摘要：油氣田關(guān)鍵設(shè)備(各種機(jī)泵和壓縮機(jī))的運(yùn)行狀況直接關(guān)系到油氣田開發(fā)的安全、平穩(wěn)和高效運(yùn)行。這些設(shè)備幾乎是24h不間斷運(yùn)行，難免會(huì)出現(xiàn)故障甚至給生產(chǎn)造成損失。當(dāng)前有多種神經(jīng)網(wǎng)絡(luò)被應(yīng)用于這些設(shè)備的狀態(tài)監(jiān)測與故障診斷。對(duì)BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、學(xué)習(xí)矢量量化網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)在機(jī)械設(shè)備故障診斷中的應(yīng)用與研究進(jìn)展進(jìn)行了分析比較，闡述了各種網(wǎng)絡(luò)的應(yīng)用效果，分析了各種網(wǎng)絡(luò)應(yīng)用的優(yōu)缺點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)以其具有非線性、大規(guī)模、并行處理能力強(qiáng)、魯棒性、容錯(cuò)性及自學(xué)習(xí)能力強(qiáng)等特點(diǎn)，在機(jī)械設(shè)備故障診斷中得到廣泛的應(yīng)用，應(yīng)選擇合適的神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)械設(shè)備進(jìn)行故障診斷，為油氣田的安全、平穩(wěn)和高效開發(fā)提供保障。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；故障診斷；機(jī)械設(shè)備；應(yīng)用；比較

    機(jī)械設(shè)備故障診斷技術(shù)在現(xiàn)代工業(yè)生產(chǎn)中起著非常重要的作用。油氣田關(guān)鍵設(shè)備(各種機(jī)泵和壓縮機(jī))的運(yùn)行狀況直接關(guān)系到油氣田開發(fā)的安全、平穩(wěn)和高效運(yùn)行。據(jù)統(tǒng)計(jì)，塔里木油田公司牙哈凝析氣田有各種機(jī)泵75臺(tái)、壓縮機(jī)20臺(tái)，而在西氣東輸?shù)闹髁馓?mdash;—克拉2氣田有各種機(jī)泵132臺(tái)、壓縮機(jī)4臺(tái)。為確保產(chǎn)量，這些設(shè)備除了備用和保養(yǎng)外幾乎都是24h不間斷運(yùn)行。在這樣的工況下，這些設(shè)備難免會(huì)出現(xiàn)故障，甚至對(duì)生產(chǎn)造成損失。因此，對(duì)這些設(shè)備進(jìn)行狀態(tài)監(jiān)測與故障診斷尤為重要。

    機(jī)械設(shè)備的故障診斷主要是根據(jù)它在運(yùn)行過程中出現(xiàn)的各種狀態(tài)信息對(duì)其故障進(jìn)行分析與識(shí)別。故障狀態(tài)信息與故障原因之間存在著非常復(fù)雜的非線性映射關(guān)系，因此不能用簡單的函數(shù)關(guān)系加以描述。人工神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、分布式存儲(chǔ)和處理、自組織、自適應(yīng)和學(xué)習(xí)能力，特別適用于處理需要同時(shí)考慮許多因素和條件的、不精確和模糊的信息。

    在機(jī)械設(shè)備故障診斷中應(yīng)用最多的是BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)模型。它屬于多層感知器MLP(multi layer perceptron)，網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱層(1個(gè)或多個(gè))和輸出層組成，網(wǎng)絡(luò)訓(xùn)練采用梯度下降法，按廣義的占規(guī)則改變權(quán)值，其學(xué)習(xí)過程采用誤差反傳(Back Propagation)算法，有較好的非線性映射能力、泛化能力和容錯(cuò)能力。

    聞建龍等^[1]應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)輸油泵進(jìn)行故障診斷研究。研究中采用的是只有1個(gè)隱層的網(wǎng)絡(luò)模型，網(wǎng)絡(luò)的輸入層共12個(gè)神經(jīng)元，分別對(duì)應(yīng)選定的12個(gè)頻率段；輸出層有7個(gè)神經(jīng)元，分別對(duì)應(yīng)離心輸油泵的7種狀態(tài)(不平衡、不對(duì)中、松動(dòng)、喘振、聯(lián)軸器故障、油膜振蕩以及正常運(yùn)行狀態(tài))，研究得到了高可靠性的診斷結(jié)果。張雷濤^[2]研究出了基于BP神經(jīng)網(wǎng)絡(luò)的往復(fù)泵軸承故障診斷方法，在往復(fù)泵的軸承故障診斷系統(tǒng)中選取內(nèi)圈和滾動(dòng)體的振動(dòng)能量、振動(dòng)峰值及倒譜包絡(luò)等6個(gè)特征參數(shù)，來辨識(shí)往復(fù)泵動(dòng)力端一個(gè)軸承的4種故障狀態(tài)，試驗(yàn)表明故障診斷的成功率可以達(dá)到80%～90%。

    徑向基函數(shù)網(wǎng)絡(luò)RBF-NN(Radial Basis Function Neural Network)的結(jié)構(gòu)與MLP相似，但它只有1個(gè)隱含層，即由1個(gè)輸入層、1個(gè)隱含層和1個(gè)輸出層組成，且隱含層節(jié)點(diǎn)的變換函數(shù)是對(duì)于中心徑向?qū)ΨQ且衰減的非負(fù)非線性函數(shù)，一般采用高斯函數(shù)。RBF網(wǎng)絡(luò)具有學(xué)習(xí)快速、高效的特點(diǎn)，它實(shí)現(xiàn)的是非線性映射，集中了聚類、最陡下降等算法，具有魯棒性。

    吳月偉等^[3]研究了徑向基神經(jīng)網(wǎng)絡(luò)在飛機(jī)發(fā)動(dòng)機(jī)故障診斷系統(tǒng)中的應(yīng)用，共有12種常見的故障被選擇作為診斷的原型故障，設(shè)計(jì)的RBF網(wǎng)絡(luò)的輸入層有4個(gè)神經(jīng)元，輸出層有12個(gè)神經(jīng)元，并對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行了仿真測試。仿真結(jié)果表明RBF網(wǎng)絡(luò)有較高的診斷正確率，且能滿足實(shí)時(shí)診斷的要求。

    概率神經(jīng)網(wǎng)絡(luò)PNN(Probabilistic Neural Network)由D F Specht博士在1989年提出，其理論依據(jù)是貝葉斯決策理論，被廣泛應(yīng)用在模式識(shí)別中。概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、模式層、求和層和輸出層組成。概率神經(jīng)網(wǎng)絡(luò)用一個(gè)指數(shù)函數(shù)(高斯函數(shù)^[4])來代替BP神經(jīng)網(wǎng)絡(luò)中常見的sigmoid函數(shù)。概率神經(jīng)網(wǎng)絡(luò)在應(yīng)用中的主要優(yōu)點(diǎn)是訓(xùn)練簡單，并且可用于實(shí)時(shí)處理。

    徐光華等^[4]提出了一個(gè)大機(jī)組快速響應(yīng)智能診斷系統(tǒng)。該系統(tǒng)采用概率神經(jīng)網(wǎng)絡(luò)作為故障分類器，收斂速度為BP算法的2萬倍，并穩(wěn)定收斂于貝葉斯優(yōu)化解，避免了BP網(wǎng)絡(luò)局部最小的弱點(diǎn)，進(jìn)一步提高了系統(tǒng)診斷能力。

    學(xué)習(xí)矢量量化網(wǎng)絡(luò)LVQ(Learning Vector Quantization)屬于競爭型人工神經(jīng)網(wǎng)絡(luò)，由輸入層和競爭層構(gòu)成，網(wǎng)絡(luò)中沒有隱含層。LVQ網(wǎng)絡(luò)的結(jié)構(gòu)與SOM(Self-Organizing Map)網(wǎng)絡(luò)類似，但它克服了自組織特征映射網(wǎng)絡(luò)無監(jiān)督網(wǎng)絡(luò)的缺點(diǎn)，采用競爭學(xué)習(xí)與有監(jiān)督學(xué)習(xí)相結(jié)合的算法。LVQ與SOM網(wǎng)絡(luò)相結(jié)合，可以組成SOM模式識(shí)別器。它是一種非參數(shù)模式識(shí)別器，除了具有傳統(tǒng)識(shí)別器的優(yōu)點(diǎn)外，還能采用自組織和，LVQ相結(jié)合的學(xué)習(xí)算法，可以使識(shí)別所需的存儲(chǔ)量和計(jì)算量大大降低。

    姚志宏^[5]等把汽輪機(jī)軸承座松動(dòng)的相關(guān)頻段上不同頻率譜的譜峰能量值作為故障信號(hào)的訓(xùn)練樣本輸入到LVQ網(wǎng)絡(luò)中去，并由LVQ網(wǎng)絡(luò)產(chǎn)生訓(xùn)練后不同的權(quán)重向量。由于競爭層神經(jīng)元的權(quán)重分布不同，則權(quán)重分布圖也不同，可根據(jù)不同的權(quán)重分布圖來確認(rèn)和診斷汽輪機(jī)軸承座松動(dòng)故障的不同程度。

    將模糊邏輯嵌入到各種神經(jīng)網(wǎng)絡(luò)中就形成了模糊神經(jīng)網(wǎng)絡(luò)FNN(Fuzzy Neural Network)。FNN具有多種形式，各類FNN學(xué)習(xí)算法都包括結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)兩部分。結(jié)構(gòu)學(xué)習(xí)的目標(biāo)是按照一定的性能要求，確定一個(gè)模糊邏輯系統(tǒng)包括多少條推理規(guī)則，每條規(guī)則中初步確定的前提和結(jié)論，以及由模糊數(shù)通過去模糊化得到確定數(shù)的方法等；參數(shù)學(xué)習(xí)則是進(jìn)一步精細(xì)調(diào)節(jié)各隸屬函數(shù)的參數(shù)以及模糊推理規(guī)則的其他參數(shù)，使系統(tǒng)臻于最優(yōu)。模糊神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)是能夠充分考慮概念的模糊性，充分利用專家的經(jīng)驗(yàn)，對(duì)故障進(jìn)行診斷，所以FNN在機(jī)械設(shè)備故障診斷中同樣得到了廣泛的應(yīng)用。

    劉正士等^[6]提出了基于模糊神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承滑動(dòng)擦傷故障診斷方法。所建立的模糊神經(jīng)網(wǎng)絡(luò)有4層：第1層為輸入層，有6個(gè)神經(jīng)元，輸入向量由軸承的6個(gè)參數(shù)組成；第2層為模糊化層，其作用是將輸入信號(hào)模糊化；第3層為隱含層，其神經(jīng)元數(shù)為12個(gè)；第4層為輸出層，只有1個(gè)神經(jīng)元。通過網(wǎng)絡(luò)學(xué)習(xí)，可以使網(wǎng)絡(luò)的第2～4層的映射逼近任意的模糊非線性函數(shù)關(guān)系。對(duì)所輸入的參數(shù)按照定義的模糊子集給每個(gè)輸入信號(hào)求出相應(yīng)的模糊隸屬度，隸屬度函數(shù)(鐘形隸屬度函數(shù))的給出反映了故障診斷知識(shí)的應(yīng)用。網(wǎng)絡(luò)測試結(jié)果表明，這種方法對(duì)于滾動(dòng)軸承的滑動(dòng)擦傷診斷是十分有效的。李如強(qiáng)等^[7]提出了一種基于知識(shí)的模糊神經(jīng)網(wǎng)絡(luò)并用于旋轉(zhuǎn)機(jī)械的故障診斷，建立一個(gè)5層的前向神經(jīng)網(wǎng)絡(luò)模型，第1、2層分別為輸入層和模糊層，第3、4層分別為規(guī)則的條件層和結(jié)論層，第5層為反模糊化層。使用該網(wǎng)絡(luò)對(duì)旋轉(zhuǎn)機(jī)械常見故障(不平衡、徑向碰磨、油膜渦動(dòng)和軸裂紋等)進(jìn)行診斷，結(jié)果表明，和一般模糊神經(jīng)網(wǎng)絡(luò)相比，該網(wǎng)絡(luò)具有訓(xùn)練時(shí)間短而診斷率高的特點(diǎn)。

    小波分析是一種新的信號(hào)時(shí)頻分析方法，它在時(shí)域和頻域都具有良好的局部化特性。在小波分析基礎(chǔ)上建立的小波包分析是一種更精細(xì)的時(shí)頻分析，通過小波包的正交分解，提高低頻部分和高頻部分的頻率分辨率，可以更有效地獲取信號(hào)的時(shí)頻特征。將小波分析與各種神經(jīng)網(wǎng)絡(luò)結(jié)合，就構(gòu)成了小波神經(jīng)網(wǎng)絡(luò)。

 

(本文作者：王敬章 中國石油阿姆河天然氣公司)