摘要：油氣田關(guān)鍵設(shè)備(各種機泵和壓縮機)的運行狀況直接關(guān)系到油氣田開發(fā)的安全、平穩(wěn)和高效運行。這些設(shè)備幾乎是24h不間斷運行，難免會出現(xiàn)故障甚至給生產(chǎn)造成損失。當前有多種神經(jīng)網(wǎng)絡被應用于這些設(shè)備的狀態(tài)監(jiān)測與故障診斷。對BP神經(jīng)網(wǎng)絡、徑向基函數(shù)網(wǎng)絡、概率神經(jīng)網(wǎng)絡、學習矢量量化網(wǎng)絡、模糊神經(jīng)網(wǎng)絡和小波神經(jīng)網(wǎng)絡在機械設(shè)備故障診斷中的應用與研究進展進行了分析比較，闡述了各種網(wǎng)絡的應用效果，分析了各種網(wǎng)絡應用的優(yōu)缺點。人工神經(jīng)網(wǎng)絡以其具有非線性、大規(guī)模、并行處理能力強、魯棒性、容錯性及自學習能力強等特點，在機械設(shè)備故障診斷中得到廣泛的應用，應選擇合適的神經(jīng)網(wǎng)絡對機械設(shè)備進行故障診斷，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；故障診斷；機械設(shè)備；應用；比較

    機械設(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(各種機泵和壓縮機)的運行狀況直接關(guān)系到油氣田開發(fā)的安全、平穩(wěn)和高效運行。據(jù)統(tǒng)計，塔里木油田公司牙哈凝析氣田有各種機泵75臺、壓縮機20臺，而在西氣東輸?shù)闹髁馓?mdash;—克拉2氣田有各種機泵132臺、壓縮機4臺。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不間斷運行。在這樣的工況下，這些設(shè)備難免會出現(xiàn)故障，甚至對生產(chǎn)造成損失。因此，對這些設(shè)備進行狀態(tài)監(jiān)測與故障診斷尤為重要。

    機械設(shè)備的故障診斷主要是根據(jù)它在運行過程中出現(xiàn)的各種狀態(tài)信息對其故障進行分析與識別。故障狀態(tài)信息與故障原因之間存在著非常復雜的非線性映射關(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)絡具有大規(guī)模并行、分布式存儲和處理、自組織、自適應和學習能力，特別適用于處理需要同時考慮許多因素和條件的、不精確和模糊的信息。

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

    聞建龍等^[1]應用BP神經(jīng)網(wǎng)絡對輸油泵進行故障診斷研究。研究中采用的是只有1個隱層的網(wǎng)絡模型，網(wǎng)絡的輸入層共12個神經(jīng)元，分別對應選定的12個頻率段；輸出層有7個神經(jīng)元，分別對應離心輸油泵的7種狀態(tài)(不平衡、不對中、松動、喘振、聯(lián)軸器故障、油膜振蕩以及正常運行狀態(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)絡的往復泵軸承故障診斷方法，在往復泵的軸承故障診斷系統(tǒng)中選取內(nèi)圈和滾動體的振動能量、振動峰值及倒譜包絡等6個特征參數(shù)，來辨識往復泵動力端一個軸承的4種故障狀態(tài)，試驗表明故障診斷的成功率可以達到80%～90%。

    徑向基函數(shù)網(wǎng)絡RBF-NN(Radial Basis Function Neural Network)的結(jié)構(gòu)與MLP相似，但它只有1個隱含層，即由1個輸入層、1個隱含層和1個輸出層組成，且隱含層節(jié)點的變換函數(shù)是對于中心徑向?qū)ΨQ且衰減的非負非線性函數(shù)，一般采用高斯函數(shù)。RBF網(wǎng)絡具有學習快速、高效的特點，它實現(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)絡在飛機發(fā)動機故障診斷系統(tǒng)中的應用，共有12種常見的故障被選擇作為診斷的原型故障，設(shè)計的RBF網(wǎng)絡的輸入層有4個神經(jīng)元，輸出層有12個神經(jīng)元，并對訓練后的網(wǎng)絡進行了仿真測試。仿真結(jié)果表明RBF網(wǎng)絡有較高的診斷正確率，且能滿足實時診斷的要求。

    概率神經(jīng)網(wǎng)絡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，被廣泛應用在模式識別中。概率神經(jīng)網(wǎng)絡結(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)絡用一個指數(shù)函數(shù)(高斯函數(shù)^[4])來代替BP神經(jīng)網(wǎng)絡中常見的sigmoid函數(shù)。概率神經(jīng)網(wǎng)絡在應用中的主要優(yōu)點是訓練簡單，并且可用于實時處理。

    徐光華等^[4]提出了一個大機組快速響應智能診斷系統(tǒng)。該系統(tǒng)采用概率神經(jīng)網(wǎng)絡作為故障分類器，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)絡局部最小的弱點，進一步提高了系統(tǒng)診斷能力。

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

    姚志宏^[5]等把汽輪機軸承座松動的相關(guān)頻段上不同頻率譜的譜峰能量值作為故障信號的訓練樣本輸入到LVQ網(wǎng)絡中去，并由LVQ網(wǎng)絡產(chǎn)生訓練后不同的權(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)重分布圖來確認和診斷汽輪機軸承座松動故障的不同程度。

    將模糊邏輯嵌入到各種神經(jīng)網(wǎng)絡中就形成了模糊神經(jīng)網(wǎng)絡FNN(Fuzzy Neural Network)。FNN具有多種形式，各類FNN學習算法都包括結(jié)構(gòu)學習和參數(shù)學習兩部分。結(jié)構(gòu)學習的目標是按照一定的性能要求，確定一個模糊邏輯系統(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)學習則是進一步精細調(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)絡的主要優(yōu)點是能夠充分考慮概念的模糊性，充分利用專家的經(jīng)驗，對故障進行診斷，所以FNN在機械設(shè)備故障診斷中同樣得到了廣泛的應用。

    劉正士等^[6]提出了基于模糊神經(jīng)網(wǎng)絡的滾動軸承滑動擦傷故障診斷方法。所建立的模糊神經(jīng)網(wǎng)絡有4層：第1層為輸入層，有6個神經(jīng)元，輸入向量由軸承的6個參數(shù)組成；第2層為模糊化層，其作用是將輸入信號模糊化；第3層為隱含層，其神經(jīng)元數(shù)為12個；第4層為輸出層，只有1個神經(jīng)元。通過網(wǎng)絡學習，可以使網(wǎng)絡的第2～4層的映射逼近任意的模糊非線性函數(shù)關(guān)系。對所輸入的參數(shù)按照定義的模糊子集給每個輸入信號求出相應的模糊隸屬度，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的應用。網(wǎng)絡測試結(jié)果表明，這種方法對于滾動軸承的滑動擦傷診斷是十分有效的。李如強等^[7]提出了一種基于知識的模糊神經(jīng)網(wǎng)絡并用于旋轉(zhuǎn)機械的故障診斷，建立一個5層的前向神經(jīng)網(wǎng)絡模型，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)絡對旋轉(zhuǎn)機械常見故障(不平衡、徑向碰磨、油膜渦動和軸裂紋等)進行診斷，結(jié)果表明，和一般模糊神經(jīng)網(wǎng)絡相比，該網(wǎng)絡具有訓練時間短而診斷率高的特點。

    小波分析是一種新的信號時頻分析方法，它在時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的時頻分析，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的時頻特征。將小波分析與各種神經(jīng)網(wǎng)絡結(jié)合，就構(gòu)成了小波神經(jīng)網(wǎng)絡。

 

(本文作者：王敬章 中國石油阿姆河天然氣公司)