畢業設計（論文）報告紙PAGE共39頁第39頁摘要本文比較了基于規則和基于神經網絡的專家系統，闡述了基于神經網絡專家系統方法的優點及其在發動機故障診斷中的重要應用。通過應用Matlab軟件的神經網絡工具箱，實現了發動機故障的神經網絡診斷程序的快速開發。在本文，應用Matlab軟件開發了兩個故障診斷的應用實例：其一是基于神經網絡的旋轉機械故障診斷實例，在該實例中，將從旋轉機械故障振動信號提取的多種特征量作為故障的征兆向量，并結合其對應的故障模式，一起構成診斷神經網絡的訓練樣本，對訓練樣本進行成功訓練后，即可對旋轉機械的故障進行有效的識別，本文的研究結果表明了基于神經網絡的旋轉機械故障診斷的有效性。其二是一個具體的基于神經網絡的發動機磨損故障融合診斷實例，在該實例中論述了神經網絡專家系統在發動機故障診斷中的應用。首先充分利用四種最常用的油樣分析技術（鐵譜、光譜、顆粒計數及理化指標分析）的優點，依據基于規則的專家系統方法，建立了各滑油分析技術的子專家診斷系統；其次，依據專家經驗建立各子專家系統的診斷結果與故障論域中各故障模式的關系，從而得到用于BP神經網絡學習的訓練樣本；然后，對神經網絡進行訓練，訓練成功后，將待分析油樣的各子專家系統診斷結論輸入神經網絡，其輸出即為綜合診斷結果。最后，應用實例表明了本文方法的有效性--神經網絡專家系統能大大提高發動機故障的診斷精度。關鍵詞：發動機；故障診斷；神經網絡；專家系統；Matlab軟件AbstractThispapercomparestheExpertSystembasedonruleswithNeuralNetwork,thenexplicatestheadvantagesandtheimportantapplicationsintheenginefaultdiagnosisofmethodsbasedonNeuralNetworkExpertSystem.ByusingANNToolBoxofMatlab,thesoftwareofenginefaultdiagnosisisimplemented.Inthispaper,twofaultdiagnosisexamplesaredeveloped:oneisrotationalmachineryfaultdiagnosisbasedonNeuralNetwork.Inthissample,weextractvariouscharacteristicparameterfromrotationalmachineryfaultvibrationsignalsasfaultsymptomsvector.ThefaultsymptomsvectorandcorrespondentfaultmodescomposetrainingsampleofdiagnosisNeuralNetwork.Aftersuccessfullytrained,theNetcanidentifythefaultofrotationalmachinery.TheotherisenginewearfaultdiagnosisbasedonNeuralNetwork.Inthissample,weexplicatetheapplicationofNeuralNetworkExpertSysteminenginefaultdiagnosis.Firstly,Byusingadvantagesoffouroilanalysistechniques,whichareferrographyanalysis,spectrumanalysis,particlecountanalysis,andphysical-chemicalperformanceanalysis,andaccordingtotheESmethodbasedonknowledgerule,theson-ExpertSystemsofeachoilanalysistechniqueisestablished.Secondly,accordingtoexpertexperience,therelationbetweeneachsonES'diagnosisconclusionandfaultsfieldarebuilt,sothetrainsamplesareobtained,whichareusedinNNlearning.Thirdly,afterNNistrainedsuccessfully,theson-ExpertSystems’diagnosisresultscanbeinputintoNN,andthenitsoutputsarefusiondiagnosisresults.Finally,twoexamplesshowthatNeuralNetworkExpertSystemcangreatlyimproveaccuracyofenginefaultdiagnosis.Keywords:engine;faultdiagnosis;ANN;expertsystem;Matlab引言航空發動機是飛機的心臟，它的工作條件復雜、苛刻，極易產生故障。飛機發動機在飛行中產生故障其后果將會是災難性的，所以飛機發動機的故障診斷在預防事故，保證人身和裝備的安全有著十分重大的意義。另外，故障診斷還能提高經濟利益，減少可能發生的事故損失和延長檢修周期節約維修費用。由此可見，準確、快速、有效達到診斷出飛機發動機的機械故障對于降低飛機空難事故發生率及提高航空經濟利益有著極重大的意義。發動機故障診斷的方法有許多，如振動分析法，油樣分析法，紅外檢測法、超聲及聲發射發等等。隨著科技的進步，很多新方法新理論、新技術涌現出來，其中發展較快，影響較大就是利用神經網絡的故障診斷專家系統方法。本文就是探討神經網絡專家系統在發動機故障診斷中的應用。第一章基于規則和基于神經網絡的專家系統專家系統ES（ExpertSystem）[3，4，5]是60年代初產生的一門新興學科，目前是人工智能AI技術中最活躍、最成功的領域之一。它是一個由知識庫、推理機和人機接口等三個主要部件組成的計算機軟件系統，其威力在于所擁有的專家知識和運用知識解題的推理機制。故障診斷專家系統基本上可以分為：基于知識的傳統故障診斷專家系統和基于神經網絡的故障診斷專家系統。1.1基于規則的專家系統基于規則知識的專家系統主要由知識庫、推理機、人機接口、知識獲取子系統、解釋子系統、全局數據庫組成。其工作原理為：在知識庫創建和維護階段，知識獲取子系統在領域專家和知識工程師（在知識自動獲取的情況下，可以脫離他們，然而到目前為止，專家系統的知識自動獲取能力是很弱的）的指導下，將專家知識、診斷對象的結構知識等存放于知識庫中或對知識庫進行維護（增加、刪除和修改）；在診斷階段，用戶通過過程的需要，對知識庫的征兆信息傳送給推理機，推理機根據診斷過程的需要，對知識庫中的各條知識及全局數據庫中的各項事實進行搜索或繼續向用戶索要征兆信息，最后，診斷結果也通過人機接口返回給用戶；如需要，解釋子系統可調用知識庫中的知識和全局數據庫中知識庫知識庫學習系統（知識獲取系統）上下文（黑板）推理機解釋子系統人機接口圖1故障診斷專家系統結構圖數據庫征兆輸入的事實對診斷結果和診斷過程中用戶提出的問題作出合理的解釋。其中知識庫是專家系統的核心，下面對各子專家系統的知識規則進行簡單表述?；谥R的傳統故障診斷專家系統的優點是應用廣泛、技術成熟。其缺點有：=1\*GB3①知識獲取的瓶頸問題——通過知識工程師與領域專家對話，將領域專家的知識總結為規則加入知識庫的方法是間接的，不但費時費力，而且效率低，同時領域專家的經驗知識往往很難用一定的規則來描述；=2\*GB3②自適應能力差——如所涉及到的知識只與專業領域知識有細微的偏差，診斷系統將得不出結論；=3\*GB3③學習能力差——目前知識處理系統還不能實現從診斷過的事例中自動學習新的知識、維護并更新原有知識庫的知識。系統的智能水平取決于系統最初所具備的知識，因此限制了系統的自我完善、發展和提高；=4\*GB3④實時性差——由于在符號處理中，問題的求解過程是一個在解空間的搜索過程，所以速度很慢。1.2基于神經網絡的故障診斷專家系統1.2.1神經網絡簡介[3]樹突細胞體軸突突觸輸入輸出人工神經網絡（NeuralNetwork）是由大量簡單的處理單元（稱為神經元）廣泛的互相相接而形成的復雜網絡。它是人腦神經系統的數學模擬：人腦包含大約10樹突細胞體軸突突觸輸入輸出圖2神經元等效模型從圖2可看出人腦神經系統的工作原理：外部刺激信號或上級神經元信號經合成后由樹突傳給神經元細胞體處理，最后由突觸輸出給下級神經元或作出響應?；谝陨侠碚撝R，人們提出了現在被廣泛接受并普遍應用的人工神經元模型如圖3圖中的x0,x1…,xn-1為連續變量，是神經元的輸入，θ稱為閾值，w0,w1…,wn-1是本神經元與上級神經元的連接權值。神經元對輸入信號的處理包括兩個過程：第一個過程是對輸入信號求加權和，然后減去閾值變量θ，得到神經元的凈輸入net,即；第二個過程是對凈輸入net進行函數運算，得出神經元的輸出y，即y=f(net)。圖4BP網絡模型1.2.2BP神經網絡的學習算法圖4BP網絡模型在故障診斷領域用得最多也最有成效的是前向多層神經網絡。由于該網絡在學習過程中采用了BP（Back-Propagation）算法故又稱該網絡為BP網絡。標準的BP網絡由三層神經元組成，其結構如圖4所示。最下面為輸入層，中間為隱含層，最上面的為輸出層。網絡中相鄰層采取全互連方式連接，同層各神經元之間沒有任何連接，輸出層與輸入層之間也沒有直接連系?？梢宰C明：在隱含層節點可以根據需要自由設置的情況下，那么用三層前向神經網絡可以實現以任意精度逼近任意連續函數。BP神經網絡中的動力學過程有兩類：一類是學習過程，在這類過程中，神經元之間的連接權將得到調整，使之與環境信息相符合；另一類過程指神經網絡的計算過程，在該過程中將實現神經網絡的活躍狀態的模式變換。推導前向多層神經網絡的學習算法，設從第層神經元j到第-1層神經元i的連接權值為,p為當前學習樣本下第層第i個神經元的輸出，變換函數[·]取為Sigmoid函數，即。對于第p個樣本，網絡的輸出誤差Ep用下式表示：（1）上式中tpj為輸入第p個樣本時第j個神經元的理想輸出，是它的實際輸出。為了使系統的實際輸出與理想輸出相接近，即使Ep下降，根據梯度算法，我們可以對層按下式進行調整：（2）對于非輸出層的神經元具有下面的操作特性：（3）=（4）在式(3)中,如果將看作是第-1層的一個虛擬神經元的輸出,即設,則(3)式可改寫為（5）又=（6）由式（5）可以得=（7）定義：綜合式（2）、（3）、（5）和（7）得出=（8）i=0,1,2,…,I,j=0,1,2…,J-1,=1,2可見，為求出調整值，必須先求出。=（9）=現在，我們分兩種情況來討論：如果所討論的神經元為輸出神經元，則由式（1）可得=代入式（9）得到=（10）=2,j=0,1,2,…,N-12)如果所討論的神經元為隱層神經元，則有==將此結果代入式（9）得到=（11）=2,j=0,1,2,…,M-1從上式可以看出，為求出隱含層的輸出誤差系數，必須用到輸出層的，所以這個過程也稱為誤差反向傳播（EBP，errorback-propagation）?，F在來討論項中的，由于[·]采用Sigmoid函數，即==由此，我們可以得到=（1-）（12）將式（12）代入（10）和（11）得到=（1-）（13）=2,j=0,1,2,…,N-1和=（1-）（14）=2,j=0,1,2,…,M-1將式（13）和（14）代入（8）得到推導的最后結果：當=2（輸出層）時=（15）i=0,1,2,…,N-1,j=0,1,2…,M當=1（輸出層）時=（16）=，i=0,1,2,…,M-1,j=0,1,2…,L下面討論BP學習算法中的幾個值得注意的問題：神經網絡輸入層、輸出層的神經元個數是根據研究對象的輸入、輸出信息來確定，如何選擇隱含層神經元的數目無規律可循，但隱含層神經元的數目是否合適對整個網絡能否正常工作具有重要意義。隱含層神經元數目如果太少，則網絡根本無法訓練；如果隱含層神經元數目剛夠，則網絡可以訓練，但魯棒性不好，抗噪音能力差，無法識別從未見過的模式；隱含層神經元數目過大，則除了需要很多的訓練樣本外，可能還會建立一個“老祖母”網絡，具有了所有模式，而無法認識新的內容，同時訓練時也必然耗費更多的時間并占有更多的內存。一般情況下用經驗式（17）式中為隱含層神經元數；為輸入層神經元數；為輸出層神經元數；為1—10之間的整數。學習算法中的表示學習速率，或稱為步幅，較大時，權值的修改量就較大，學習速率比較快，但有時會導致振蕩；值較小時，學習速率慢，然而學習過程平穩。這樣，在實際的學習過程可以將值取為一個與學習過程有關的變量并且在學習剛開始時值相對大，然后隨著學習的深入，值逐步減小。在權值的修改公式中，往往還加入一個動量項，即（18）式中表示第層第j個神經元與上一層第i個神經元之間的連接權的當前修改值，表示上一個學習周期對同一個學習樣本的權值修改值。動量校正系數應與協調選取，通常較大的可以改善收斂速度，但對提高網絡的收斂精度沒有積極的作用。由于單個神經元的轉換函數大都是采用Sigmoid函數而不是階躍函數，因而輸出層各神經元的實際輸出值只能趨近于1或者0，而不可能達到1或者0。在學習開始時，必須給各個連接權賦值。我們可以對每個連接權賦一個隨機值，但不能使所有的連接權初值都相等。在實際的網絡訓練過程中，通常的處理方法是給每一個連接權賦-1至1之間的一個隨機數。綜合上面的討論，我們可以按照以下步驟來設計具體的學習過程：網絡結構及學習參數的確定：輸入輸入層、隱含層、輸出層的神經元數目，步長以及動量校正系數、權值收斂因子及誤差收斂因子。網絡狀態初始化：用較小的（絕對值1以內）隨機數對網絡權值閾侄置初值。提供學習樣本：輸入向量和目標向量。學習開始：對每一個樣本進行如下操作：A）計算網絡隱含層及輸出層各神經元的輸出=B）計算訓練誤差：C)修改權值和閾值是否滿足?滿足執行第6）步，否則返回第4）步。是否滿足?若是則執行第7）步，否則返回第2）步。停止。其程序流程圖如下：p=p+1p=p+1是否計算訓練誤差修改權值和閾值輸入輸入層、隱含層、輸出層的神經元數目，步長以及動量校正系數、權值收斂因子及誤差收斂因子用-1至1的隨機數對各權值，閾值賦值輸入學習樣本群{，}={}，={}P=1p<p+1計算網絡隱含層及輸出各神經元的輸出開始結束否否是是圖5BP算法流程圖1.2.3神經網絡專家系統知識庫的組建神經網絡專家系統知識庫的組建，首先要根據征兆、故障及訓練樣本數目確定神經網絡的結構；其次，在眾多樣本中選擇訓練樣本；最后對神經網絡進行訓練獲得連接權值，形成知識庫。將所獲得的各個權值和閾值數據存入一數據文件，該數據文件就是神經網絡專家系統的知識庫內容。另外，需指出的是：由于神經網絡在學習時，首先必須給每個權值（包括閾值）取一個小的隨機數，因此會導致不同的學習過程得出不同的權值和閾值，對相同的樣本進行訓練可以獲得不同的權值和閾值。這一現象表明：神經網絡故障診斷專家系統的知識庫具有不唯一性。1.3神經網絡與專家系統的比較我們知道所謂的故障診斷就是對診斷對象的故障模式進行分類和識別或根據現有知識和一定的推理機制推出其故障所在部位和嚴重程度。由于神經網絡具有處理復雜多模式及進行聯想、推測和記憶功能。因而，它非常適合應用于各種系統的故障診斷。將專家系統構成神經網絡，把傳統專家系統的基于符號的推理變成數值運算的推理，以提高專家系統的執行效率并利用其學習能力解決專家系統的學習問題。專家系統知識以權值和閾值的形式存儲于網絡；知識表達體系是一種低層頂數值模型。信息處理是通過大量節點的簡單處理單元之間的相互作用而進行的。其優點是自學習能力強；能實現不精確推理。缺點有：=1\*GB3①訓練樣本獲取困難。因為神經網絡故障診斷專家系統必須建立在大量的故障樣本訓練基礎上，而且樣本的分布要盡量均勻，否則很難有好的診斷效果；=2\*GB3②忽略了領域專家的診斷經驗知識。通常神經網絡僅僅通過典型實例來獲取診斷知識，忽略了領域專家長期實踐積累的重要寶貴經驗；=3\*GB3③權重形式的知識表達方式難于理解。對用戶而言，整個診斷系統是一個“黑箱”，不具備基于知識的故障診斷專家系統的透明特性。=4\*GB3④技術不成熟，應用不太廣泛。由此可見，傳統專家系統與神經網絡專家系統兩者相比較各有千秋：傳統專家系統在解釋機制上比神經網絡專家系統要容易得多，而且知識的顯示表示也比較直觀；神經網絡專家系統卻克服了傳統專家系統的致命弱點，具有知識容量大，處理的問題范圍廣，推理速度快、學習能力強等優勢，正是由于各自都存在優劣兩方面，使得兩者誰也不能替代誰，而只能同時存在，相互補充。將專家系統與神經網絡融合成一整體，能取長補短，使之既擁有了傳統專家系統知識表示直觀，解釋性強的優點，又具有神經網絡專家系統的學習功能和實現不精確推理的功能。第二章MATLAB及其神經網絡工具箱簡介利用神經網絡進行解決問題和設計的時候，必定會涉及到大量的有關數值的計算等問題。盡管現代數值計算理論已經發展得很完善，多數計算問題都有高效的標準解法，但是利用計算機對神經網絡模型進行仿真和輔助設計時，仍然是很麻煩的事情。首先，編制程序是很繁復的工作，需要不斷的找出錯誤，反復調試。若用C、FORTRAN等高級語言編制程序，往往需要從最基本的矩陣加減乘除做起，不僅編程費時費力，影響工作進度，而且程序運行效率底。開發人員對神經計算有關算法有較深理解的同時，還必須具備較高的編程技巧，這對對數科研人員來說有一定的難度。其次，人機界面的設計很難令人滿意，計算結果缺乏強有力的圖形輸出支持；更重要的是，針對各種特定問題只能編制特定的程序求解。由于神經網絡本質上是數值運算，我們應當選擇一種專門的數學計算工具來開發神經網絡軟件。幸運的是，不少公司推出了大量用于工程及數學計算的優秀軟件，MATLAB就是其中之一。MATLAB是現在國際上公認的最優秀的數值計算和仿真分析軟件。本文就是利用Matlab軟件對網絡進行訓練。MATLAB是美國MathWorks公司自80年代中期推出的數學軟件，其名字是矩陣（matrix）和實驗室（laboratory）兩個英文單詞的前三個字母的組合。在國際學術界，MATLAB已經被確認為準確、可靠的科學計算標準軟件。下面我們簡單的介紹一下MATLAB的特點[6]。2.1MATLAB簡介1）MATLAB的工作環境A）大量引入了圖形用戶界面除了在指令窗通過純文本形式的指令進行各種操作之外，還提供了很多讓用戶一目了然的圖形界面，如在線幫助的交互型界面HelpWin，管理工作內存的WorkSpace，交互式的路徑管理界面PathTool，指令窗顯示風格設置界面等。它們的開啟方式有：工具條圖標開啟、選擇菜單項開啟、直接“文本式”指令開啟。另外，圖形顯示窗也具有交互操作的編輯能力。B）文件編輯、調試的集成環境新的編輯器有十分良好的文字編輯功能。他可采用色彩和制表位醒目的區分標識程序中不同功能的文字，如運算指令、控制流指令、注釋等。通過編輯器的菜單選項可以對編輯器的文字、段落等風格進行類似Word那樣的設置。其“變量現場顯示”功能，只要把鼠標放在變量名上，就能在現場顯示該變量的內容。而且，調試器也已經被圖形化了，它與編輯器集成為一體。只需要點動交互窗上的調試圖標就可完成對程序的調試。C）文件的性能剖析調試器只負責M文件中語法錯誤和運行錯誤的定位，而性能剖析指令profile將給出程序各環節的耗時分析報告。通過這個報告，用戶可以找出影響程序運行的“瓶頸”所在，以便改進。2）MATLAB的圖示系統MATLAB的圖形的可視能力在所有數學軟件中是首屈一指的。MATLAB的圖形系統是由高層和低層兩個部分組成。高層指令友善、簡便；低層指令細膩、豐富、靈活。一般來說，不管二元函數多么復雜，它的三維圖形僅需10條左右指令就能得到富于感染力的表現。數據和函數的圖形可視手段包括：線的勾畫、色圖使用、濃淡處理、視角選擇、透視和裁剪。MATLAB有比較完善的圖形標識指令，它們可以標注：圖名、坐標軸名、解釋文字和繪畫圖例。3）MATLAB與外部程序的交互MATLAB所自帶的編譯器Compiler可以把全M函數文件編譯成獨立應用程序，而且可以把C和Fortran程序與M文件混編成獨立應用程序。這種程序可以脫離MATLAB環境獨立運行；運行速度較快。4）MATLAB的語言特點MATLAB語言的最突出的特點就是簡潔。MATLAB用更直觀的、符合人們思維習慣的代碼，代替了C和FORTRAN語言的冗長代碼。MATLAB給用戶帶來的是最直觀的、最簡潔的程序開發環境。A）語言簡潔緊湊，使用方便靈活，庫函數極其豐富。MATLAB程序書寫形式自由，利用其豐富的庫函數避開煩雜的子程序的編程任務，壓縮了一切不必要的編程工作。由于庫函數都由本領域的專家編寫，用戶不必擔心函數的可靠性。可以說，用MATLAB進行科技開發是站在專家的肩膀上。B）運算符豐富。由于MATLAB是用C語言進行編寫的，MATLAB提供了FORTRAN和C語言幾乎一樣多的運算符，靈活使用MATLAB的運算符將使程序變得極為簡短。C）MATLAB既具有結構化的控制語句（如for循環、while循環、break語句和if語句），又有面向對象編程的特性。D）語法限制不嚴格，程序設計自由度大。例如，在MATLAB里，用戶無需對矩陣預定義就可以使用。E）程序的可移植性好，基本上不做修改就可以在各種型號的計算機和操作系統上運行。F）MATLAB具有強勁的工具箱。MATLAB包含兩個部分：核心部分和各種可選的工具箱。核心部分中有數百個核心內部函數。其工具箱又分為兩類：功能型工具和學科性工具箱。功能性工具箱主要用來擴充其符號計算功能、圖示建模仿真功能、文字處理功能以及與硬件實時交互功能。功能性工具箱能用于多種學科。而學科性工具箱是專業性比較強的，如ControlToolbox、SignalProcessingToolbox、CommunicationToolbox、VirtualRealityToolbox等。這些工具箱都是由該領域的學術水平很高的專家編寫的，所以用戶無需編寫自己學科范圍的基礎程序，而直接進行高、精、尖的研究。G）源程序的開放性。開放性也許是MATLAB最受人們歡迎的特點。除內部函數外，所有MATLAB的核心文件和工具箱文件都是可讀的源文件，用戶可以通過對源文件的修改以及加入自己的文件構成新的工具箱。MATLAB被稱為第四代計算機語言。如同高級語言的執行效率要低于匯編語言的執行效率，MATLAB的執行效率要比一般的高級語言的執行效率低，但是MATLAB的編程效率要遠遠高于其它高級語言，并且其程序的可讀性及可移植性也很好。2.2神經網絡工具箱簡介MATLAB的神經網絡工具箱是以人工神經網絡理論為基礎，利用MATLAB語言構造出典型神經網絡的激活函數，如S型、線性等激活函數，使設計者對所選定網絡輸出的計算，變成對激活函數的調用。另外，根據各種典型的修正網絡權值的規則，加上訓練過程，用MATLAB編寫出各種網絡設計與訓練的子程序，網絡的設計者可以根據自己的需要去調用工具箱中有關神經網絡的設計訓練程序，使自己能夠從繁瑣的編程中解脫出來，集中精力去思考問題和解決問題，從而提高效率和解題質量。目前MATLAB版本幾乎完整的概括了神經網絡的基本成果，涉及到的網絡模型有：感知器；線性網絡；BP網絡；徑向基函數網絡；自組織網絡；回歸網絡。對于各種網絡模型，神經網絡工具箱集成了多種學習算法，為用戶提供了極大的方便。此外，神經網絡工具箱還給出了大量的示例程序，為用戶輕松的使用工具箱提供了生動實用的范例。MATLAB的神經網絡工具箱所給出的神經網絡模型主要適用的應用范圍有：函數和模型逼近、信號處理和預測、分群、自適應控制、故障診斷推理等。在實際應用中，面對一個具體的應用問題時，首先要分析用神經網絡求解問題的性質，然后根據問題特點，確定網絡模型，最后通過網絡仿真模型分析，確定網絡是否適應，是否需要修改，具體過程如下：確定信息表達式將領域問題極及其相應的領域知識化為網絡所能表達并能處理的形式，即將領域問題提煉成適合網絡求解所能接受的某種數據形式。2）網絡模型選擇這主要包括確定激活函數，聯接方式，各神經元的相互作用等。3）網絡參數選擇確定輸入、輸出神經元的數目、多層網的層數和隱層神經元數等4）學習訓練算法選擇確定網絡學習訓練似的學習規則及改進學習規則，在訓練時，還要結合具體的算法，考慮初始化問題。5)系統仿真通過神經網絡的仿真模型進行模擬，輸入樣本，得到仿真結果。第三章基于神經網絡的旋轉機械故障診斷實例下面通過一個簡單的例子說明如何組建一個神經網絡專家系統來進行故障診斷。這是一個基于神經網絡的旋轉機械故障診斷實例。如圖6所示為一個故障模擬實驗臺。振動信號經過垂直、水平兩只渦流傳感器送至ZXP-4型表和BK2034頻譜分析儀，實驗臺轉速可調。垂直傳感器垂直傳感器潤滑油杯調速器轉子水平傳感器轉軸ZXP-4BK2034打印機圖6轉子實驗臺結構簡圖在該轉子實驗臺上，可以通過調整中間軸承座底部墊片厚度、不平衡重塊大小和潤滑油黏度、軸承長徑比等來實現模擬不平衡、油膜振蕩和不對中三種故障。3.1訓練樣本的建立分別取振動信號頻譜圖中的0.4-0.5x，1x，2x，3x，>3x分量作為特征值。網絡學習和測試時對數據進行歸一化處理，即：令，這樣網絡所有輸入都在[0，1]內。每種典型單故障可分別選取5組頻譜值，構成相應三種故障的15組學習樣本，如表1在這個實例中，有5個征兆數和3個故障原因，因而，神經網絡也就有5個輸入神經元和3個輸出神經元。隱含神經元數目的確定一方面要遵循前面提到的原則，另一方面要考慮使網絡收斂速度快并對測試樣本的識別效果好。因此可以確定油樣分析技術綜合診斷的BP網絡拓撲結構。輸入層：節點數nI為5，分別對應振動信號頻譜圖中的0.4-0.5x，1x，2x，3x，>3x分量。輸出層：節點數nO為3，分別對應不平衡、油膜振蕩和不對中三種故障，即從F1到F3。隱含層：節點數nH根據經驗取為10。表1神經網絡學習樣本序號故障模擬樣本輸入樣本輸出0.4x-0.5x1x2x3x>3xF1F2F31大油膜震蕩0.880.220.020.040.02大油膜震蕩0.900.200.050.020.03大油膜震蕩0.920.210.030.010.04大油膜震蕩0.850.250.060.020.05大油膜震蕩0.820.280.050.040.06油膜震蕩0.040.980.100.020.07油膜震蕩0.021.000.080.030.08油膜震蕩0.050.900.110.050.09油膜震蕩0.030.960.120.040.010油膜震蕩0.020.910.080.010.011大不對中0.020.410.430.30.912大不對中0.010.520.400.30.913大不對中0.010.400.470.30.914大不對中0.020.450.420.280.215大不對中0.010.480.480.30.9圖7網絡誤差平方和隨訓練步數的變化情況圖7網絡誤差平方和隨訓練步數的變化情況利用Matlab軟件編制程序（見附錄.1）對網絡進行訓練，網絡的誤差平方和與訓練步數的關系如圖7所示，網絡很快收斂，在最大訓練次數1000次前，期望網絡誤差平方和達到小于0.001。3.2實例驗證為了驗證基于神經網絡的旋轉機械故障診斷的有效性，列舉一些實例：表2旋轉機械故障的神經網絡診斷結果輸入振動信號實際輸出故障原因序號0.4x-0.5x1x2x3x>3xF1F2F31.0.870.230.040.030.030.89660.15400.0734大油膜震蕩2.0.020.950.100.020.030.05950.97310.1010油膜震蕩3.0.020.500.450.300.350.09730.09290.9028大不對中由表2可見，對相應的輸入樣本和目標樣本，輸出模式中相應的故障節點值接近1，非故障節點值接近0，本文提出的神經網絡診斷方法的診斷結果與實際情況較為吻合，同時也驗證了本文方法的有效性。第四章基于神經網絡的發動機磨損故障融合診斷實例圖8樣分析的神經網絡融合診斷流程鐵譜圖8樣分析的神經網絡融合診斷流程鐵譜分析光譜分析顆粒計數理化分析各子系統診斷標準將各子ES輸出變換為故障征兆的布爾值，作為綜合診斷神經網絡輸入。BP神經網絡綜合診斷結果4.1基于規則的油樣分析子專家系統知識庫是專家系統的核心，下面是對油樣分析子專家系統的知識規則的簡單表述：鐵譜診斷知識規則由于鐵譜診斷知識通?；诜治鋈藛T的經驗，因此需要將這些經驗性的知識轉化為規則存入數據庫以形成知識庫。通過對文獻[7]的研究，總結出如下知識規則：RILE1if各類磨粒均少量，then系統正常；RILE2if球狀磨粒大量and層狀磨粒少量and疲勞剝塊少量，then滾動軸承出現初期疲勞裂紋；RILE3if球狀磨粒大量and層狀磨粒大量and疲勞剝塊少量，then滾動軸承疲勞裂紋正在擴展；RILE4if球狀磨粒大量and層狀磨粒大量and疲勞剝塊大量，then滾動軸承出現表面疲勞剝離；RILE5if球狀磨粒少量and疲勞剝塊大量，then齒輪過載疲勞；RILE6if球狀磨粒少量and嚴重滑動磨粒大量and切削磨粒少量，then齒輪膠合；RILE7if球狀磨粒少量and嚴重滑動磨粒大量and切削磨粒大量，then齒輪擦傷；RILE8if球狀磨粒少量and疲勞剝塊少量and嚴重滑動磨粒少量and切削磨粒大量，then潤滑油中混入雜質；RILE9if球狀磨粒少量and疲勞剝塊少量and嚴重滑動磨粒少量and紅色氧化物大量，then潤滑油中混入水份；RILE10if球狀磨粒少量and疲勞剝塊少量and嚴重滑動磨粒少量and黑色氧化物大量，then潤滑不良。其中，各類磨粒大量與少量，是根據其百分比是否超過給定的閾值，而閾值標準應該針對具體機器，通過大量實驗獲取。光譜診斷知識規則光譜診斷比較簡單，通常是根據檢測出的金屬類型及其濃度，并依據其是否超過磨損界限值來判別含該類金屬的摩擦副是否磨損過量。但是合適的磨損界限值應該根據實際的機器摩擦副結構及類型，并且需要通過大量的實驗來加以確定，通常比較困難。顆粒計數知識規則顆粒計數的診斷是根據國際標準NAS1638[7]來實現的。其知識庫根據該標準不難得到。最后的診斷結果尚需根據油樣需要達到的污染度等級來確定其污染度是否超標。需要達到的污染度等級通常要根據具體機器系統來確定。（4）理化分析診斷知識規則理化分析診斷通常需要通過儀器檢測出油樣的運動粘度、冷凝點、閃點、酸值、雜質含量、水分含量等理化指標，然后根據其是否超過規定閾值來確定理化指標是否超標。4.2油樣分析技術綜合診斷的BP網絡拓撲結構針對某型號軍用發動機的摩擦副材質成份分析，其關鍵摩擦副軸承和齒輪的材料分別為Cr4Mo4V和2Cr3WMoV-1。表3為兩種材料的組成元素及含量。對齒輪和軸承部件的金屬含量分析可以知道，齒輪和軸承材料的金屬成分主要區別在于四種元素，其中W元素僅齒輪材料含有，Cu元素僅軸承材料含有，Mo元素含量軸承遠比齒輪高，Cr元素含量軸承遠比齒輪高。如表3中帶底紋的元素項。其磨損界限值應該通過大量的實驗得到。表3Cr4Mo4V和2Cr3WMoV-1材料的元素含量比較元素C(%)Mn(%)Si(%)S(%)P(%)Cr(%)Ni(%)Mo(%)V(%)Cu(%)W(%)Cr4Mo4V0.75-0.85<0.40<0.35<0.03<0.033.75-4.25<0.204.00-4.500.90-1.10<0.200.002Cr3WMoV-10.15-0.200.25-0.500.17-0.37<0.030.032.80-3.30<0.30.35-0.550.60-0.850.000.30-0.50針對該型號軍用發動機，由鐵譜分析、光譜分析、顆粒計數分析及理化分析診斷后得到的診斷結論為：1）滾動軸承初期疲勞S1、6）軸承嚴重磨損S6、2）滾動軸承疲勞裂紋發展S2、7）齒輪嚴重磨損S73）滾動軸承疲勞剝落S3、8）污染度超標S84）齒輪過載疲勞S4、9）理化指標超標S9。5）齒輪膠合或擦傷S5、6F3F3F1F2F5S3S1S2S9圖9油樣融合診斷的BP網絡結構系統正常F1、滾動軸承磨損失效F2、滾動軸承疲勞失效F3、齒輪過載疲勞F4、齒輪膠合或擦傷F5。因此可以確定油樣分析技術綜合診斷的BP網絡拓撲結構。如圖9所示。輸入層：節點數nI為9，分別對應各油樣分析技術的診斷輸出，即從S1到S9。輸出層：節點數nO為5，分別對應發動機各磨損故障，即從F1到F5。隱含層：節點數nH根據經驗取為30。4.3滑油綜合診斷BP網絡的訓練樣本生成要實現BP網絡的綜合診斷，首先需要得到其訓練樣本，亦即要建立各征兆與故障的樣本，由于油樣分析通常是基于專家的經驗知識，通常按分析結果是否超標來對機械故障進行評判。因此征兆與故障之間可以通過布爾變量（0或1）來實現。通過專家經驗分析，可以得到表4中的訓練樣本。表4滑油綜合診斷BP網絡的訓練樣本生成S1S2S3S4S5S6S7S8S9F1(1.0),F2(0.0),F3(0.0),F4(0.0),F5(0.0)000000000F1(0.0),F2(1.0),F3(0.3),F4(0.0),F5(0.2)000001011F1(0.0),F2(0.6),F3(0.2),F4(0.2),F5(0.6)000001111F1(0.0),F2(0.8),F3(0.2),F4(0.0),F5(0.1)000001001F1(0.0),F2(0.6),F3(0.1),F4(0.2),F5(0.5)000001101F1(0.0),F2(0.9),F3(0.3),F4(0.0),F5(0.2)000001010F1(0.0),F2(0.5),F3(0.2),F4(0.2),F5(0.5)000001110F1(0.0),F2(0.6),F3(0.4),F4(0.0),F5(0.0)000001000F1(0.0),F2(0.4),F3(0.2),F4(0.2),F5(0.4)000001100F1(0.0),F2(0.3),F3(0.0),F4(0.0),F5(0.3)000000011F1(0.0),F2(0.2),F3(0.0),F4(0.0),F5(0.2)000000010F1(0.0),F2(0.1),F3(0.0),F4(0.0),F5(0.1)000000001F1(0.0),F2(0.4),F3(1.0),F4(0.0),F5(0.0)001001000F1(0.0),F2(0.3),F3(0.9),F4(0.2),F5(0.3)001001100F1(0.0),F2(0.0),F3(0.8),F4(0.0),F5(0.0)001000000F1(0.0),F2(0.0),F3(0.7),F4(0.2),F5(0.3)001000100F1(0.0),F2(0.4),F3(0.6),F4(0.0),F5(0.0)010001000F1(0.0),F2(0.3),F3(0.5),F4(0.2),F5(0.3)010001100F1(0.0),F2(0.0),F3(0.4),F4(0.0),F5(0.0)010000000F1(0.0),F2(0.0),F3(0.3),F4(0.2),F5(0.3)010000100F1(0.0),F2(0.4),F3(0.4),F4(0.0),F5(0.0)100001000F1(0.0),F2(0.4),F3(0.3),F4(0.2),F5(0.3)100001100F1(0.0),F2(0.0),F3(0.3),F4(0.0),F5(0.0)100000000F1(0.0),F2(0.0),F3(0.2),F4(0.2),F5(0.3)100000100F1(0.0),F2(0.0),F3(0.0),F4(1.0),F5(0.3)000100100F1(0.0),F2(0.3),F3(0.2),F4(0.8),F5(0.2)000101100F1(0.0),F2(0.0),F3(0.0),F4(0.6),F5(0.0)000100000F1(0.0),F2(0.3),F3(0.2),F4(0.4),F5(0.0)000101000F1(0.0),F2(0.0),F3(0.0),F4(0.4),F5(0.6)000000100F1(0.0),F2(0.3),F3(0.2),F4(0.2),F5(0.3)000001100F1(0.0),F2(0.1),F3(0.0),F4(0.4),F5(1.0)000010111F1(0.0),F2(0.2),F3(0.2),F4(0.3),F5(0.8)000011111F1(0.0),F2(0.2),F3(0.0),F4(0.2),F5(0.95)000010110F1(0.0),F2(0.3),F3(0.2),F4(0.1),F5(0.75)000011110F1(0.0),F2(0.1),F3(0.0),F4(0.3),F5(0.85)000010101F1(0.0),F2(0.3),F3(0.2),F4(0.2),F5(0.65)000011101F1(0.0),F2(0.0),F3(0.0),F4(0.3),F5(0.8)000010100F1(0.0),F2(0.3),F3(0.2),F4(0.2),F5(0.6)000011100F1(0.0),F2(0.1),F3(0.0),F4(0.0),F5(0.8)000010011F1(0.0),F2(0.2),F3(0.2),F4(0.0),F5(0.5)000011011F1(0.0),F2(0.1),F3(0.0),F4(0.0),F5(0.75)000010010F1(0.0),F2(0.3),F3(0.2),F4(0.0),F5(0.6)000011010F1(0.0),F2(0.0),F3(0.0),F4(0.0),F5(0.65)000010001F1(0.0),F2(0.2),F3(0.3),F4(0.1),F5(0.5)000011001F1(0.0),F2(0.0),F3(0.0),F4(0.0),F5(0.6)000010000F1(0.0),F2(0.4),F3(0.2),F4(0.0),F5(0.4)000011000F1(0.0),F2(0.3),F3(0.0),F4(0.2),F5(0.6)000000111F1(0.0),F2(0.2),F3(0.0),F4(0.2),F5(0.55)000000110F1(0.0),F2(0.0),F3(0.0),F4(0.2),F5(0.5)000000101F1(0.0),F2(0.0),F3(0.0),F4(0.2),F5(0.4)000000100將訓練樣本整理后，按圖8構建的前向神經網絡結構，對網絡進行訓練4.4訓練程序的編制及討論具體的程序編制（見附錄.2）下面對訓練結果進行討論利用Matlab軟件對網絡進行訓練，網絡的誤差平方和與訓練步數的關系如圖10所示可以發現網絡很快收斂，在最大訓練次數1000次前，期望網絡誤差平方和達到小于0.001。但需要指出的是：有時運行程序時會出現網絡收斂速度慢且各權值收斂到某一穩定值，而誤差值沒有達到所要求的精度。（如圖11所示情況，在最大訓練次數1000次后，期望網絡誤差平方和還不能達到小于0.001的要求）為什么會出現這樣的情況呢？BP算法學習的目的是為了尋找連接權值使得趨于全局最小，然而在實際操作中，我們的連接權常常不能使E趨于全局最小，而只能使之趨于一個相對大一點的E值。圖10網絡誤差平方和隨訓練步數的變化情況圖10網絡誤差平方和隨訓練步數的變化情況圖11BP網絡的局部最優情況圖11BP網絡的局部最優情況系統陷入局部最小點后的處理方法有很多種，最簡單的方法是重新做起，此外我們還可以采用模擬退火法和遺傳算法來消除局部最小問題，在此不作介紹。4.5應用實例驗證為了驗證本文提出的基于神經網絡的多種油樣分析技術融合診斷方法的有效性，以前面提及的某軍用發動機為例，列舉一算例，對“齒輪膠合或擦傷”這一故障模式來加以分析。情形1：設對油樣分析，由鐵譜分析得到診斷結論為“齒輪擦傷”；由光譜分析得到診斷結論為“齒輪嚴重磨損”；由顆粒計數分析得到診斷結論為“油樣污染度超標”；由理化指標分析得到診斷結論為“油樣理化指標超標”。因此形成神經網絡輸入向量為：情形2：設對油樣分析，由鐵譜分析得到診斷結論為“齒輪擦傷”；由光譜分析得到診斷結論為“齒輪嚴重磨損”；由顆粒計數分析得到診斷結論為“油樣污染度超標”；由理化指標分析得到診斷結論為“油樣理化指標不超標”。因此形成神經網絡輸入向量為：情形3：設對油樣分析，由鐵譜分析得到診斷結論為“齒輪擦傷”；由光譜分析得到診斷結論為“齒輪嚴重磨損”；由顆粒計數分析得到診斷結論為“油樣污染度不超標”；由理化指標分析得到診斷結論為“油樣理化指標不超標”。因此形成神經網絡輸入向量為：情形4：設對油樣分析，由鐵譜分析得到診斷結論為“齒輪擦傷”；由光譜分析得到診斷結論為“齒輪未發生嚴重磨損”；由顆粒計數分析得到診斷結論為“油樣污染度不超標”；由理化指標分析得到診斷結論為“油樣理化指標不超標”。因此形成神經網絡輸入向量為：情形5：設對油樣分析，由鐵譜分析得到診斷結論為“齒輪擦傷”；由光譜分析得到診斷結論為“軸承嚴重磨損”；由顆粒計數分析得到診斷結論為“油樣污染度不超標”；由理化指標分析得到診斷結論為“油樣理化指標不超標”。因此形成神經網絡輸入向量為：對上述各油樣的診斷結果，運用訓練好的神經網絡