基于优化神经网络的机电设备安装中实时故障诊断方法研究

孙巨岗

（天津市汇和机电设备安装有限公司，天津300350）

0 引言

随着工业化进程的不断推进，厂矿企业的数量也越来越多［1］。在厂矿企业中，对机电设备安装中的故障进行准确诊断，对于消除设备的安全隐患、降低设备故障率等都具有重要的意义，因此，如何对设备安装过程中的故障进行实时诊断，成为当前设备故障诊断领域的一个热门研究课题［2］。传统的设备安装中的故障诊断主要是通过人工进行，主观性强，效率低，随着故障诊断技术的进步，一些先进的故障诊断方法被应用到机电设备安装中的故障诊断领域，并取得了显著的效果［3］。但是，随着制造业水平的不断提高，机电设备的体积越来越大，结构也越来越复杂。大型机电设备内部的部件之间形成了错综复杂的关系。在大型机电设备安装过程中，一旦出现故障，将会对故障特征造成非线性的干扰。传统的方法主要根据机电设备运行中的故障特征进行诊断，无法克服这种干扰造成的影响，从而降低了诊断的准确率。

针对上述传统方法的缺陷，本文提出一种基于优化神经网络的机电设备安装中实时故障诊断方法，对故障特征的主成分进行分析，并提取特征主成分作为神经网络的输入量，利用神经网络构建故障诊断模型，并对神经网络的学习速度进行优化。实验结果表明，该算法在机电设备安装中实时故障诊断方面具有优势。

1 对故障特征主成分进行分析

设置X为n维的故障特征向量，则可以用n维特征向量的加权和进行描述：

式中，αi为故障特征的权重；φi为故障的特征向量。

假设φi为正交向量，则有：

其中，Φ＝｛φ1，φ2，…，φn｝，ΦTΦ＝1。

利用下述公式能够描述机电设备安装中的故障特征向量X的自相关矩阵：

将X＝Φα代入到公式（3）中，则有：

其中，R为X的自相关矩阵，λj为矩阵的特征值。

将矩阵的特征值进行次序排列，能够得到下述结果：

这样，能够得到机电设备安装中的故障特征向量的变换矩阵：

其中，m＜n。

通过故障特征值的大小得到故障各个主成分的贡献，通常设置m的值大于90%，即通过前m个故障特征的主成分描述整个故障信息，并将m个故障特征的主成分作为神经网络的输入量。

2 建立故障诊断的神经网络模型

神经网络是一种解决非线性问题的工具，在模式识别与分类方面具有较强的优势，因此可以将其用于设备安装中的实时故障诊断方面。本文用于机电设备安装中实时故障诊断的神经网络为径向基（RBF）前向型神经网络，它由输入层、隐含层和输出层构成。

在RBF神经网络中，输入层与隐含层之间为线性关系，隐含层与输出层之间为非线性关系，利用RBF神经网络进行机电设备安装中的实时故障诊断的具体方法如下所述：

采集机电设备安装中的故障信号，并进行归一化处理，将其作为神经网络的输入信号，设置向输入层输入的待诊断数据为：

其中，xi＝｛xi1，xi2，…，xip｝T，i＝1，2，…，n。

则隐含层到输出层的数据能够描述为：

利用下述公式能够描述隐含层中的激励函数：

其中，x为输入量，ci为激励函数的中心，σ为激励函数的宽度，上述激励函数是线性的。

神经网络的输出数据是对隐含层的全部神经元加权后累加获得的，则利用下述公式能够描述神经网络的输出：

利用下述公式能够对机电设备安装中的故障诊断误差进行计算：

在网络学习过程中，通过引入动量因子α（0＜α＜1）对学习速度进行优化，其公式如下：

式中，D（k）为负梯度。

根据上面阐述的方法，对网络学习速度进行改进，并考虑到诊断误差对梯度的影响，从而避免了诊断结果不是局部最优解的情况，实现了对机电设备安装过程中故障的实时诊断。

3 仿真实验

为了验证本文算法进行故障诊断的有效性，需要进行一次仿真实验。利用仿真软件MATLAB 7.1编写机电设备安装中故障诊断的实验环境。机电设备安装过程中的故障十分复杂，本文以某水电机组设备的安装为例，采集故障数据，获得频段特征向量，并利用下述公式进行归一化处理：

对故障特征数据进行训练，得到的神经网络的结构为12－6－5，在实验过程中，利用传统神经网络算法进行对比实验，实验结果能够用表1进行描述。

表1 BP－NN和BP－WNN的结果对比

从表1实验结果可知，本文算法的诊断效率和诊断准确率相对传统算法得到极大提高，能够满足机电设备安装对于故障实时诊断的要求。这充分表明了本文算法在机电设备安装中实时故障诊断方面的优势。

4 结语

机电设备安装中实时故障诊断方法是一项复杂的工作，提高故障诊断的效率和准确率具有重要的实际意义。本文算法对故障成分的主特征进行提取，作为神经网络的输入量，并优化神经网络的学习速度，实验结果令人满意。

［1］吴大鹏，赵莹，熊余，等.基于小波神经网络的告警信息相关性挖掘策略［J］.电子与信息学报，2014，36（10）：2379－2384.

［2］康见见，柴嘉鸿，孙士杰，等.基于BP神经网络的柴油机燃烧特征参数前馈预测模型［J］.科学技术与工程，2014（24）：221－225.

［3］张齐生.低压配电设备安装工程常见问题及对策［J］.科技创新与应用，2014（36）：182.