神經(jīng)網(wǎng)絡(luò)在故障診斷中有哪些應(yīng)用,？

人工神經(jīng)網(wǎng)絡(luò)是近年來發(fā)展迅速,，廣泛地應(yīng)用于各個(gè)領(lǐng)域，包括航天,，自動(dòng)控制,，金融，電子,，制造,，醫(yī)藥等多個(gè)行業(yè)，已經(jīng)有許多成功的先例,，并展示了更為廣闊的應(yīng)用前景,。基于神經(jīng)網(wǎng)絡(luò)的故障診斷不需要建立準(zhǔn)確的數(shù)學(xué)模型,，可以處理非線性問題,，具有并行計(jì)算能力，不需要診斷和推理規(guī)則,，它通過一組樣本的輸入與輸出之間的映射關(guān)系進(jìn)行按照設(shè)定的準(zhǔn)則可以自學(xué)習(xí),。

運(yùn)用于故障診斷中的一般神經(jīng)網(wǎng)絡(luò)

目前，非線性系統(tǒng)的故障診斷與容錯(cuò)的方法的研究,，是目前研究的熱點(diǎn)和難點(diǎn),。神經(jīng)網(wǎng)絡(luò)以分布的方式存儲(chǔ)信息，通過神經(jīng)元之間拓?fù)浣Y(jié)構(gòu)和權(quán)值分布逼近非線性系統(tǒng),，并能做到并行運(yùn)算,，具有一定的泛化和容錯(cuò)能力。近年來,，神經(jīng)網(wǎng)絡(luò)在故障診斷及容錯(cuò)控制中的應(yīng)用得到了廣泛的關(guān)注,。其中，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的研究較多。BP網(wǎng)絡(luò)是一種多層前向網(wǎng)絡(luò),，由輸入層,、隱層和輸出層組成，如圖所示,。

BP神經(jīng)網(wǎng)絡(luò)利用網(wǎng)絡(luò)誤差平方和對(duì)網(wǎng)絡(luò)層輸入的導(dǎo)數(shù)來調(diào)成其權(quán)值和閾值,，從而降低誤差平方和。訓(xùn)練從計(jì)算每一層的輸出開始,，直到得到網(wǎng)絡(luò)的輸出矢量,，目標(biāo)矢量減去網(wǎng)絡(luò)的輸出得到誤差矢量，利用梯度下降方法,，通過后項(xiàng)傳播算法來訓(xùn)練MLP,。在設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時(shí)，根據(jù)解決問題的特點(diǎn)和系統(tǒng)特征,，選擇合適的網(wǎng)絡(luò)類型,，是十分重要的，但并不是所有的問題都是和采用BP神經(jīng)網(wǎng)絡(luò),。

基于多層網(wǎng)絡(luò)的故障診斷

在解決復(fù)雜系統(tǒng)的故障診斷,，特別對(duì)分布式系統(tǒng)，基于神經(jīng)網(wǎng)絡(luò)的診斷系統(tǒng)在構(gòu)造上不免會(huì)十分龐大,，造成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間長(zhǎng),，可靠性降低。此時(shí)可以采用基于多網(wǎng)構(gòu)造的診斷系統(tǒng),。分層結(jié)構(gòu)方法是目前在復(fù)雜系統(tǒng)故障診斷中常用的方法,。在分步式的多層神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)中，各個(gè)子網(wǎng)可以分配不同的任務(wù),，每個(gè)子網(wǎng)只接受部分的輸入,，處理總?cè)蝿?wù)的一部分，各個(gè)子網(wǎng)的輸出合成總的運(yùn)算結(jié)果,，這樣就提高了計(jì)算速度,。也可以同時(shí)執(zhí)行同樣的計(jì)算，每一個(gè)子網(wǎng)都在接受所有輸入的模式下工作,，但使用不同的算法,，以增強(qiáng)系統(tǒng)的可靠度。這兩種方法當(dāng)然也可以結(jié)合使用,。

以多層神經(jīng)網(wǎng)絡(luò)應(yīng)用于柴油機(jī)引擎的故障早期檢測(cè)與分離為例,。采用綜合組網(wǎng)的方式，整個(gè)系統(tǒng)包括兩層4個(gè)模塊,，其中1個(gè)主模塊,，3個(gè)從模塊,。系統(tǒng)的輸出通過多數(shù)表決法決定。

神經(jīng)網(wǎng)絡(luò)在故障診斷中有哪些應(yīng)用,？ 

遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行故障診斷

遺傳算法是建立在自然選擇和群體遺傳學(xué)機(jī)理基礎(chǔ)上的隨機(jī),、迭代和進(jìn)化，具有廣泛適用性的搜索方法,。由于遺傳算法上述的*之處,，吸引了諸多關(guān)注的目光。隨著要解決問題復(fù)雜度的增加,，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)也趨向復(fù)雜,，采用遺傳算法自動(dòng)構(gòu)造網(wǎng)絡(luò)，把網(wǎng)絡(luò)結(jié)構(gòu)的形式作為一個(gè)子集選擇問題來解決,，根據(jù)給定的對(duì)象函數(shù)自動(dòng)地確定適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)來適應(yīng)學(xué)習(xí)過程中網(wǎng)絡(luò)結(jié)構(gòu)的變化,。同樣，使用遺傳算法可以調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的權(quán)值,。由于自適應(yīng)交叉率和變異率交叉率和變異率的大小對(duì)遺傳算法的運(yùn)行性能的影響較大，為了提高性能,，可采用自適應(yīng)的方法動(dòng)態(tài)改變?nèi)≈怠?/span>

在利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí),，在應(yīng)用于故障診斷的研究中可以根據(jù)實(shí)際特點(diǎn)選擇不同的網(wǎng)絡(luò)類型，設(shè)計(jì)具體算法,。例如利用經(jīng)過遺傳算法訓(xùn)練的ELMAN神經(jīng)網(wǎng)絡(luò),，對(duì)發(fā)動(dòng)機(jī)的故障進(jìn)行早期檢測(cè)（一步預(yù)報(bào)）。其結(jié)構(gòu)如圖所示,。也可以使用遺傳算法同時(shí)確定網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù),，以獲得較高的效率。

 神經(jīng)網(wǎng)絡(luò)在故障診斷中有哪些應(yīng)用,？ 

模糊神經(jīng)網(wǎng)絡(luò)在故障診斷與檢測(cè)中的應(yīng)用

將模糊邏輯和神經(jīng)網(wǎng)絡(luò)相結(jié)合,，采用模糊神經(jīng)網(wǎng)絡(luò)作為故障分類器，自適應(yīng)從學(xué)習(xí)樣本數(shù)據(jù)中提取各個(gè)用以描述故障狀態(tài)的模糊參考模型,。在診斷時(shí),，此模糊神經(jīng)網(wǎng)絡(luò)在線地得到當(dāng)前系統(tǒng)的模糊模型描述，并將與各個(gè)參考模型相匹配,，從而得出正確的診斷結(jié)果,。在神經(jīng)網(wǎng)絡(luò)框架下引人模糊規(guī)則，且模型參數(shù)有明確的物理意義,，又引人了學(xué)習(xí)機(jī)制,，推理可以更加準(zhǔn)確。

一般模糊神經(jīng)網(wǎng)絡(luò)可以分為5層：輸入層,、模糊化層,、規(guī)則結(jié)點(diǎn)層,、結(jié)論節(jié)點(diǎn)層、輸出層,。

模糊系統(tǒng)可與多種網(wǎng)絡(luò)結(jié)合構(gòu)造模糊神經(jīng)網(wǎng)絡(luò),，但運(yùn)用的手段相似。如利用模糊系統(tǒng)和徑向高斯函數(shù)網(wǎng)絡(luò)設(shè)計(jì)一種具有自適應(yīng)能力的模糊神經(jīng)網(wǎng)絡(luò),。利用高斯函數(shù)表示模糊規(guī)則前的隸屬度函數(shù),，然后，構(gòu)造一種遞階自組織在線學(xué)習(xí)算法,，從輸入輸出樣本數(shù)據(jù)中,，通過學(xué)習(xí)提取模糊IFTHEN規(guī)則；在此基礎(chǔ)上,，提出一種非線性時(shí)變系統(tǒng)的自適應(yīng)狀態(tài)觀測(cè)器設(shè)計(jì)和故障檢測(cè)方法,。

模糊神經(jīng)網(wǎng)絡(luò)解決了由于故障征兆和故障原因之間存在著許多不確定因素，建立準(zhǔn)確的故障診斷系統(tǒng)存在著許多困難的問題,。目前模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用很廣泛,，如應(yīng)用于控制系統(tǒng)對(duì)象以及傳感器和執(zhí)行器的故障檢測(cè)和診斷等。

小波分析和神經(jīng)網(wǎng)絡(luò)的融合

小波分析是近年來從Fourier分析的基礎(chǔ)上發(fā)展起來的一種信號(hào)分析理論,，具有良好的時(shí)頻局部化特征,，把信號(hào)分解到不同頻帶內(nèi)進(jìn)行處理。將小波分析的特征提取與神經(jīng)網(wǎng)絡(luò)模式識(shí)別有機(jī)地結(jié)合起來,，則可降低建立神經(jīng)網(wǎng)絡(luò)的難度,，并且提高故障識(shí)別率。

模型中的輸入為采集自待診斷系統(tǒng)的信號(hào),，經(jīng)小波分析,，提取反映設(shè)備狀態(tài)的特征向量，作為輸入連接到神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn),，通過網(wǎng)絡(luò)的前向計(jì)算可完成對(duì)設(shè)備故障的識(shí)別,。神經(jīng)網(wǎng)絡(luò)模型可通過對(duì)大量反映系統(tǒng)不同狀態(tài)故障的實(shí)測(cè)數(shù)據(jù)樣本的訓(xùn)練建立。另外,，為提高網(wǎng)絡(luò)的自適應(yīng)性,，進(jìn)一步完善診斷模型，還可在原有訓(xùn)練過的網(wǎng)絡(luò)基礎(chǔ)上,，對(duì)小波神經(jīng)網(wǎng)絡(luò)模型的進(jìn)行再學(xué)習(xí),。

故障檢測(cè)與診斷是既是一門相對(duì)獨(dú)立發(fā)展的技術(shù)，又與各門學(xué)科緊密聯(lián)系,。神經(jīng)網(wǎng)絡(luò)故障診斷的研究取決于和神經(jīng)網(wǎng)絡(luò)的發(fā)展,。神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷的研究手段和方法也不限于以上幾種，如結(jié)合專家系統(tǒng)的神經(jīng)網(wǎng)絡(luò),，以及遺傳算法,，模糊推理小波變換和神經(jīng)網(wǎng)絡(luò)的綜合,。

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷存在一些問題，如難以揭示出系統(tǒng)內(nèi)部的一些潛在關(guān)系,，無(wú)法對(duì)診斷過程給予明確解釋,；對(duì)未在訓(xùn)練樣本中出現(xiàn)的故障診斷能力下降，甚至?xí)e(cuò)誤,；診斷網(wǎng)絡(luò)訓(xùn)練集較少或選擇不當(dāng)時(shí),，很難得到好的診斷結(jié)果；對(duì)多故障同時(shí)診斷的可靠性不高,，增加了神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中的困難,。智能方法和小波變換與神經(jīng)網(wǎng)絡(luò)的有機(jī)結(jié)合正成為當(dāng)前研究的趨勢(shì)。

來源：物聯(lián)網(wǎng)工業(yè)大數(shù)據(jù)公眾號(hào)（ID：penghaisoft）,，文章整理自《基于神經(jīng)網(wǎng)絡(luò)的方法在故障診斷中的應(yīng)用》,，作者：朱旭東等。

轉(zhuǎn)載文章出于非商業(yè)性的教育和科研目的,，并不意味著支持其觀點(diǎn)或證實(shí)其內(nèi)容的真實(shí)性,。版權(quán)歸原作者所有，如轉(zhuǎn)載稿涉及版權(quán)等問題,，請(qǐng)立即聯(lián)系我們,，我們會(huì)予以更改或刪除相關(guān)文章，保證您的權(quán)利,！