论文部分内容阅读
【摘 要】机械设备故障会给企业生产造成严重损失，但是如果通过预测的方法提前对将要发生的故障进行预防、解决，可以有效减少设备故障率，节省维修费用。基于特征的神经网络算法正是在这一前提下提出的。本文结合某企业机床数据对该算法进行探讨，并得出重要结论。
【关键词】故障；特征；神经网络；预测
机械设备的广泛应用，大大提高了生产效率，促进了社会的进步和文明的发展，但是却很难避免故障的发生，而传统的检查、检修方式却费时费力。基于神经网络的预测方法很好的解决了这一问题，有效的降低了故障概率，提高了机械设备的维护效率。
1依据特征基于神经网络算法的故障预测系统
为了解决机械故障预测的问题，提出了一个依据机械设备运行特征和历史记录的故障概率预测算法结构。建立一个数学模型，根据一个机械设备运行时一组特定特征的信息来判断该机械发生故障的概率。通过对类似的特征进行合并处理，来减少数据处理量。该系统不需要人工设置每个机械运行特征的影响权重，而是神经网络自动调整特征的权重值以构建函数。通过这个函数，神经网络为机械设备预测出一个非二进制的值作为预期故障率。根据预期故障率，则可以有针对性的对机械设备进行维护与检修。
1.1设备运行特征
设备运行特征可分为内在运行因素和外在形势因素，通过对某一机械设备的运行特征进行整理，可以得到一个特征目录。列入目录的每个特征对应着一个输入单元，每个输入单元被分配一个值。以机床为例，其特征可以是设备温度、环境温度或运行电压等。该输入可以是二进制的，用0和1来表示是否符合某项特征，例如设备是否有噪音。也可以是非二进制的连续变化的变量，来表示一个在特定区间内变化的特征参数，例如设备目前的工作电压。通过这种方式，每个机械设备某时刻的运行状态被分配为一组数值，每个值代表一个特征。
1.2特征选择
一个机械设备往往含有大量的运行特征，如果把每个特征都作为神经网络的输入，则会导致计算量巨大。因此，类似的或极其相关的特征只被保留了一个。在此过程中，只考虑了特征的属性和特征之间的关系。
1.3基于神经网络算法的故障预测
故障预测过程使用的是计算机学习的方法，根据目录上选定特征的变量来预测机械设备发生故障的可能性。使用米切尔所指出的约定来规范学习方法：“计算机程序从经验E来学习，经验E由某类任务T和实测结果P而来。任务T中的表现通过P来测定，通过经验E来改进。
在本文中：任务T为预测机械设备发生故障的概率；表现效度P为预测出的机械设备将要发生故障的概率和从历史记录中得到的真实的故障率的平均误差；训练经验E为进行归一化后的机械设备的运行特征和故障率。人工神经网络（ANN）是一种人工智能技术。人工神经网络的灵感来自于观察，生物学习系统是由非常复杂的相互连接的神经元网构成。以同样的方式，人工神经网络由密集的相互关联的单元建成。每个人工神经元需要一些数值x i作为输入，并使用权重w i计算这些输入的线性组合。输入变量通过线性运算激活函数或者传递函数，最后输出一个单一值，如图1所示。
w i可以通过对神经网络进行训练得到，所以给定输入就能得到一个输出作为预测值。在系统中，w i通过二元组（x，t）形式的数据进行训练，例如：
系统使用了一个特殊的前馈型多层感知器神经网络，网络中每层的单元与前一层的所有单元相连。目前主流的神经网络学习技术是古典误差反向传播算法。为了提高学习速度，使用了Levenberg-Marquardt算法，以加速学习。该算法是最快的训练算法，它比简单的按梯度下降的传播训练快10～100倍。
2实验过程
该方法基于以下假设：
H1.可以在一组机械设备运行特征和所得到的故障率结果之间建立映射。
H2.一个基于特征的故障预测并维护策略可以在耗用合理的资源的同时表现出令人满意的结果。
H3.用已有的运行状态数据和故障率作为历史数据对系统进行训练之后，系统可以高正确率的预测未来的故障情况。
只要这上述假设是正确的，就可以用机械设备运行状态特征与故障率的历史映射数据对系统进行训练，其后则可以对一个正在运行的机械设备故障率进行预测。
2.1数据来源
以某厂的机床为例，使用该厂的机床故障情况作为数据源。数据源包括50种型号的机床的数据。数据被分为两部分，前45组作为训练数据集，后5组作为验证数据集。
2.2特征
对于机床，可能影响其故障率的运行特征可分为6类：机床品牌因素、性能参数因素、功能因素、环境因素、操作人员经验因素、异常情况因素。针对以上6类特征，选出所有能找到的特征。之后，找出类似或极其相关的特征并只保留其中一个。这样，最终选取了120个有代表性的机械设备运行特征。
2.3系统训练
神经网络模型在达到最优效果前，要不断的改变网络体系结构。系统对单隐藏层和双隐藏层都进行了测试。所选的神经网络有120个输入层，一个含有12个隐藏节点的隐含层和一个单一的输出，可以记作120/12/1网络。
为了加快网络的学习进程，通过简单的线，性缩放（如式（1）所示）将输入进行归一化到区间[0，1]。其中x和y分别是表示归一化之前和归一化之后的数据值。xmax和xmin分别是所有数据中的最大和最小值。ymin和ymax定义标准化。
3实验结果和讨论
对神经网络进行训练，使解释变量（特征）与因变量（故障概率数据集）产生相应的关联。作为停止条件的最小梯度，在迭代20次之后达到了。
以相对误差对预测准确率进行评估。结果，测试集内的5种机床预测结果和真实结果之间的相对误差都在15.3%以内，最小达到了1.6%。这证明该系统提供的故障预测是较为准确的。有了预测结果，就可以在发生故障几率较大时，发出警报。相关人员就可以对机床进行及时的维护，保障设备稳定、流畅的运行。
4结论
传统的机械设备维护方法费时、费力且效率不高，既耗费了大量的时间成本，往往又不能及时发现设备故障。一种依据特征基于神经网络算法的故障预测系统可以较为准确地预测机械设备将要发生故障的概率，但是很难发现哪些运行特征对设备将要发生故障的概率。因此，我们还应该在特征选择方面纳入更先进的数据筛选技术，从而提高该项研究的准确性。
参考文献：
[1]张梅军，陈灏，曹勤，等. EMD 分解、分形理论和 RBF 神经网络相结合的轴承智能故障诊断研究[J]. 机械，2012（11）.
【关键词】故障；特征；神经网络；预测
机械设备的广泛应用，大大提高了生产效率，促进了社会的进步和文明的发展，但是却很难避免故障的发生，而传统的检查、检修方式却费时费力。基于神经网络的预测方法很好的解决了这一问题，有效的降低了故障概率，提高了机械设备的维护效率。
1依据特征基于神经网络算法的故障预测系统
为了解决机械故障预测的问题，提出了一个依据机械设备运行特征和历史记录的故障概率预测算法结构。建立一个数学模型，根据一个机械设备运行时一组特定特征的信息来判断该机械发生故障的概率。通过对类似的特征进行合并处理，来减少数据处理量。该系统不需要人工设置每个机械运行特征的影响权重，而是神经网络自动调整特征的权重值以构建函数。通过这个函数，神经网络为机械设备预测出一个非二进制的值作为预期故障率。根据预期故障率，则可以有针对性的对机械设备进行维护与检修。
1.1设备运行特征
设备运行特征可分为内在运行因素和外在形势因素，通过对某一机械设备的运行特征进行整理，可以得到一个特征目录。列入目录的每个特征对应着一个输入单元，每个输入单元被分配一个值。以机床为例，其特征可以是设备温度、环境温度或运行电压等。该输入可以是二进制的，用0和1来表示是否符合某项特征，例如设备是否有噪音。也可以是非二进制的连续变化的变量，来表示一个在特定区间内变化的特征参数，例如设备目前的工作电压。通过这种方式，每个机械设备某时刻的运行状态被分配为一组数值，每个值代表一个特征。
1.2特征选择
一个机械设备往往含有大量的运行特征，如果把每个特征都作为神经网络的输入，则会导致计算量巨大。因此，类似的或极其相关的特征只被保留了一个。在此过程中，只考虑了特征的属性和特征之间的关系。
1.3基于神经网络算法的故障预测
故障预测过程使用的是计算机学习的方法，根据目录上选定特征的变量来预测机械设备发生故障的可能性。使用米切尔所指出的约定来规范学习方法：“计算机程序从经验E来学习，经验E由某类任务T和实测结果P而来。任务T中的表现通过P来测定，通过经验E来改进。
在本文中：任务T为预测机械设备发生故障的概率；表现效度P为预测出的机械设备将要发生故障的概率和从历史记录中得到的真实的故障率的平均误差；训练经验E为进行归一化后的机械设备的运行特征和故障率。人工神经网络（ANN）是一种人工智能技术。人工神经网络的灵感来自于观察，生物学习系统是由非常复杂的相互连接的神经元网构成。以同样的方式，人工神经网络由密集的相互关联的单元建成。每个人工神经元需要一些数值x i作为输入，并使用权重w i计算这些输入的线性组合。输入变量通过线性运算激活函数或者传递函数，最后输出一个单一值，如图1所示。
w i可以通过对神经网络进行训练得到，所以给定输入就能得到一个输出作为预测值。在系统中，w i通过二元组（x，t）形式的数据进行训练，例如：
系统使用了一个特殊的前馈型多层感知器神经网络，网络中每层的单元与前一层的所有单元相连。目前主流的神经网络学习技术是古典误差反向传播算法。为了提高学习速度，使用了Levenberg-Marquardt算法，以加速学习。该算法是最快的训练算法，它比简单的按梯度下降的传播训练快10～100倍。
2实验过程
该方法基于以下假设：
H1.可以在一组机械设备运行特征和所得到的故障率结果之间建立映射。
H2.一个基于特征的故障预测并维护策略可以在耗用合理的资源的同时表现出令人满意的结果。
H3.用已有的运行状态数据和故障率作为历史数据对系统进行训练之后，系统可以高正确率的预测未来的故障情况。
只要这上述假设是正确的，就可以用机械设备运行状态特征与故障率的历史映射数据对系统进行训练，其后则可以对一个正在运行的机械设备故障率进行预测。
2.1数据来源
以某厂的机床为例，使用该厂的机床故障情况作为数据源。数据源包括50种型号的机床的数据。数据被分为两部分，前45组作为训练数据集，后5组作为验证数据集。
2.2特征
对于机床，可能影响其故障率的运行特征可分为6类：机床品牌因素、性能参数因素、功能因素、环境因素、操作人员经验因素、异常情况因素。针对以上6类特征，选出所有能找到的特征。之后，找出类似或极其相关的特征并只保留其中一个。这样，最终选取了120个有代表性的机械设备运行特征。
2.3系统训练
神经网络模型在达到最优效果前，要不断的改变网络体系结构。系统对单隐藏层和双隐藏层都进行了测试。所选的神经网络有120个输入层，一个含有12个隐藏节点的隐含层和一个单一的输出，可以记作120/12/1网络。
为了加快网络的学习进程，通过简单的线，性缩放（如式（1）所示）将输入进行归一化到区间[0，1]。其中x和y分别是表示归一化之前和归一化之后的数据值。xmax和xmin分别是所有数据中的最大和最小值。ymin和ymax定义标准化。
3实验结果和讨论
对神经网络进行训练，使解释变量（特征）与因变量（故障概率数据集）产生相应的关联。作为停止条件的最小梯度，在迭代20次之后达到了。
以相对误差对预测准确率进行评估。结果，测试集内的5种机床预测结果和真实结果之间的相对误差都在15.3%以内，最小达到了1.6%。这证明该系统提供的故障预测是较为准确的。有了预测结果，就可以在发生故障几率较大时，发出警报。相关人员就可以对机床进行及时的维护，保障设备稳定、流畅的运行。
4结论
传统的机械设备维护方法费时、费力且效率不高，既耗费了大量的时间成本，往往又不能及时发现设备故障。一种依据特征基于神经网络算法的故障预测系统可以较为准确地预测机械设备将要发生故障的概率，但是很难发现哪些运行特征对设备将要发生故障的概率。因此，我们还应该在特征选择方面纳入更先进的数据筛选技术，从而提高该项研究的准确性。
参考文献：
[1]张梅军，陈灏，曹勤，等. EMD 分解、分形理论和 RBF 神经网络相结合的轴承智能故障诊断研究[J]. 机械，2012（11）.