基于神经网络的自适应故障模式分类方法

D0第9第3期ssn1001-053x.195.01京科技大学学报 Vol.17 No.3 19956Journal of University of Science and Technology Beijing Jum.1995 基于神经网络的自适应故障模式分类方法 潘紫微 徐金梧 北京科技大学机械工程学院，北京100083 摘要在深人研究ART一2神经网络结构的基础上，提出了一种基于神经网络的自适应故 模式分类方法，并应用在轴承故障诊斯中，结果表明：该方法对轴承故障模式具有自学习、 快速稳定的识别能力， 关键词故障诊断，神经网络，轴承，模式识别，ART-2网络 中图分类号TP206.3.TH133.3 Adaptive Failure Pattern Classification Method based on Neural Networks Pan Ziwei Xu Jinwu Institute of Mechanical Engineering,USTB,Beijing 100083,PRC ABSTRACT The adaptive failure pattern classificationmethod based on neural network is presented through the study of ART-2 neural networks and it is put into application on bearing diagnosis.The results indicate that this method has recognizing abilities of fast,stable and self-adaptive response for bearing fault pattern. KEY WORDS failure diagnosis,neural networks,bearing,pattern recognition,ART-2 networks 设备故障诊断的任务是了解和掌握设备在使用过程中的状态，确定其整体或局部是 否正常，早期发现故障及其原因，并能预报故障发展趋势·如果事先已对设备可能发生 的故障模式进行分类，那么诊断问题就转化为把设备的现行状态归入哪一类的问题.因 此，故障诊断实质是一类模式分类问题· 对于这一类问题的解决，目前通常应用传统的模式识别理论川，在时域及频域里， 通过对状态信号的特征提取，借助于一些识别准则，如欧几里得距离、马氏距离等判别 函数，以求获得对机器状态的正确识别，然而，选择不同的判别函数，仅利用了它们不 同的状态信息，对于未考虑到的故障模式，判决将无法进行· 由于神经网络的自学习、自组织和并行分布处理等特点，因此神经网络作为一种自 适应的模式识别技术适用于建立智能型故障识别模型.本文在深人研究自适应谐振理论 (ART)神经网络的基础上，提出一种智能型模式分类模型，并应用于滚动轴承真实 1994-03-25收稿 第一作者男38岁硕士 *国家教育博士基金项目

第 卷 第 期 年 月 北 京 科 技 大 学 学 报 。 基 于 神经 网络 的 自适应故 障模 式分类方法 ’ 潘 紫微 徐金 梧 北 京 科 技 大 学 机 械 工 程 学 院 ， 北 京 摘要 在 深 人 研 究 一 神 经 网 络 结 构 的 基 础 上 ， 提 出 了 一 种 基 于 神 经 网 络 的 自适 应 故 障模 式 分 类 方 法 ， 并 应 用 在 轴 承 故 障 诊 断 中 结 果 表 明 该 方 法 对 轴 承 故 障 模 式 具 有 自学 习 、 快速 稳 定 的 识 别 能 力 关 键 词 故 障诊 断 神 经 网 络 轴承 ， 模 式 识 别 ， 一 网 络 中图分类 号 ， 尸“ 工幼 儿 况 ， ， ， 回 一 ， 一 ， ， ， ， 一 设 备 故 障诊 断 的 任 务 是 了 解 和 掌 握 设 备 在 使 用 过 程 中 的 状 态 ， 确 定 其 整 体 或 局 部 是 否 正 常 ， 早 期 发 现 故 障及 其 原 因 ， 并 能 预 报 故 障 发 展 趋 势 如 果 事 先 已 对设 备 可 能 发 生 的 故 障模 式 进 行 分 类 ， 那 么 诊 断 间题 就 转 化 为 把 设 备 的 现 行 状 态 归 人 哪 一 类 的 问题 因 此 ， 故 障诊 断 实 质 是 一 类 模 式 分 类 问题 对于 这 一 类 问题 的解 决 ， 目前 通 常 应 用 传 统 的 模 式 识 别 理 论 川 ， 在 时 域 及 频 域 里 ， 通 过 对状 态 信 号 的特 征 提 取 ， 借 助 于 一 些 识 别 准 则 ， 如 欧 几 里 得 距 离 、 马 氏距 离 等 判 别 函 数 ， 以 求 获 得 对 机 器 状 态 的正 确 识 别 然 而 ， 选 择 不 同 的判 别 函 数 ， 仅 利 用 了它 们 不 同的状 态 信 息 ， 对于 未 考 虑 到 的 故 障模 式 ， 判 决 将 无 法 进 行 由于 神 经 网 络 的 自学 习 、 自组 织 和 并 行 分 布 处 理 等 特 点 ， 因此 神 经 网 络 作 为 一 种 自 适 应 的模 式 识 别 技 术 适 用 于 建 立 智 能 型 故 障 识 别 模 型 本 文 在 深 人 研 究 自适 应 谐 振 理 论 神 经 网 络 的基 础 上 ， 提 出一 种 智 能 型 模 式 分 类 模 型 ， 并 应 用 于 滚 动 轴 承 真 实 一 一 收稿 第 一 作 者 男 岁 硕 士 国 家 教 育 博 士 基 金 项 目 DOI ：10．13374／j ．issn1001－053x．1995．03．013

Vol.17 No.3 潘紫微等：基于神经网络的自适应故膝模式分类方法 .265· 故障的诊断， 1ART-2网络的优点 ART一2网络是一种无监督的学习模型·这种模型与有监督的学习模型（例如目前 应用最广的BP网络)相比具有以下3方面的优点： ()BP网络的学习是在教师指导下的有监督学习，它必须提供由人工进行过分类的 学习样本，另一方面，BP网络学习状态与工作状态通常是分开的.而ART网络是自 组织的；学习过程无需教师指导；它能对任意输入矢量进行“实时学习”，就是说，ART 网络学习和工作是分不开的，因此它非常适用于在线监测， (2)ART网络学习过程受由顶向下传送的模式矢量指导，因而可以形成“集中注 意”的状态，也就是说可以有选择地学习，把注意力集中于某些特定内容（包括过去学 过的或新奇的)·由于权重系数的修正只涉及少量有关系数，因而较BP网络有很高的 学习效率(BP网络在学习过程中需要调整所有权重系数)， (3)BP网络有可能陷人均方误差的局部最小点，从而造成错误的分类结果，而 ART网络可以完全避免陷人局部最小点的问题)， 2ART一2故障模式分类模型的拓扑结构及作用过程 ART一2神经网络是以竞争和自稳机制为原则所建立的一种拓扑结构)，如图1所 示，它由两个子系统组成：一是“注意子系统”，其功能是对已学习过的模式进行快速 识别；二是“调整子系统”，其功能是在不破坏原来记忆的情况下迅速适应未学习的新 模式·图中F。为预处理部分，F,为特征输人部分，它们一起构成特征输人场，在特 征输人场中有相应的M个处理单元·F2为类别表示场，它只有1层，其中有相应的N 个输出单元（结点）.特征输入场和类别表示场为STM(short term memory)而它们 之间为LTM(long term memory)层.图1中只画出了第i个单元.在特征表示场中F。 和F,部分均采用了3层结构，其中包括正反馈、规格化及非线性变换，每一层里包括 两种功能不同的神经元，一种是空心圆，它表示这种神经元可能受到兴奋和抑制两种激 励，另一种是实心圆，其功能是求其输入矢量的模，并送出抑制激励· ART-2神经网络模型的作用过程可分为3个阶段：STM稳定阶段；搜索阶段和 LTM调整阶段. (1)STM稳定阶段 系统状态特征矢量输入到F。·由于在特征输人场中设计为F。和F,两部分，因此在 STM稳定阶段中可保证F,部分所有STM运算在由底向上被传送到F,之前是稳定的， 同时也能保证F。部分所有的STM运算在它们被输出到F,部分之前是稳定的· F。和F,部分的输人方程、规格化运算和非线性变换运算公式如下： Fo: Pn=Um (1) O=Pni÷(e+‖P。‖) (2)

潘 紫 微 等 基 于 神 经 网 络 的 自适 应 故 障模 式 分 类 方 法 · · 故 障 的诊 断 一 网络 的优点 一 网 络 是 一 种 无 监 督 的 学 习 模 型 这 种 模 型 与 有 监 督 的学 习 模 型 例 如 目前 应 用 最 广 的 网 络 相 比具 有 以 下 方 面 的 优 点 网络 的 学 习 是 在 教 师 指 导下 的 有 监 督 学 习 ， 它 必 须 提供 由人 工 进 行 过 分 类 的 学 习 样 本 另 一 方 面 ， 网 络 学 习 状 态 与 工 作 状 态 通 常 是 分 开 的 而 网 络 是 自 组 织 的 学 习 过 程 无 需 教 师 指 导 它 能 对 任 意 输 入 矢 量 进行 “ 实 时学 习 ” ， 就是说 ， 网 络 学 习 和 工 作 是 分 不 开 的 ， 因 此 它 非 常 适 用 于 在 线 监 测 网 络 学 习 过 程 受 由顶 向下 传 送 的模 式 矢 量 指 导 ， 因 而 可 以 形 成 “ 集 中 注 意 ” 的状 态 ， 也 就 是 说 可 以 有 选 择地 学 习 ， 把 注 意 力 集 中于 某 些 特 定 内容 包 括 过 去 学 过 的 或新 奇 的 由于 权 重 系 数 的 修 正 只 涉 及 少 量 有 关 系 数 ， 因 而 较 网 络 有 很 高 的 学 习效 率 网 络在 学 习过 程 中需 要 调 整 所 有 权 重 系 数 网 络 有 可 能 陷 人 均 方 误 差 的 局 部 最 小 点 ， 从 而 造 成 错 误 的 分 类 结 果 ， 而 网 络 可 以 完 全 避 免 陷人 局 部 最 小 点 的 问题 一 故 障模式分 类模型 的拓 扑 结构及 作 用 过 程 一 神 经 网 络 是 以 竞 争 和 自稳 机 制 为 原 则 所 建 立 的 一 种 拓 扑 结 构 ， 如 图 所 示 它 由两 个 子 系 统 组 成 一 是 “ 注 意 子 系 统 ” ， 其 功 能 是 对 已 学 习 过 的 模 式 进 行 快 速 识 别 二 是 “ 调 整 子 系 统 ” ， 其 功 能 是 在 不 破 坏 原 来 记 忆 的 情 况 下 迅 速 适 应 未 学 习 的 新 模 式 图 中 。 为 预 处理 部 分 ， 为 特 征 输 入 部 分 ， 它 们 一 起 构 成 特 征 输 人 场 ， 在 特 征 输 人 场 中有 相 应 的 个 处理 单元 为类 别 表 示 场 ， 它 只 有 层 ， 其 中 有 相 应 的 个 输 出单 元 结 点 特 征 输 人 场 和 类 别 表 示 场 为 飞而 它 们 之 间 为 层 图 中 只 画 出 了 第 个 单 元 在 特 征 表 示 场 中 和 ， 部 分 均 采 用 了 层 结 构 ， 其 中包 括 正 反 馈 、 规 格 化 及 非 线 性 变 换 每 一 层 里 包 括 两 种 功 能 不 同 的 神 经 元 ， 一 种 是 空 心 圆 ， 它 表 示 这 种 神 经 元 可 能 受 到 兴 奋 和 抑 制 两 种 激 励 另一 种 是 实 心 圆 ， 其 功 能 是 求 其 输 人 矢 量 的模 ， 并 送 出抑 制 激 励 一 神 经 网 络 模 彗的 作 用 过 程 可 分 为 个 阶 段 稳 定 阶 段 搜 索 阶 段 和 调 整 阶段 稳 定 阶段 系 统 状 态 特 征 矢 量 输 人 到 。 由于 在 特 征 输 入 场 中设 计 为 。 和 ， 两 部 分 ， 因 此 在 稳 定 阶段 中可 保 证 部 分 所 有 运 算 在 由底 向上 被 传 送 到 之 前 是 稳 定 的 ， 同 时也 能 保 证 。 部 分 所 有 的 运 算 在 它 们 被 输 出到 ， 部 分 之 前 是 稳 定 的 。 和 ， 部 分 的输 人 方 程 、 规 格 化 运 算 和 非 线 性 变 换 运 算 公 式 如 下 。 。 ，‘ ，， 凡 ‘ 凡

·266· 北京科技大学学报 1995年No.3 F:reset Z, F /g(Y) cP Z P P U bfa) 调整子系统 个 1Op aU, 0 W X 注意子系统 2A bfap) VP bAXp) aUp. WP 图1ART-2网络拓扑结构 Upi=Vi÷(e+lV,l) (3) V=fX:)+b×fQ:) (4) W,=L+a×U, (5) X=Wm÷(e+lW。‖) (6) 式中Pn、、U、V、W和X,分别表示第i个处理单元中空心圆神经元 的活动电位·(5)式中L表示第i个输人分量，(4)式中非线性阈值函数∫为： f(x)=0if00 (7) 在(2)、(3)、(6)式中川P,,‖V,I和‖W‖分别表示矢量P。V和W。的模. 常数a、b和e为网络参数， F P.=U,+∑g(Y,)×TZ (8) 2=P,÷(e+liP") (9) U,=V,÷(e+川Vl) (10) V,=fX,)+b×f2,) (11) W,=2+a×U, (12) X,=W,÷(e+lW‖) (13) 式中P、、U,、V,、W,和X,分别表示第i个处理单元中空心圆神经元的活动电 位，(11)式中的非线性阈值函数同(7)式，在(9)、(10)和(13)式‖P川、‖V∥和 W‖分别为矢量P、V和W的模.(8)式中的y,为F:的第j个结点输出，T乙。 为F,与F,之间由顶向下的连接权重·

北 京 科 技 大 学 学 报 卯 年 调整子 系 统 注意子 系 统 ， 才 犯 含少尸 才 ’ 磕 、 幸 添丫 ’ 图 一 网络 拓 扑结 构 ，‘ 气 ‘ 气 气 。 二 戈 。 ， 叽一 乙 ， 戈 ‘ 叽 ‘ 叽 式 中 凡 、 ， 、 ‘ 、 珠 ‘ 、 叽 ‘ 和 戈 ‘ 分 别 表 示 第 个 处 理 单 元 中 空 心 圆 神 经 元 的 活 动 电位 式 中 式表 示 第 个 输 人 分 量 ， 式 中非 线 性 阑值 函 数 为 《 在 、 、 式 中 日凡 日 、 日 气 和 日 叽 日分别 表示 矢量凡 、 气和 叽 的模 常 数 、 和 为 网 络 参 数 只 ， 艺 。 骂 ， ， ， 一 ， 、 日 叭 戈 ， ， ， 戈 ‘ 、 式 中 尸 、 ‘ 、 、 职 、 ‘ 和 戈 分 别 表 示 第 个 处理 单 元 中空 心 圆神 经 元 的 活 动 电 位 式 中 的非 线 性 阑值 函 数 同 式 在 、 和 式 尸 日 、 日 和 一 分 别 为 矢 量 尸 、 和 的 模 · 式 中 的 艺 为 的 第 个 结 点 输 出 ， 叹 ， 为 与 ， 之 间 由顶 向下 的 连 接 权 重

Vol.17 No.3 潘紫微等：基于神经网络的自适应故障模式分类方法 .267. (2)搜索阶段 在该阶段中主要任务是识别1个由底向上的输人模式是属于系统哪种状态类别，并 且将由顶向下的预期模式矢量送回F,然后将由底向上的输人矢量与由顶向下的预期矢 量进行匹配比较.如果选择是正确的则产生自适应谐振，模型进人LTM运算，否则， 调整子系统被激活，将F,先前被激活的类别重置，然后在F,中重新搜索新的类别， 这个新的类别有可能还会引起另一个不匹配，因此新的重置发生，并又重新搜索其它类 别，直至将由底向上的输入模式归入网络模型中已有的类别中或在F,中找不到与已有 的系统状态模式相似者就在F2中开辟1个新的结点，作为新的类别· 设F,中的结点表示系统输人模式的类别编码，P,经过F,到F,之间加权组合变换 为模式T作用于F,的输入端，其计算公式为： T=∑P.×BZ (14) 式中=1、2……N,N为F2输出结点总数，P为F,的输出，BZg为F1与F2之间 由底向上的连接权重. 》 Max=〔T,j=1、2……N) (15) 时，可将该结点选为最佳匹配结点·在选定F,第J个结点后，公式(8)中的变换函数 可写为： g(Y)=d (16) 式中常数d为网络参数，而对于其它所有的： g(Y)=0 (17) 被激活的第j个结点将分别读出由顶向下的模式(U,+d×TZ:)和由底向上的模 式？，并将它们进行相似度运算，如果当这两个模式相似度不高时，即： p÷(e+lrl)>1 (18) 时，调整子系统被激活，将重置F,·式中P为警戒参数，该参数的作用是控制由底向上 矢量与由顶向下矢量的匹配精度， 其中r,=(Q.+c×P)÷(e+‖Q,‖+c×‖Pi） (19) (3)LTM调整阶段 当F,→F,的由顶向下矢量和输入矢量的相似度足够高（即F,中最佳匹配模式的 选择结束)或开辟了1个新输出结点（即开辟了新的一类）后，则进入LTM系数的学 习调整阶段，其学习公式是叫： 对于J节点：TZ.(t+1)=TZ()+d×〔P()-TZ(t)i=0~M (20) 当j≠JTZ(t+1)=TZ.() (21) 对于J节点：BZt+1)=BZ,)+d×(P()-BZ(tD i=0~M (22) 当j≠JBZ,(t+1)=BZ,() (23) 综上所述该模型学习过程概括如下： (1)初始化由顶向下和由底向上的LTM权重系数TZ:和BZ,· (2)给定一新的输人样本· (3)计算和选择F,的最佳匹配模式

潘 紫 微 等 基 于 神 经 网 络 的 自适 应 故 障模 式 分类 方 法 · · 搜 索 阶段 在 该 阶段 中主 要 任 务 是 识 别 个 由底 向上 的输 人 模 式 是 属 于 系 统 哪 种 状 态 类 别 ， 并 且 将 由顶 向下 的 预 期 模 式 矢 量 送 回 ，， 然 后 将 由底 向上 的 输 人 矢 量 与 由顶 向下 的 预 期 矢 量 进 行 匹 配 比较 如 果 选 择 是 正 确 的则 产 生 自适 应 谐 振 ， 模 型 进 人 运 算 否 则 ， 调 整 子 系 统 被 激 活 ， 将 先 前 被 激 活 的 类 别 重 置 然 后 在 中重 新 搜 索 新 的 类 别 ， 这 个 新 的类 别 有 可 能 还 会 引 起 另 一 个 不 匹 配 ， 因 此 新 的 重 置 发 生 ， 并 又 重 新 搜 索 其 它 类 别 ， 直 至 将 由底 向上 的 输 人 模 式 归 人 网 络 模 型 中 已 有 的 类 别 中 或 在 中 找 不 到 与 已 有 的 系 统状 态 模 式 相 似 者 就 在 中 开 辟 个 新 的 结 点 ， 作 为 新 的类 别 设 中 的结 点 表 示 系 统 输 人 模 式 的 类 别 编 码 尸‘ 经 过 到 之 间 加 权 组 合 变 换 为模式 不作 用 于 的 输 人 端 ， 其 计 算 公 式 为 不一 艺 尸 ， 凡 式 中 、 ” 一 ， 为 输 出 结 点 总 数 ， 只 为 的 输 出 ， 几 为 ， 与 之 间 由底 向上 的 连 接 权 重 当 〔 ， 、 … … 〕 时 ， 可 将 该 结 点 选 为最 佳 匹 配 结 点 在 选 定 第 个 结 点 后 ， 公 式 中 的 变 换 函 数 可 写 为 式 中常数 为 网 络 参数 ， 而 对 于 其 它 所 有 的 艺 被 激 活 的第 个 结 点 将 分 别 读 出 由顶 向 下 的 模 式 ‘ 骂 ‘ 和 由底 向上 的 模 式 ‘ ， 并 将 它 们 进 行 相 似 度 运 算 ， 如 果 当这 两 个 模 式 相 似 度 不 高 时 ， 即 户 时 ， 调 整 子 系 统 被 激 活 ， 将 重 置 式 中 为 警 戒 参 数 ， 该 参数 的作 用 是 控 制 由底 向 上 矢 量 与 由顶 向下 矢 量 的 匹 配 精 度 其 中 ， 一 ，， ， ‘ ， 调 整 阶 段 当 ， 的 由顶 向下 矢 量 和 输 人 矢 量 的 相 似 度 足 够 高 即 中 最 佳 匹 配 模 式 的 选 择结 束 或 开辟 了 个 新 输 出 结 点 即 开 辟 了 新 的一 类 后 ， 则 进 人 系 数 的 学 习调 整 阶段 其 学 习 公 式 是 对于 节 点 咒 五 〔尸 一 刀 一 材 当 幸 骂 ‘ ， 一 砚 对于 节 点 刀 。 一 刀风 ， 〔 ， 一 ， 刀 一 一 当 手 刀凡 一 刀 ‘， 综上 所 述 该 模 型 学 习 过 程 概 括 如 下 初 始 化 由顶 向下 和 由底 向上 的 权 重 系 数 ‘ 和 乙， · 给定 一 新 的输 人 样 本 计 算 和 选 择 。 的最 佳 匹 配 模 式

·268 北京科技大学学报 1995年No.3 (4)进行警戒线检验，确定由底向上的输人模式与F,中活动度最大的模式相似度是 否在给定的界线内， (5)如果F,中活动度最大的结点与由底向上的输人模式相似度不在给定的界线 内，F2中的最佳匹配模式将被暂置为零，转向(3)， (6)如果F,中话动度最大的结点与由底向上的输人模式相似度在给定的界线内，对 LTM权重系数BZ,和TZ,进行调整. (7)在转向(2)之前，首先取消掉在(5)中结点是零的限制. 3该分类方法在轴承故障诊断中的应用 用于故障诊断的模型输人端对应轴承监测系统的诊断特征量，分别是通道特征值 N。,峰值Max、有效值R、峭度值K、轴承外圈、内圈和滚动体特征频率幅值V。、V6 和V。.输出结点为系统状态模式编码ND.网络参数是通过大量实验来确定的，它们 分别为a=b=10,c=0.225,d=0.8,e=0.0001,0=0.0,p=0.9~0.99. 下面给出两组应用实例，第1例为7608E圆锥轴承滚动体裂纹在线监测到的实验 数据·第2例为7608E圆锥轴承外圈点蚀在线监测到的实验数据，训练样本数为3 组.实验按快速学习的方式进行的.样本矢量各呈现1次后，即可自动分类.见表1. 表1归一化后的学习样本 Ne M.x Rm Kun Vro Vn Vo ND 说 01.0001.0000.7000.2400.1530.9550 1号位有故障，类型为滚动体裂纹 10.2360.1600.7000.0180.0250.0131 2号位无故障，运行正常 0.50.0890.0640.1540.0740.0490.16123号位无故障，运行正常 表2诊断结果输出 Ne M R Kun V。n Vo ND 东 乡 01.0001.0000.6000.2550.1950.9050ND=0时，1号位有故障，类型 10.2320.1650.8000.0230.0230.0181 为滚动体裂纹， 01.0001.0000.7000.3500.2521.0000ND=1时，2号位无故障， 运行 10.3440.2330.7000.0400.0300.0381正常. 0.50.2700.2700.1840.2610.3040.1623 ND=3时，3号位有故障，类型 0.50.2700.2710.1780.2610.2830.1743为外圈点蚀， 0.50.2710.2670.1830.2610.2650.1853 0.50.0820.0640.1550.0710.0500.1532ND-2时，3号位无故障，运行正 0.50.0780.0650.1460.0740.0490.1662常. 将两例采集的振动信号输人已学习过的模型中，其中有一故障模式模型并未学习 过，但模型能自动将其分为新的1类，诊断结果见表2，可看出该网络模型对轴承有无 故障、故障位置、故障类型均有很强的识别能力

· 北 京 科 技 大 学 学 报 卯 年 进 行 警 戒 线 检 验 ， 确 定 由底 向上 的 输 人 模 式 与 中 活 动 度 最 大 的 模 式 相 似 度 是 否 在 给定 的 界 线 内 如 果 中 活 动 度 最 大 的 结 点 与 由 底 向 上 的 输 人 模 式 相 似 度 不 在 给 定 的 界 线 内 ， 中的 最 佳 匹 配 模 式 将 被 暂置 为 零 ， 转 向 如 果 中 活 动 度 最 大 的 结 点 与 由底 向上 的输 人 模 式 相 似 度 在 给 定 的 界 线 内 ， 对 权重 系 数 乙， 和 狱 少 进 行 调 整 · 在 转 向 之 前 ， 首 先 取 消 掉 在 中结 点 是 零 的 限 制 该分类 方 法 在轴承故 障诊断 中的应用 用 于 故 障 诊 断 的 模 型 输 人 端 对 应 轴 承 监 测 系 统 的 诊 断 特 征 量 ， 分 别 是 通 道 特 征 值 。 、 峰 值 、 有 效 值 、 峭 度 值 、 轴 承 外 圈 、 内 圈 和 滚 动 体 特 征 频 率 幅 值 、 气 和 蛛 ， 输 出结 点 为 系 统 状 态 模 式 编 码 网 络 参 数 是 通 过 大 量 实 验 来 确 定 的 ， 它 们 分 别 为 ， ， ， 。 ， ， 一 下 面 给 出两 组 应 用 实 例 第 例 为 圆 锥 轴 承 滚 动 体 裂 纹 在 线监 测 到 的 实 验 数 据 第 例 为 圆 锥 轴 承 外 圈 点 蚀 在 线 监 测 到 的 实 验 数 据 训 练 样 本 数 为 组 实 验 按 快 速 学 习 的方 式 进 行 的 样 本 矢 量 各 呈 现 次 后 ， 即 可 自动 分 类 见 表 表 归 一 化 后 的学 习 样 本 。 。 称 珠 说 明 创〕 巧 号 位 有 故 障 ， 类 型 为 滚 动 体 裂 纹 号 位 无 故 障 ， 运 行 正 常 一 号 位 无 故 障 ， 运 行 正 常 表 诊断 结 果输 出 。 二 。 气 珠 说 明 佣 加 时 ， 号 位 有 故 障 ， 类 型 为 滚 动 体 裂 纹 加 时 ， 号 位 无 故 障 ， 运 行 正 常 时 ， 号 位 有 故 障 ， 类 型 为外 圈 点蚀 刀 时 ， 号 位 无 故 障 ， 运 行 正 乃 常 将 两 例 采 集 的 振 动 信 号 输 人 已 学 习 过 的 模 型 中 ， 其 中 有 一 故 障 模 式 模 型 并 未 学 习 过 ， 但 模 型 能 自动 将 其 分 为 新 的 类 诊 断 结 果 见 表 ， 可 看 出 该 网 络 模 型 对 轴 承 有 无 故 障 、 故 障位 置 、 故 障类 型 均 有 很 强 的 识别 能 力

Vol.17 No.3 潘紫微等：基于神经网络的自适应故障模式分类方法 .269. 4 结论 (1)经过训练的ART-2神经网络当它工作遇到新的模式时，将自动归为1类， 不会造成新记忆破坏原来记忆的灾难性后果，很好地解决了稳定性和可塑性问题·因此 该模型非常适用于无法进行监督学习的大型复杂系统的故障诊断· (2)当对网络赋予1个未输入过的新类别矢量时，系统将经过反复搜索和重置，直 到开辟1个新的输出端，而对其赋予1个属于已学习过类别的矢量时，系统能立即直接 查到它的类别，无需多次反复搜索，因此该模型更接近人脑对事物的认识过程， (3)ART-2网络可以进行“快速学习”，对一般神经网络而言，学习的步幅越大， 分类结果越容易趋于不稳定；反之，小步幅虽然能使分类稳定，但是对于同1类别的输 人矢量经过多次学习，因此速度很慢，而ART-2只需要输人矢量呈现1次的时间内 即可达到平衡解.因此ART一2的快速学习方式使学习工作效率大为提高，可实现故 障诊断的在线监测， (4)分别在F。和F,中采用了具有正反馈和非线性变换的3层结构，从而强化输入 矢量中的突出特征，达到了抑制基底噪声的目的·同时输人层采用了F。和F,结构， 它具有隔离输入矢量与由顶向下矢量之间的相互影响的优点·这就给调整子系统提供了 更稳定的输人· 参考文献 1屈粱生，何正嘉，机械故障诊断学，上海：上海科学出版社，1986 2杨行峻，郑君里·人工神经网络.北京：高等教育出版社，1992 3 Carpenter G A,Crooberg S.ART-2:Self-organization of Stable Category Recognition Codes for Analog Input Pattern.Applied Optics,1987,26(23):4919~4930 4焦李成，神经网络系统理论，西安：西安电子科技大学出版社，1992 5陈克兴，李川奇，设备状态监测与故障诊断技术，北京：科学技术文献出版社，1991 6徐金梧，梁静·神经网络在信号处理中的应用.北京科技大学学报，1994,16(1)：58~61

潘 紫微 等 基 于 神 经 网 络 的 自适 应 故 障模式 分 类 方 法 · · 结论 经 过 训 练 的 一 神 经 网 络 当它 工 作 遇 到 新 的 模 式 时 ， 将 自动 归 为 类 ， 不 会造 成 新 记 忆破 坏 原 来 记 忆 的 灾 难 性 后 果 ， 很 好 地 解 决 了稳 定 性 和 可 塑 性 问 题 因 此 该 模 型 非 常 适 用 于 无 法 进 行 监 督 学 习 的 大 型 复 杂 系 统 的 故 障诊 断 当对 网 络 赋 予 个 未 输 人 过 的 新 类 别 矢 量 时 ， 系 统 将 经 过 反 复 搜 索 和 重 置 ， 直 到 开 辟 个 新 的输 出端 而 对其 赋 予 个 属 于 已 学 习 过 类 别 的矢 量 时 ， 系 统 能 立 即 直 接 查 到 它 的类别 ， 无 需 多 次反 复 搜 索 因 此 该 模 型 更 接 近 人 脑 对事 物 的认 识 过 程 一 网 络 可 以 进 行 “ 快 速 学 习 ” 对 一 般 神 经 网 络 而 言 ， 学 习 的 步 幅 越 大 ， 分 类 结果 越 容 易 趋于 不 稳 定 反 之 ， 小 步 幅 虽 然 能 使 分类稳 定 ， 但 是 对于 同 类 别 的 输 人 矢 量 经 过 多 次 学 习 ， 因此 速 度 很 慢 而 一 只 需 要 输 人 矢 量 呈 现 次 的 时 间 内 即 可 达 到 平 衡 解 因此 一 的快 速 学 习 方 式 使 学 习 工 作 效 率 大 为 提 高 ， 可 实 现 故 障诊 断 的 在 线监 测 分别 在 。 和 ， 中采 用 了具 有 正 反 馈 和 非 线 性 变 换 的 层 结 构 ， 从 而 强 化 输 人 矢 量 中 的 突 出 特 征 ， 达 到 了 抑 制 基 底 噪 声 的 目的 同 时 输 人 层 采 用 了 。 和 结 构 ， 它 具 有 隔 离 输 人 矢 量 与 由顶 向下 矢 量 之 间 的相 互 影 响 的优 点 这 就 给调 整 子 系 统 提 供 了 更 稳 定 的输 人 参 考 文 献 屈 粱 生 ， 何 正 嘉 机 械 故 障诊 断 学 上 海 上 海 科 学 出 版 社 ， 杨 行 峻 ， 郑 君 里 人 工 神 经 网 络 北 京 高 等 教 育 出 版 社 ， ， 一 一 ， ， 一 焦 李 成 神 经 网 络 系 统理 论 西 安 西 安 电 子 科 技 大 学 出 版 社 ， 陈克 兴 ， 李 川 奇 设 备状 态 监 测 与 故 障诊 断 技 术 ， 北 京 科 学 技 术 文 献 出 版 社 ， 徐 金 梧 ， 梁 静 神 经 网 络 在 信 号 处理 中 的 应 用 北 京 科 技 大 学 学 报 ， ， 一