人工神經(jīng)網(wǎng)絡(luò)在機(jī)械故障診斷中的應(yīng)用(編輯修改稿)
2024-09-05 16:05 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 活函數(shù)(作用函數(shù))選取的不同，可分為離散型(DHNN)和連續(xù)性(CHNN)兩種。DHNN：作用函數(shù)為hadlim，主要用于聯(lián)想記憶。CHNN：作用函數(shù)為S型函數(shù)，主要用于優(yōu)化計(jì)算。組合優(yōu)化問(wèn)題，就是在給定約束條件下，求出使目標(biāo)函數(shù)極?。ɑ驑O大）的變量組合問(wèn)題。 將Hopfield網(wǎng)絡(luò)應(yīng)用于求解組合優(yōu)化問(wèn)題，就是把目標(biāo)函數(shù)轉(zhuǎn)化為網(wǎng)絡(luò)的能量函數(shù)，把問(wèn)題的變量對(duì)應(yīng)于網(wǎng)絡(luò)的狀態(tài)。這樣當(dāng)網(wǎng)絡(luò)的能量函數(shù)收斂于極小值時(shí)，問(wèn)題的最優(yōu)解也隨之求出。2 機(jī)械故障診斷技術(shù)所謂故障是設(shè)備喪失其規(guī)定的功能。故障不等于失效更不等于損壞, 失效與損壞是嚴(yán)重的故障。對(duì)于現(xiàn)代化設(shè)備來(lái)說(shuō), 故障是不可避免的, 如果能做到及早發(fā)現(xiàn)、防患于未然, 可為企業(yè)節(jié)省大量的維修費(fèi)用。早期的維修方式主要采用以時(shí)間為基礎(chǔ)的定期維修, 不該修的修了, 造成了很多不必要的浪費(fèi), 該修的不能及時(shí)修, 從而導(dǎo)致事故。以時(shí)間為基礎(chǔ)的定期維修必然要過(guò)渡到以狀態(tài)為基礎(chǔ)的狀態(tài)監(jiān)測(cè)維修制度。作為狀態(tài)監(jiān)測(cè)的支承技術(shù)機(jī)械故障診斷技術(shù)必將被大家所接受、認(rèn)同。設(shè)備故障診斷技術(shù)應(yīng)保證設(shè)備在將有故障或已有故障時(shí), 能及時(shí)診斷出來(lái)并進(jìn)行相應(yīng)的正確維修, 以減少維修時(shí)間, 提高維修質(zhì)量, 節(jié)約維修費(fèi)用。設(shè)備診斷技術(shù)的首要任務(wù)是通過(guò)測(cè)取設(shè)備的信息來(lái)識(shí)別設(shè)備的狀態(tài)。在運(yùn)轉(zhuǎn)的機(jī)械設(shè)備中, 振動(dòng)是最重要的信息來(lái)源, 在振動(dòng)信號(hào)中包含了各種故障信息。研究表明: 振動(dòng)的強(qiáng)弱及其包含的主要頻率成份和故障類(lèi)型、部位和原因等有著密切的聯(lián)系。利用振動(dòng)信號(hào)對(duì)設(shè)備狀態(tài)進(jìn)行判別, 從振動(dòng)信號(hào)中提取有用的特征信號(hào), 再利用信號(hào)處理技術(shù)對(duì)振動(dòng)信號(hào)進(jìn)行判別。機(jī)器的轉(zhuǎn)速很高, 許多起警告性的振動(dòng)會(huì)出現(xiàn)在高頻段, 因此, 只有用儀器才能檢測(cè)出來(lái)。在機(jī)器運(yùn)行良好的狀況下, 具有一個(gè)典型的振級(jí)和頻譜特征。當(dāng)機(jī)器出現(xiàn)故障時(shí), 機(jī)器的動(dòng)態(tài)過(guò)程以及機(jī)器零件上的一些作用力也隨著變化, 從而影響機(jī)器的振動(dòng)能級(jí)和頻譜的圖形。通過(guò)對(duì)振動(dòng)的測(cè)量和分析, 可以知道機(jī)器工作狀態(tài)的變化以及是否需要維修[5] 。3 人工神經(jīng)網(wǎng)絡(luò)在故障診斷技術(shù)中的應(yīng)用利用遺傳算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值, 可以彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的缺陷。對(duì)于機(jī)械故障診斷中測(cè)得的設(shè)備振動(dòng)信號(hào), 其屬于非線性時(shí)間序列, 很難用固定的模型來(lái)進(jìn)行描述, 可利用經(jīng)遺傳算法優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行預(yù)測(cè)。以某臺(tái)機(jī)械設(shè)備采集的一組振動(dòng)位移的采樣數(shù)據(jù)[6]為例, 來(lái)證實(shí)遺傳神經(jīng)網(wǎng)絡(luò)在機(jī)械故障診斷中的有效性和實(shí)用性。選取前100個(gè)數(shù)據(jù)作為訓(xùn)練樣本,后100個(gè)數(shù)據(jù)作為測(cè)試樣本。選用2 層BP 網(wǎng)絡(luò), 輸入單元數(shù)為3, 隱含層數(shù)目為5, 輸出層單元數(shù)為1, 待優(yōu)化的權(quán)值和閾值總數(shù)為26個(gè)。輸入層到隱含層的激活函數(shù)采用對(duì)數(shù)S型函數(shù), 隱含層到輸出層的激活函數(shù)采用線性函數(shù)。表圖8同時(shí)給出了標(biāo)準(zhǔn)BP算法、改進(jìn)BP算法和遺傳神經(jīng)網(wǎng)絡(luò)算法對(duì)訓(xùn)練樣本和測(cè)試樣本的預(yù)測(cè)結(jié)果。從表圖8中可以得出如下結(jié)論: 標(biāo)準(zhǔn)BP算法預(yù)測(cè)效果最差, 改進(jìn)的BP算法預(yù)測(cè)效果有所改善,遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的效果最好, 最接近實(shí)際值。采用實(shí)數(shù)編碼的遺傳算法, 運(yùn)行結(jié)果穩(wěn)定, 收斂速度能快且能達(dá)到全局收斂。雖然改進(jìn)的BP算法仿真結(jié)果也能基本接近真實(shí)值, 收斂速度也較快, 但每次運(yùn)行結(jié)果并不穩(wěn)定, 會(huì)出現(xiàn)陷入局部最小等問(wèn)題。圖7 三種不同方法對(duì)訓(xùn)練樣本的預(yù)測(cè)結(jié)果 圖8 三種不同方法對(duì)測(cè)試樣本的預(yù)測(cè)結(jié)果表1 幾種不同方法的預(yù)測(cè)結(jié)果模型訓(xùn)練樣本測(cè)試樣本最大絕對(duì)誤差均方差最大絕對(duì)誤差均方差標(biāo)準(zhǔn)BP算法改進(jìn)的BP算法遺傳神經(jīng)網(wǎng)絡(luò)由此可見(jiàn), 遺傳神經(jīng)網(wǎng)絡(luò)在機(jī)械振動(dòng)信號(hào)預(yù)測(cè)中是一種有效可行的方法?？筛鶕?jù)已經(jīng)測(cè)得的振動(dòng)信號(hào), 來(lái)預(yù)測(cè)機(jī)械設(shè)備未來(lái)的發(fā)展趨勢(shì), 從而確定設(shè)備是否發(fā)生故障。 再結(jié)合信號(hào)處理手段對(duì)預(yù)測(cè)的信號(hào)進(jìn)一步分析就可以確定故障的性質(zhì)和內(nèi)容, 最終對(duì)故障進(jìn)行定位, 進(jìn)而解決。4 結(jié) 論從以上分析可以看出, 利用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)克服了遺傳算法收斂至最優(yōu)解速度較慢和神經(jīng)網(wǎng)絡(luò)易陷入局部解的缺陷, 收斂速度快、仿真結(jié)果穩(wěn)定。作為一種機(jī)械故障診斷技術(shù), 在工程實(shí)際中有一定的理論指導(dǎo)及應(yīng)用價(jià)值。目前, 遺傳神經(jīng)網(wǎng)絡(luò)作為一種機(jī)械故障診斷技術(shù)只是一種可行性理論, 要將其真正用于解決實(shí)際工程問(wèn)題仍需做大量的工作。參 考 文 獻(xiàn)[1] 王江萍. 機(jī)械設(shè)備故障診斷技術(shù)及應(yīng)用[M]. 西安: 西北工業(yè)大學(xué)出版社, 2001.[2] 陳安，[J].重慶環(huán)境科學(xué)，2003，25(9)：1.[3] ，國(guó)防工業(yè)出版社，2010：1.[4] 高 雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M] . 北京: 機(jī)械工業(yè)出版社, 2003.[5] 王桂榮. 機(jī)械故障診斷技術(shù)簡(jiǎn)介[J]. 電站設(shè)備自動(dòng)化, 2006,12(4):24 26.[6] 楊叔子, 吳 雅. 時(shí)間序列分析的工程應(yīng)用[M]. 武漢: 華中理工大學(xué)出版社, 1992.課程作業(yè)要求訓(xùn)練神經(jīng)網(wǎng)絡(luò)1)訓(xùn)練集：X = 2*pi*rand(1,300)。Y = sin(X) + *randn(1,length(X))plot(X,Y,’+’)測(cè)試集：X2 = 2*pi*rand(1,300)。Y2 = sin(X2) + *randn(1,length(X2))plot(X2,Y2,’o’)2) 網(wǎng)絡(luò)
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號(hào)-1