《机械设备状态概率模型的构建与应用》由会员分享，可在线阅读，更多相关《机械设备状态概率模型的构建与应用（3页珍藏版）》请在金锄头文库上搜索。
1、 刹注 沙 甸 妙 机械设备状态概率模型的构建与应用沈世斌， 褚红燕( 南京师 范大学电 气与自 动化工程学院。 江苏南京2 1 0 0 4 2 ) 摘 要: 在研究概率神经网络的基础上， 本文提出了构建设备状态概率模型的方法。 通过对神经网络结构的分析和主要模型参数的计算， 以设备运行历史数据作为网络样本点， 建立了设备的概率模型。 该模型能较好的反映机械设备的运行状态， 通过允 才 斤 设备运行的历史数据， 证明了该模型的合理性和正确性。 关键词: 概率模型; 概率神经网络; 状态监测T h e e s t a b l i s h m e n t a n d a p p l i c a t
2、 i o n o f t h e p r o b a b i l it y m o d e l o fm a c h i n e e q u i p me n t c o n d i t i o nS H E N S h i- b i n , C H U H o n g - y a n( S c h o o l o f E le c t r ic a l a n d A u t o m a t io n E n g in e e r in g , N a n j in g N o r m a l U n iv e r s it y , N a n j in g 2 1 0 0 4 2 , C
3、h in a )A b s t r a c t : B a s e d o n t h e r e s e a r c h o f P r o b a b il is t ic N e u r a l N e t w o r k s ( P N N ) , a p r o b a b ilit y m o d e l o f m a c -h in e e q u ip m e n t c o n d it io n is p r o p o s e d . B y t h e a n a ly s is o f N e u r a l N e tw o r k c o n s t r u c
4、 t io n a n dt h e c a lc u la t in g o f t h e m a in m o d e l p a r a m e t e r , u s in g t h e m a c h in e h is t o ry d a t a a s t h e n e tw o r ks a m p le , t h e p r o b a b i lit y m o d e l o f m a c h in e is e s t a b lis h e d . T h e m a c h in e e q u ip m e n t c o n d it io nis
5、w e ll d e s c r ib e d b y t h e p ro b a b ility m o d e l . T h e r e a s o n a b ilit y a n d c o r r e c t n e s s o f t h e m o d e l a r ep r o v e d b y a n a ly z i n g t h e m a c h in e h is t o ry d a t a . Ke v wo r d s : P r o b a b i l is t i c mo d e l : p r o b a b i l i s t i c n e
6、 u r a l n e t wo r k s : c o n d i t io n mo n it o r i n aQ 引言机械设备是国民经济的重要组成， 确保设备的 正常运转、 防止重大事故的发生并延长其使用寿命 早已引起了学术界和企业界的重视。而随着设备监 测诊断技术的不断发展， 对大型设 备的在线监测技 术和对中、 小型机电设备的离线点检技术已逐步在 企业中开始实施。 许多企业都已积累形成了大量的 设备运行历史数据， 然而数据并不等于信息， 如何 真正利用数据，为企业提供设备管理、维修诊断提 供切实有效的手段是目 前急需解决的问题。 本文从 设备运行的历史数据入手， 通过建立设备运行
7、状态 的概率模型， 为准确判定设备的运行状态提供了有 效的方法， 并在实际应用中取得了较好的效果。 ，概率神经网络概率神经网络由S p e c h t 于1 9 9 0 年提出， 是将基 于B a y e s 理论的分类网络和概率统计思想组合起来 而构成的， 这种网络具有快速优化能力、 稳定的收 敛性能和对现场数据的柔性追加等特点， 使得它在 故障诊断、模式识别、非线性处理、趋势预报等领域有着广泛的应用。概率神经网络的典型结构如图工 所示，它由输 人层、 模式层和求和层三层网络结构组成。在网络 训练时， 网络直接存储训练样本向量作为网 络的模 式样本向量， 而不作任何的修改， 只需对高斯函数
8、的平滑因子进行经验和统计的估计，过程极为简 单; 在网络工作时， 待识别样本X由输人层直接送 到模式层各个类别单元中， 在模式层中 进行向量X 和 x .的 点积， 完成非线性处理后 再送入求和层中 ; 求 和层各单元与相应类别的模式单元相连， 并且依据 P a r z e n 方法求和估计各类的概率。图1概率神经网络结构图P a r z e n 方法是指P a r z e n 于1 9 6 8 年提出的条件概 率的计算方法，其函数表达式为:2 0 0 5 - 1 2 - 2 2 沈世斌 ( 1 9 6 7 6 8 】第2 8 卷第4 期2 0 0 6男， 江苏高邮人，工程师、实验师， 主要从
9、事自 动化方面的教学和科研工作0 44 1j 注 沙 甸 妙 P (X if )=下 z , ,、 E iX - =.u=/ =7c u其中， x 是识别 样本向量 I X 是模式样本向 量， m 是 向 量 维 数， a 是 平 滑因 子，If i 是 分 类 模 式 的 数量。 这种条件概率的估计方法表现为计算各高斯 型节点函 数的和。 每个节点中心为训 练样本模式点， 平滑因子就是高斯型函数的标准偏差a .同时， 一 个节点函数对条件概率的影响是随识别样本向量与 模式样本向量间的距离平方呈指数变化的， 即节点 函 数对条件概率的影响具有局域性， 当一个节点间 距离较大时，该节点对条件概率
10、的影响可以忽略。从P a r z e n 方法中可以看出， 平滑因子的大小关 系到整个概率密度分布函数的变化。图2 所示为二 维样本向量时平滑因子对概率模型的影响。 在图中， 平滑因子a 由 小变大， 所对应的概率密度分布函数 具有明显的差异。由此可知， 优化平滑因子是构建 设备状态概率模型的关键。根据设备运行的历史数据， 可以把它们分为两 类:一类是设备投人使用后没有发生任何故障， 这 类设备的历史数据只包括正常运行范围内的数据， 这些数据大都集中在一个比较小的范围内， 因而此 时概率神经网络样本层各样本点比较接近， 即样本 点间的距离较小， 所计算出的平滑因子也较小， 每 个样本点对整个概
11、率模型的影响范围也较小，另一 类是设备曾发生一次或多次故障， 这类设备的历史 数据包括了大量正常运行时的数据和少量故障状态 下的数据， 而设备故障时， 状态的变化往往会导致 数据远离正常范围， 反映在概率模型中，则是网络 样本层中除包括大量分布比较集中的样本点外， 还 包括若干个比较分散的样本点， 估计出的平滑因子 较大， 即每个样本点对整个概率模型曲线的影响范 围较大。偏 剧耐 载 ， 正常设备很辜模型 、:匡,5 2 25一 3 3.4 9re n a q 幻图2 平 滑囚子对概率分布函数的影响C a i n 通过大量数据的实验处理， 表明平滑因子 与样本问的平均最小距离有关， 而且被认为
12、是一种 既简单又行之有效的方法，其表达式为:( 2 )其 中 ， N 为 样 本 层 的 数 据 个 数 ， 专 X . -x! i , J = 1 ,2 ,A ,N , i 3 ! , S 为 经验系 数。 2 模型的建立与分析( b )故阻设备概来福型图3 设备状态概率模型图3 中( a ) 是某厂减速机设备的振动速度数据的 概率模型， 该设备一直处于正常状态， 从概率模型 图中 可以看出， 正常设备的状态概率模型是在小范 围内的概率分布函数。它们的样本点比较集中， 平 滑因子也较小， 即每个样本点对整个概率模型的影 响较小， 但由于数据都大量集中在均值附近， 概率 模型在历史数据平均值附
13、近的概率达到最大。只要 设备处于正常运行状态， 则通过监测工具所采集的 数据或通过波形数据计算出的指标有很大的概率发 生在均值附近， 而远离均值的数据只是小概率事件， 因此， 此时的概率模型是完全符合设备运行的实际 情况的。图3 中ro ) 是某厂减速机设备的振动速度数据的 概率模型， 该设备运行过程中发生了一次故障， 从 概率模型图中可以看出， 由于故障数据偏离正常范 围较远，而且故障数据的分布范围较广， 即样本点第2 8 卷第4 期2 0 0 6 - 0 4 1 6 9 1务 注 a 甸 妙化间的距离较大，估计出的平滑因子往往都较大， 导 致每个样本点的影响范围加大。 而且由 于故障数据
14、与正常数据间的距离较远， 它们之间的相互影响非 常小， 导致在概率模型图中出 现一个在正常范围和 故障范围之间概率非常小的区域， 这个区域正是设 备从正常状态到故障状态过渡的不稳定区域， 从设 备的劣化过程来看， 设备出现在这种不稳定状态的 时间较短， 因而在概率模型图中 也是一个概率极小 的范围， 此时的概率模型也是符合设备运行的实际 情况的。从图3 中可以看出， 设备状态的概率模型客观 地反映了设备的运行状态。 正常设备的概率模型与 故障设备的概率模型之间存在着明显的区别， 因此 完全可以将该概率模型作为对设备状态判定的有效 判据。3 结论概率神经网络是以概率统计思想和贝叶斯优化 规则而构
15、成的分类神经网络， 本文根据设备运行历 史数据为样本点建立了设备状态的概率模型， 该模 型是设备状态的客观反映， 为描述设备运行状态提 供了量化的依据。 文中通过对正常设备和故障设备 的概率模型进行了比较，取得了较好的效果。参考文献: 1 D O N A L D F S . P r o b a b i l i s t i c n e u r a l n e t w o r k s a n d t h e p l o y n o -m i a l a d a l i n e a s c o m p l e m e n t a r y t e c h n i q u e s f o r c l a
16、 s s i f i c a ti o n J . I E E E T r a n s a c t i o n s o n N e u r a l N e t w o r k s , 1 9 9 0 , 1 ( 1 ) : I 1 I -1 2 1 ， 2 1 徐光华. 概率神经M络及其大机组智能诊断技术 D . 西安: 西安交通大学, 1 9 9 5 3 C A I N J B . A n i m p r o v e d p r o b a b i l i s t ic n e u r a l n e t w o r k s a n d it sp e r f o r m a n c e r e la t i v e t o o t h e r m o d e l Z l . A p p l i c a t i o n o f A r t i -f i c i a l N e u r a l N e t w o r k s , S P I E P r e s s
