【正文】 準確率 N= 測試總數(shù) 匹配總數(shù)診斷結(jié)果與實際結(jié)果的 100% （ ） 表 訓(xùn)練數(shù)據(jù) 參數(shù) 組數(shù) 1 2 3 4 5 6 1 1 66 2 1 3 1 4 1 … … … … … 47 0 48 0 49 0 50 0 沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計（論文） 29 神經(jīng) 網(wǎng)絡(luò)的訓(xùn)練 對 BP 神經(jīng)網(wǎng)絡(luò)進行特 征性訓(xùn)練之后，再用實際滾動軸承樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行適應(yīng)性訓(xùn)練，每一種運行狀態(tài)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練都應(yīng)該采用該種狀態(tài)下的特征參數(shù)數(shù)據(jù)進行，訓(xùn)練完成后，該神經(jīng)網(wǎng)絡(luò)就可以用來診斷滾動軸承的故障類型了。樣本集必須包含軸承各類故障的典型樣本，即要求訓(xùn)練樣本集完整。在設(shè)計網(wǎng)絡(luò) 的訓(xùn)練過程中，應(yīng)通過對比訓(xùn)練來尋求最優(yōu)的期望誤差。從激活函數(shù)的特性分析，初始權(quán)值應(yīng)該取介 (1,1)之間的隨機數(shù)，從而保證神經(jīng)元的權(quán)值都能夠在它們的 S 型 激活函數(shù)變化最大的地方進行調(diào)節(jié)。在設(shè)計中應(yīng)當(dāng)盡可能地減少網(wǎng)絡(luò)模型的規(guī)模，以減少網(wǎng)絡(luò)的訓(xùn)練時間。 （ 2）輸出層節(jié)點數(shù) 沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計（論文） 26 作為故障診斷的輸出節(jié)點，希望能夠直接從輸出結(jié)果得到故障模式的判斷本文采用二進制編碼方式，滾動軸承的故障編碼即 BP 神經(jīng)網(wǎng)絡(luò)的期望輸出。 (2) 初始權(quán)值的選取 ?；旌蠈W(xué)習(xí)算法的一次迭代由兩步組成：第一步，先固定前件網(wǎng)絡(luò)參數(shù)，輸入信號沿網(wǎng)絡(luò)正向傳遞直到第 4層，采用最小二乘估計算法調(diào)節(jié)后件網(wǎng)絡(luò)參數(shù)。 1 , 2 , ,j m i n l r? ? ?。 Takagi—Sugeno型模糊規(guī)則的輸出是輸入變量的線性組合，即 1212101: .. . ,...j j jjn nnj j j jnif is and is and and is the nx x xR A A Ay p p pxx? ? ? ? （ ） 式中， j = nijim m???1,2, ,m? 。圖 是一個具有二輸入二輸出的典型自適應(yīng)網(wǎng)絡(luò)（圖中用數(shù)字 1,2,3,4,5,6,7來標(biāo)注各節(jié)點）?；谧赃m應(yīng)神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)不僅能夠從專家的經(jīng)驗中提取語言規(guī)則，而且能夠利用輸入、輸出數(shù)據(jù)優(yōu)化模型。所以說，模糊推理層可以模擬執(zhí)行模糊關(guān)系的映射，以實現(xiàn)模糊模式識別 、 模糊推理和模糊聯(lián)想等。模糊神經(jīng)網(wǎng)絡(luò)的具體結(jié)構(gòu)則因模糊系統(tǒng)的具體描述方式 、 網(wǎng)絡(luò)學(xué)習(xí)算法和節(jié)點函數(shù)選取的不同而異。 (5) 構(gòu)造完整意義上的模糊神經(jīng)網(wǎng)絡(luò)模型和算法。將式（ ）和式（ ）代入可得： ? ? ? ?m ijmi m ipjpipml m lppjpipijp wIxfxEIxfwE ?? ?????? ? （ ) 可見由 公 式（ ）和 公 式（ ）對 公 式 ()進行權(quán)值調(diào)整計算。 ???f 取可微的 S 型作用函數(shù)，即 ? ? xexf ???1 1 （ 3） 計算網(wǎng)絡(luò)的目標(biāo)函數(shù) J : 設(shè) pE 為在第 p 組樣本輸入時網(wǎng)絡(luò)的目標(biāo)函數(shù)，則 ? ?? ? ? ?tetydEk kpk kpkpP ???? ??22 2121 （ ） 式中， ??tykp 為在第 p 組樣本輸入時，經(jīng) t 次權(quán)值調(diào)整后網(wǎng)絡(luò)的輸出； k 為輸出層第 k 個節(jié)點。 BP 網(wǎng)絡(luò)學(xué)習(xí)方法的主要思想是把網(wǎng)絡(luò)學(xué)習(xí)分為兩個過程，即正向傳播輸出過程沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計（論文） 15 和反向傳播調(diào)整過程兩部分，正向傳播中，輸入信號從輸入層經(jīng)隱層傳向輸出層。網(wǎng)絡(luò)的學(xué)習(xí)過程包括正向傳播和反向傳播。在工程與學(xué)術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。 ⑤ 波形因子： mpeako xxQ ? （ ） 波形系數(shù)為峰值與絕對均值之比。在此我們定義了六個參數(shù)。 故障只能作為物理參數(shù)表現(xiàn)出來，只要滾動軸承的狀態(tài)發(fā)生了變化 (即有故障產(chǎn)沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計（論文） 11 生 )，就必定會影響到與之相聯(lián)系的各個物理參數(shù)的變化；而故障類型與各物理參數(shù)的關(guān)系強弱是我們最感興趣的問題，因為只有那些與某種故障類型之間的關(guān)系密切、對故障靈敏可靠的物理參數(shù)才被用于滾動軸承的故障診斷。 軸 承加 速 度 傳感 器數(shù) 據(jù) 采 集系 統(tǒng)軸 承 故 障診 斷 系 統(tǒng) 圖 （ 1）軸承 :這里所使用的軸承包括了正常的和有故障的軸承，實驗系統(tǒng)運行時，所獲取的數(shù)據(jù)就相應(yīng)地代表軸承狀態(tài)。 滾動軸承故障類型 滾動軸承不同類型的故障會引起軸承系統(tǒng)不同性質(zhì)的特征振動，按照振動信號的不同，滾動軸承故障可以劃分為如圖 所示的形式。滾動體的形式有球形、圓形、錐柱形和鼓形等。 滾動軸承機理及故障類型 滾動軸承在旋轉(zhuǎn)過程中難免會產(chǎn)生振動，當(dāng)滾動軸承存在缺陷時，其振動將呈沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計（論文） 8 現(xiàn)出一定的特征，測量的振動信號作為滾動軸承故障的信息載體，具有適用性強、效果好 、測取簡單的特點，根據(jù)所監(jiān)測頻帶的不同，可將滾動軸承缺陷的振動信號劃分為低頻診斷和高頻診斷，其中低頻診斷主要是針對滾動軸承中各元件缺陷的旋轉(zhuǎn)特征頻率進行的 。利用我們采集的實測數(shù)據(jù)，分別構(gòu)造了基于軸承振動參數(shù)的正常及故障狀態(tài)的訓(xùn)練樣本，在 MATLAB 環(huán)境中對構(gòu)建的 BP 神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試，驗證了故障診斷系統(tǒng)對滾動軸承不同狀態(tài)進行識別的有效性。 近年來，隨著燃氣輪機故障診斷技術(shù)的發(fā)展，故障預(yù)測與健康管理 (Prognostic andHealth Management / Monitoring, PHM)系統(tǒng)獲得 了廣泛的關(guān)注，以達到對燃氣輪機的健康進行管理、故障預(yù)測、以及壽命預(yù)估的目的。 2021 年翁史烈等在《基于熱力參數(shù)的燃氣輪機 智能故障診斷》一文中提出了故障與征兆之間定量關(guān)系的求取方法，并在此基礎(chǔ)上研究了模糊邏輯和神經(jīng)網(wǎng)絡(luò)的故障診斷方法。 美國是最先開展燃氣 輪機故障診斷研究的國家，在相關(guān)的研究領(lǐng)域一直處于世界一流的水平，其他國家在燃氣輪機的故障診斷領(lǐng)域也有理論和技術(shù)的優(yōu)勢。 在動力系統(tǒng)中燃氣輪機有著重要地位，而燃氣輪機故障診斷技術(shù)也是國內(nèi)外研究的一個熱點。 (2) 推動燃氣輪機維修理念的改革 傳統(tǒng)的燃氣輪機維修思想是經(jīng)驗性，即“以預(yù)防為主”的思想，維修方式是按預(yù)先規(guī)定的周期進行定時維 修。有的軸承已大大超過設(shè)計壽命而依然完好地工作，而有的軸承遠未達到設(shè)計壽命就出現(xiàn)了各種故障。燃氣輪機在陸上和航海交通領(lǐng)域中也占有越來越重要的地位，由于其較高的熱效率和較小的排氣污染，在能源和電力部門也日益成為動力設(shè)備的主流產(chǎn)品，它們一旦發(fā)生事故或出現(xiàn)故障就會給生產(chǎn)經(jīng)營造成極其嚴重的影響。 艦用燃氣輪機某關(guān)鍵部件故障診斷方法研究 系 別 信息工程系 專 業(yè) 測控技術(shù)與儀器 班 級 B141401 學(xué) 號 B14140129 姓 名 袁斌 指導(dǎo)教師 崔建國 負責(zé)教師 崔建國 沈陽航空 航天大 學(xué) 北方科技學(xué)院 2021 年 6 月沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計（論文） I 摘 要 燃氣輪機的關(guān)鍵部件之一 滾動軸承是 機械 設(shè)備運行過程中產(chǎn)生最易產(chǎn)生故障的零件，它運行的正常與否直接影響到整臺機器的性能。因此維護燃 氣輪機在正常狀態(tài)下運行，避免或及時診斷處理燃氣輪機運行故障就顯得尤為重要。所以，如果按照設(shè)計壽命對軸承進行定時維修，則勢必出現(xiàn)以下情形 :一方面，把超過設(shè)計壽命而完好工作的軸承拆下來作為報廢處理，造成浪費 。開展燃氣輪機故障診斷方法及其應(yīng)用研究可以實現(xiàn)維修思想和維修方式的改變，將維修思想從“以預(yù)防為主”轉(zhuǎn)變?yōu)椤耙钥煽啃詾橹行摹?，維修方式從“定時維修”轉(zhuǎn)向“視情維修”。由于燃氣輪機故障診斷和狀態(tài)監(jiān)控能大大提高機組運行的安全性和可靠性，同時也能大幅度降低維修成本，所以燃氣輪機故障診斷模型的研究有重要的理論意義和較強的經(jīng)濟應(yīng)用價值。針對燃氣輪機， 2021 年 等人采用模糊邏輯的診斷技術(shù)，并且考慮了測量信號的噪聲，系統(tǒng)能成功的診斷出燃氣輪機的單一故障，此外，又研究一種分層訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)，即利用 RBF 和 PNN 分別處理特定的任務(wù)，并將其應(yīng)用于燃氣輪機的一些組件故障的檢測，隔離和評估中。使得神經(jīng)網(wǎng)絡(luò)算法的應(yīng)用得到極大發(fā)展。 研究內(nèi)容 燃氣輪機是一類結(jié)構(gòu)復(fù)雜、工作環(huán)境特殊的大型系統(tǒng)，故障類型具有多模式、多發(fā)性、突發(fā)性的特點，且一旦發(fā)生故障，危害性極大。 第 5 章： 論述 基于自 適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)（ ANFIS）故障診斷器的設(shè)計及其診斷結(jié)果。而高頻診斷則著眼于滾動軸承因存在缺陷時所激發(fā)的各元件的固有頻率振動。滾動體可在內(nèi)、外圈滾道上進行滾動。 軸承構(gòu)造 不同軸 滾動軸承 故障 工件面波紋 外圈損傷 內(nèi)圈損傷 表面損傷 滾體損傷 保持架損傷 磨損 偏離準心 圖 本文主要以損傷類故障內(nèi)為題，表面損傷 滾動軸承最常見的一種故障形式，常表現(xiàn)為元件表面疲勞剝落、壓痕、裂紋、燒傷、劃傷等。 （ 2）加速度傳感器 :用于獲取振動信號，加速度傳感器的輸出與被測物體振動的加速度成正比。這些對故障靈敏、穩(wěn)定可靠的物理參數(shù)正是我們要選擇的滾動軸承的故障特征參數(shù)。 ① 均值： ???ni im xnX 11 () 均值 mX 表示隨機過程的中心趨勢，隨機過程都是圍繞著它聚集和波是隨機過程的靜態(tài)分量。當(dāng)波形系數(shù)值過大時，表明滾動軸承可能有點蝕 。神經(jīng)網(wǎng)絡(luò)是一種運算模型，由大量的節(jié)點（或稱神經(jīng)元） 和之間相互聯(lián)接構(gòu)成。在正向傳播進程中，輸人信息從輸人層經(jīng)隱層加權(quán)處理傳向輸出層，經(jīng)功能函數(shù)運算后得到的輸出值與期望值進行比較，若有誤差，則誤差反向傳 播，沿原先的連接通道返回，通過逐層修改各層的權(quán)重系數(shù)，減小誤差。 圖 BP網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò) BP 網(wǎng)絡(luò)主要用于 : (1) 函數(shù)逼近 :用輸入矢量和相應(yīng)輸出矢 量 訓(xùn)練一個網(wǎng)絡(luò)逼近一個函數(shù) 。若輸出層得到了期望的輸出，學(xué)習(xí)算法結(jié)束 。 網(wǎng)絡(luò)總的目標(biāo)函數(shù)為： ? ? ? ???p p tEtJ （ ） 總 目標(biāo)函數(shù)作為對網(wǎng)絡(luò)學(xué)習(xí)狀況的評價。 自適應(yīng) 模糊神經(jīng)網(wǎng)絡(luò) （ ANFIS） 神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)都屬于 “計算智能（ Computational Intelligence） ”的范疇。 自適應(yīng) 模糊神經(jīng)網(wǎng)絡(luò)（ ANFIS）結(jié)構(gòu) 模糊神經(jīng)網(wǎng)絡(luò)（ Fuzzy Neural Network,簡稱 FNN）是全部或部分采用模糊神經(jīng)元所構(gòu)成的一類可處理模糊信息的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。 圖 模糊神經(jīng)網(wǎng)絡(luò)的邏輯結(jié)構(gòu) 模糊神經(jīng)網(wǎng)絡(luò)有很多種類型，與一般神經(jīng)網(wǎng)絡(luò)相似，通常可以分為前向型模 糊神經(jīng)網(wǎng)絡(luò)和反饋型模糊神經(jīng)網(wǎng)絡(luò)兩大類。去模糊化層接受經(jīng)中間層處理的數(shù)據(jù)，并按照模糊度函數(shù)將這些數(shù)據(jù)進行非模糊化處理，即將推理結(jié)論變量的分布型基本狀態(tài)轉(zhuǎn)化成與網(wǎng)絡(luò)輸入值相應(yīng)的確定狀態(tài)的量，這在模式識別中非常必要。也就是說，模糊神經(jīng)網(wǎng)絡(luò)為模糊建模提供從數(shù)據(jù)中獲取信息，通過調(diào)節(jié)隸屬函數(shù)，使該模型很好地吻合給定數(shù)據(jù)的模糊建模方法。自適 2 3 7 4 1 5 6 沈陽航空航天大學(xué)北方科技學(xué)院畢業(yè)設(shè)計（論文） 21 應(yīng)網(wǎng)絡(luò)把參數(shù)分配給網(wǎng)絡(luò)節(jié)點，這樣每個節(jié)點都具有一個局部參數(shù)集合，這些局部參數(shù)集合組合的并集就是網(wǎng)絡(luò)全部參數(shù)的集合。 若輸入量采用單點模糊集合的模糊化方法，則對于給定的輸入 x ，可以求得對于每條規(guī)則的適應(yīng)度為 ? ? ? ? ? ?1212j j jA A A njnu u ux x x? ? ? ???? （ ） 模糊系統(tǒng)的輸出量為每條規(guī)則的輸出量的加權(quán)平均，即 111mj mjjm j jjjjyy y? ???????? ?? （ ） 其中： 1jmjii??