如建立“订单式”的人才培养模式，以建立企业和学校的良性互动，缓解少数民族学生的就业问题。

2) 阈值函数

(3)

其中x0为阈值。

3) 双曲正切函数

(4)

4) 高斯函数

(5)

在空压机故障诊断过程中,可以根据不同的故障诊断要求对隐含层的作用函数进行选择,通过对比,选择一种处理效果最好的作用函数。BP神经网络算法的学习过程包括正向和反向两个过程,正向过程中,信号数据由输入层接入,经过隐含层和输出层的处理后得到结果,在此过程中,每一层的神经元状态只会对下一层的神经元产生作用;如果输出的结果不符合要求,则通过反向的过程,将信号产生的误差按照正向的路径进行反馈处理,在此过程中对网络的权值等参数进行修改。不断地重复这一过程对网络进行训练,使BP神经网络的误差小于设定的阈值。

对于BP神经网络学习过程的处理,设网络中的输入层、隐含层、输出层的节点数分别为n、l、m,总的训练样本数设置为N个,由于输入层有n个节点,所以输入样本的向量表达式为(x1,x2,…,xn),BP网络中还包括连接不同层之间线路的权值,输入层和隐含层之间的连接权值设为Wji,则隐含层的输入表达式如式(6)所示:

(6)

隐含层的输出表达式为

Outj=f(NETj)

(7)

式中的作用函数即为隐含层所选取的作用函数。设隐含层与输出层之间的连接权值为Wkj,则输出层的输入如式(8)所示:

(8)

输出层的输出如式(9)所示:

yk=f(Ink)

(9)

对于在BP神经网络训练过程中出现的误差,采用平方误差的计算方式,以所有参与训练的样本总误差为研究对象,误差表达式如式(10)所示:

(10)

基于BP神经网络,对传统的专家系统进行改进。首先是构建专家系统的知识库,在引入了BP神经网络后,该步骤主要对BP神经网络中的Wji和Wkj进行确定。其具体的步骤如下:

Step1:根据空压机故障的实际情况构建BP神经网络的结构。

Step2:选择并预处理训练样本

采集用于故障诊断BP神经网络训练所用的样本信号数据,这些数据来源于实际的生产过程,有着明确的故障判别规则。这些数据在使用前还需要对其进行预处理,从而使BP神经网络的训练更为科学可靠。

Step3:利用训练样本数据对构建好的BP神经网络进行训练,通过反向的误差纠正操作,对网络中的连接权值和阈值进行不断的调整,最终完成知识库的构建。对于完成了训练的BP神经网络,将网络中的权值和阈值保存到相应的文件中。

根据专家系统的构建流程,在完成知识库的构建后,下一步骤是构建推理机能。在引入了BP神经网络处理技术后,这一步骤即为利用训练好的神经网络实现对新输入数据的处理和判断。其步骤如下:

Step1:构建BP神经网络,也就是从文本数据库中取出BP神经网络的权值、阈值等信息,然后据此建立BP神经网络,完成对知识库的构建。

Step2:对选定的四个监测信号源数据进行处理,生成BP神经网络的输入向量(x1,x2,…,xn)。

Step3:利用BP神经网络对于输入的向量进行处理,得到故障诊断的结果。

经由BP神经网络处理后得到的结果并不是专家系统的直接输出。由于在BP神经网络的隐含层采用的是Sigmoid作用函数,所以从输出层得到的处理结果只是趋近于1或者0,而无法真正达到1或者0,因此在实际处理时要设定阈值,该阈值的确定来源于神经网络训练过程中对于样本的处理,其取值为0.7,也就是大于0.7的输出值认为是所发生的故障。

在基于BP神经网络的专家系统实际使用过程中,经常会出现所有输出层节点得到的值都小于阈值的情况,导致专家系统无法判断出现的故障类型,所以还需要在输出层建立故障的判断机制。

通过观察发现,当空压机发生某类故障时,表征该类故障的输出节点值虽然有可能小于阈值,但是明显比其他节点输出值大。例如,当采集到的信号数据经过BP神经网络的处理得到的油压异常输出为0.452、不对中异常输出为0.082、转子不平衡异常输出为0.041时,可以判断,由于油压异常故障的输出值明显大于其他的异常输出情况,所以目前空压机出现的故障为油压异常。

5 结语

传统的专家系统虽然在实际的应用中取得了一定的效果,但是也存在着较多的问题,主要是知识获取模块的科学性和合理性无法令人满意,现有的知识难以高效地维护,故障推理的能力偏弱。为了进一步提高专家系统的故障诊断能力,本系统在设计中引入了神经网络技术,两者相结合,取长补短,可以有效地提高故障诊断的正确性和效率。

[1] Emmons H W, Pearson C E, Grant H P. Compressor Surge and Stall Propagation[J]. Transactions on ASME,2010,77:455-469.

[2] Greitzer E M. Surge and Rotating Stall in Axial Flow Compressors, Part Ⅰ: Theoretical Compression System Model[J]. Journal of Engineering for Power,2011,98(2):1990-1998.

[3] Hansen K E, Jorgensen P, Larsen P S. Experimental and Theoretical Study of Surge in a Small Centrifugal Compressor[J]. Fluid Engineering,2009,103(3):391-394.

[4] Gravdahl J T, Egeland O. Compressor Surge and Rotating Stall: Modeling and Control[M]. Berlin: Springer,2011:33-36.

[5] Simon J S, Valavani L, Epstein A H, et al. Evaluation of Approaches to Active Compressor Surge Stabilization[J]. Journal of Turbomachinery,2010,115(1):57-67.

[6] Yao X, et al. A New Evolving System for Evolving Artificial Neural Networks[M]. IEEE Trans NN,2012,8(2):694-698.

[7] Riedmiller Martin, Braun Heinrich. A direct adaptive method for faster back propagation learning: The RPROP algorithm[J]. Proceedings of the IEEE International Conference on Neural Networks,2013(9):43-45.

[8] Behera Lon adaptive learning rate that guarantees convergence in feed forward networks[J]. IEEE Transactions on Neural Networks,2010(6):81-83.

Application of Artificial Neural Network in the Wind Pressure Control System

PAN Chao1ZHANG Xiushan2LI Angxin3LIU Wei3

(1. Pushsoft Technology Co. Ltd, Beijing 100036) (2. Dapartment of Computer Engineering, Naval University of Engineering, Wuhan 430033) (3. No. 93682 Troops of PLA, Shunyi 100301)

Fault diagnosis of air supply system in centrifugal air compressor for industrial is studied. Aiming at the disadvantages that diagnosis methods of fault in wind pressure control system is lack of intelligence, and difficult to realize fault warning defects effectively, the technology of artificial neural network is introduced, and used as the core to construct remote fault diagnosis expert system module, make a detailed analysis of the application of neural network technology in fault diagnosis of air compressor. It effectively improves on the compressed air system fault pre judgment and the processing ability of the remote monitoring system.

remote control, signal acquisition, neural network, fault diagnosis

2015年3月4日,

2015年4月17日

潘超,男,研究方向:计算机网络技术。张秀山,男,博士,教授,研究方向:虚拟仿真与可视化。李昂欣,男,工程师,研究方向:计算机通信。刘伟,女,助理工程师,研究方向:计算机通信。

TP18

10.3969/j.issn.1672-9730.2015.09.038