摘要：本文论述了BP 神经网络的结构和学习算法以及应用到故障诊断中的原理和过程，并结合燕山石化YL II-18000A 型烟气轮机给出应用实例，利用BP 神经网络对烟机的其中几种故障类型作出诊断。诊断结果表明，该方法能较好的对故障进行分类。
1.引言
人工神经网络(ANN)是目前国际上前沿研究领域的一门新兴交叉科学。由于其独特的容错、联想、推测、记忆、自适应、自学习和处理复杂非线性多模式等优点，神经网络技术已在机械故障诊断方面得到了广泛应用并取得了一定的成功。BP网络是前向网络的核心部分，体现了神经网络中最精华、最完整的内容。据统计，80%～90%的神经网络模型采用了BP网络或者它的变化形式。
2. BP 神经网络
BP网络是一种多层前馈神经网络，名字源于网络权值的调整规则采用的是后向传播学习算法，即BP学习算法。
2.1 BP 网络结构
BP 网络是具有三层或三层以上的神经网络，包括输入层、中间层（隐层）和输出层。其网络拓扑结构如下所示：
对于一个 3 层BP 网络，设输入层有n 个节点，输出层有m 个节点，隐层有l 个节点，样本数为N，输入向量为［x1,x2…,xn］，ωji 为隐层节点与输入层节点的连接权值。则隐层节点的输入和输出为
隐层节点的作用函数 f1 通常选取S 形变换函数，设输出层节点k 与隐层节点j 的连接权值为kj w ，输出层节点的作用函数f2 通常选用线性变换函数，则输出层节点k 的输出
误差函数采用平方型误差函数，对所有样本，总误差
为了提高训练速度和避免陷入局部最小解，采用引入动态因子的学习算法
其中， δkp ， δjp 分别为样本p 输入时，输出层节点k 和隐层节点j 的误差项，计算公式如下
2.2 BP 网络学习算法
BP 算法的基本思想是：学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，模式作用于输入层，经隐含层处理后，传向输出层。若输出层未能得到期望的输出，则转入误差的逆向传播阶段，将输出误差按某种形式，通过隐含层向输入层逐层返回，并“分摊”给各层的所有单元，从而获得各层单元的参考误差或称误差信号，以作为修改各单元权值的依据。这种信号正向传播与误差逆向传播的各层权矩阵的修改过程，是周而复始地进行的。直到网络输出的误差逐渐减小到可接受的程度。
3. BP 神经网络用于机械故障诊断的步骤
(1)首先根据诊断对象的特点划分其故障类型，获取故障信息，然后选取对故障比较敏感的一些参数为信号的特征参数作为BP 网络的输入单元。(2)根据诊断对象的特点构造BP网络的结构即输入单元个数、隐层单元个数、输出单元个数等。(3)用已知诊断结果的样本数据对网络进行训练，调整数值矩阵和阈值矢量。一旦达到了最大的训练次数或者网络误差平方和降到期望误差之下时，训练过程结束。(4)将待检样本数据输入到已训练好的BP 网络中，计算输出向量。输出向量的结果最接近哪种故障类型就认为它属于此类。
4 .基于BP 网络的烟气轮机故障诊断
北京燕山石化炼油厂 2,000kt/a 催化裂化装置的三催化烟机机组主要由YL II-18000A 型烟气轮机、14.5HSA 型齿轮箱和QF-20-2 型发电机等部分组成，是燕山石化公司的关键性保护机组。其中的烟气轮机长期工作在高温、高转速、多腐蚀粉尘等不利条件下，工作环境恶劣，故障率高，而同时，它的运行情况又直接关系到整个装置的运行周期和能耗水平，因此，对烟气轮机进行有效的状态监测和故障诊断就显得极为必要。
烟机的故障类型主要有转子不平衡、转子不对中、转子缺陷、底座松动、质量偏心、旋转失速、碰磨、油膜涡动等。在本例中，主要针对YL II-18000A 型烟气轮机的转子不平衡、转子不对中、油膜涡动、底座松动这四种故障类型作故障诊断。
4.1 故障特征的获取及数据预处理
选取 YL II-18000A 型烟机振动信号频谱中6 个不同频率的谱的谱峰能量值作为特征量，对选取的能量值作如下的归一化处理
4.2 训练样本的选取
针对 YL II-18000A 型烟机故障历史记录中已发生的转子不平衡、转子不对中、油膜涡动、底座松动这4 种故障类型各选取10 组故障样本作为BP 网络的训练样本。在每种故障样本里各选取一组样本列表如下。
4.3 预置训练样本的目标输出
输出结点1 的值为1，其余节点值都为0 时，表示转子不平衡故障发生；输出结点2 的值为1，其余节点值都为0 时，表示转子不对中故障发生；输出结点3 的值为1，其余节点值都为0 时，表示油膜涡动故障发生；输出结点4 的值为1，其余节点值都为0 时，表示底座松动故障发生。
4.4 网络训练
输入层从系统接收经过归一化处理计算出的 6 个在【0 1】之间的故障特征值。因而该神经网络有6 个输入节点。输出层节点数为4 ， 即故障类型的总数。
调用 MATLAB 神经网络工具箱对网络进行训练，设定系统总误差为0.001，步长为0.02。对网络反复进行训练直到网络输出与目标输出之间的误差平方和小于设定误差为止。
4.5 待测样本的故障诊断
从 YL II-18000A 型烟机故障历史记录中选取5 组已知故障类型的样本作为待测样本，其特征量仍选取振动信号频谱中6 个不同频率的谱的谱峰能量值，归一化后的值如下表所示。
将这 5 组测试样本输入已训练好的神经网络，其输出结果如下表所示。
如表所示：样本 4 的输出结点1 的值接近1，而其余结点输出值接近0，则诊断样本4的故障类型为转子不平衡。样本5 的输出结点4 的值接近1，而其余结点输出值接近0，则诊断样本5 的故障类型为底座松动。样本1,2，3 的输出结点的值都比较接近0，则诊断样本1，2，3 非转子不平衡、转子不对中、油膜涡动、底座松动这四种故障类型。诊断结果与所选取样本故障类型的实际情况相符。
5.结论
本文对 BP 神经网络的结构和学习算法进行了阐述，研究了它在机械故障诊断方面的应用，并基于燕山石化YL II-18000A 型烟气轮机给出的具体的应用实例。由于篇幅有限，本文仅探讨了有限的几种故障类型的诊断。并且，由于选取的样本数有限，因此所选取的5组样本里，并没有囊括文中所针对的4 种故障类型。但从诊断结果看，BP 神经网络还是可以较好的对诊断对象进行分类的。
版权所有