神经网络智能故障诊断方法 邹富墩 （上海海事大学物流工程学院，上海市，201306） 摘 要：目前，故障诊断的关键是寻找一种使诊断结果更为有效的方法。神经网络作为一种新兴的故障诊断方法， 越来越受到人们的关注。对于复杂的系统，单一的传统神经网络很难给出理想的结果。本文归纳了神经网络在故 障诊断中的运用方式，探讨了故障诊断的神经网络和专家系统的结合；对神经网络与其他诊断方式融合的混合智 能技术，即神经网络与专家系统、小波分析以及集成神经网络等的结合在故障诊断中的应用进行了介绍；最后， 给出了选择智能故障诊断方法的原则。 关键词：神经网络；故障诊断；专家系统；集成神经网络；小波分析 中图分类号：TP183 文献标识码：A Intelligence Fault Diagnosis Method Based on Neural Network ZOU Fu-dun (Department of Electrical Engineering, Shanghai Maritime University, Shanghai , 201306,China.ZOU Fu-dun,zoufudun@163.com) Abstract：At present, the fault diagnosis of the key is to look for a more effective ways of the diagnosis. Neural network as a new fault diagnosis methods, more and more attention are payed on by people. For complex system, a single traditional neural network is very difficult to give the ideal results . This paper summarizes the neural network in the application of fault diagnosis method to explore the fault diagnosis of the neural network and the combination of expert system; The neural network and other diagnostic methods of fusion hybrid intelligent technology, namely the neural network with expert system, wavelet analysis and integrated neural network fault diagnosis in the application are introduced; In addition,the choice rules of the intelligent diagnosis approaches ar given. Key words：Neural network; Fault diagnosis; Expert system; Integrated neural network; Wavelet analysis 1 引言 随着现代工业、企业及科学技术的迅速发展， 生产设备及系统日趋大型化、复杂化和自动化， 对系统可靠性和安全性的要求越来越高，一旦系 统 发 生 故 障 将 会 造 成 巨 大 的 经 济 损 失 和 人 员 伤 亡。美国航天飞机挑战者号的发射失败以及我国 在一些企业设备发生的故障等，都已充分说明了 这一点。所以大力开展故障诊断技术的研究，对 于促进大型技术过程的发展，提高复杂系统的可 靠性、安全性和可维护性具有重大的现实意义[1]。 自 20 世纪 80 年代，人工神经网络的研究复兴以 来，神经网络以其具有的许多优点在复杂系统的 故障诊断中受到越来越广泛的重视，显示出巨大 的潜力，已成为故障诊断技术的一种重要手段。 与传统的诊断方法及专家系统相比，神经网 络 在 故 障 诊 断 领 域 中 的 应 用 显 示 了 明 显 的 优 越 性，但也存在一些问题。 (1) 训练样本获取的困难性。神经网络故障 诊断是建立在大量的故障样本训练基础之上的， 系统性能受到所选训练的样本的数量及其分布情 况的限制。如果样本选择不当，特别在训练样本 少、样本分布不均匀的情况下，很难有良好的诊 断能力。然而在设备诊断中，往往很难得到大量 的故障样本，且在所能得到的有效故障样本中， 其分布也是很不均匀的。 (2) 忽视了领域专家的诊断经验知识。神经 网络利用知识和表达知识的方式单一，通常的神 经网络仅仅通过典型的实例来获取诊断知识，忽 视了领域专家在长期实践中所积累的宝贵经验。 而设备故障诊断尤其是大型设备的故障诊断是一 项经验性技术，忽视了专家经验，基于单一的典 作者简介：邹富墩(1985－)，男，江西鹰潭，硕士在读生，从事电磁层析成像金属探伤系统设计的研究；导师是 何敏老师. 

型实例必将导致神经网络故障诊断能力的下降 (3) 权重形式的知识表达方式难以理解。在神 经网络专家系统中，人们总是希望系统能对其所 得出的结论做出合适的解释。然而由于神经网络 所学习到的知识是以权重形式分布在网络之中， 这种隐式的数值表示不易为人们理解，且对诊断 结果缺乏解释能力。对用户来说，整个诊断系统 是一个“黑箱”，不具备基于知识的故障诊断专家 系统的透明特性，因而在工程实际中用户是很难 接受的。 本文将在给出目前神经网络技术在故障诊断 中应用的方法基础上，指出基于神经网络的故障 诊断方法的特点和优势、存在的问题，给出神经 网络与专家系统相互结合的方法和智能故障诊断 方法的选择原则。此外，与其他技术如专家系统、 信息融合、小波分解、模糊系统、遗传算法等相 结合也是神经网络近年来以及今后一段时间在智 能故障诊断中的应用发展特点之一。 2 基于神经网络的故障诊断方法 人工神经网络是模拟生物神经网络结构的一 种复杂的、大规模的非线性动力学系统。由于神 经网络具有模拟任何连续非线性函数的能力、利 用样本学习的能力、容错能力以及天然模式识别 能力，已被用于复杂系统的故障诊断中。目前， 在故障诊断中应用最多的是多层前向神经网络、 Hopfield 网络、双向联想记忆(BAM)、自适应谐 振理论(ART)等神经网络模型在故障诊断中也有 应用[4,7]。使用神经网络进行故障诊断的方法主要 有以下几类： (1) 神经网络的训练和在线残差评估 传统的基于数学模型故障诊断的基本思想 是，设计系统的检测滤波器(数学模型)，然后根据 滤波器的输出与真实系统的输出的比较，产生残 差，再对其残差进行分析、处理，以实现系统的 故障诊断。 为了产生残差，可用神经网络代替正常状态 的系统模型。首先，由直接测量或从仿真系统中 采集输入输出数据，建立其数据库，然后，对网 络进行训练。如果可能，也可以收集一些故障状 态时的数据，以便对残差产生器进行检验。训练 完成后，就可以用网络在线产生残差(如图 1)。在 这里，神经网络建模是动态的，既可以采用具有 输入输出延迟的多层前向神经网络，采用具有内 部反馈连接递归神经网络，也可以采用神经网络 状态空间辨识模型。 可采用多层前向神经网络进行残差评估，残 差可以由上述神经网络方法产生，也可由解析方 法产生，如：观测器法或参数估计法。首先，需 要建立残差数据库和相应的故障特征数据库，利 用它们对神经网络进行训练。训练完成后，神经 网络就可以在线估计残差，决定系统是否有故障 发生，并指出故障发生的原因(如图 2)。 a) 训练 b)残差产生 图 1 ANN 的训练和在线残差产生 图 2 神经网络的训练和在线残差评估 (2) 用神经网络进行模式分类的故障诊断推理 神经网络用于故障诊断最多的是利用神经网 络的学习能力建立故障征兆与故障原因之间的映 射关系一神经网络模型，使用神经网络模型可直 接由故障征兆推理出故障原因。这种方式多使用 多层前向神经网络模型，使神经网络输入层的节 点对应故障征兆，输出层的节点对应故障原因。 首先，收集故障征兆和故障原因构成的故障样本， 然后使用这些样本对选定的神经网络模型进行训 练，网络训练好后，神经网络本身就已建立了故 障征兆和故障原因之间的非线性映射关系。应用 时，只需将故障征兆送入神经网络，通过神经网 络自身的前向运算就可以推出故障原因，完成故 障推理和分类。 在诊断对象简单时可以采用单个神经网络完 成诊断，当诊断对象复杂时，可使用多个神经网 络，按照对诊断对象的分解，例如，按照故障树 的方式对系统的分解，用不同的子网络分别实现 不同层次上的诊断 ，从而构成集成的神经网络故 障诊断系统。 3 神经网络和专家系统相结合的故障诊断方 法 神经网络和专家系统是沿着 2 种不同的研究途 径开展的，即连接机制和符号机制。这两方面的研 究各有所长，但就单个系统而言二者都存在很大的 

局限。神经网络通过对经验样本的学习，将知识以 权值和阈值的形式存储在网络中。网络的输入是被 建立神经网络专家系统的第一步就是组建知识 库，也就是确定神经网络的各个权系数和阈值．它 诊断对象的征兆即特征值，输出则表示发生故障的 可能性，但它不具备解释功能，即所谓知识表达的 包括知识获取和知识存储两个过程；知识获取表现 为训练样本的获得与选择，训练样本来源于同类型 “黑箱结构”。专家系统是基于符号的推理系统，它 利用知识和推理来解决人类专家知识才能解决的复 杂问题(规则的一般形式为 IF<条件 A> ，THEN < 动作 B>)。对复杂的系统专家系统存在知识获取困 难的“瓶颈问题”，但它具备解释功能。因此，把神 经网络与专家系统相结合，发挥各自的优点是进行 故障诊断的一种新途径。神经网络故障诊断专家系 统的一般结构如图 3 所示[8,10]。 图 3 神经网络故障诊断专家系统的一般结构 3.1 神经网络与专家系统的结合方式 神经网络与专家系统可有 3 种结合方式： (1)基于神经网络的专家系统，也称联接专家系 统。联接专家系统全部或部分功能由神经网络实现。 最典型的情况是，利用神经网络的学习算法获取知 识，用神经网络的权值代替知识库。 (2)基于知识的神经网络系统。基于知识的神经 网络是由专家系统作为神经模块构成的事件驱动网 络，也称为专家网络。 (3)基于神经网络与专家系统的混合系统。混合 系统的基本出发点立足于将复杂系统分解成各种功 能子系统模块，各功能子系统模块分别由神经网络 或专家系统实现。其研究的主要问题包括：混合专 诊断对象在正常运转时和带故障运行时的各种特征 参数；知识存储是将由训练样本对神经网络进行训 练获得的连续权值和阈值进行存储，从而形成知识 库[6]。其建立过程如下： (1)分析诊断对象故障知识结构。根据征兆、故障及 训练样本数目确定神经网络的结构模型 (2)在众多的样本中选择训练样本。 (3)对神经同络进行训练获得连续权值和阈值，然后 把它们存储起来形成知识库。 3.3 推理及解释机制 基于神经网络的故障诊断专家系统可以实现正 向推理、反向推理和混合双向推理。正向推理过程 的实质就是神经网络的计算过程，即由已知的征兆 向量经过神经网络计算获得故障向量。反向推进的 过程就是假设诊断对象存在某一种故障，然后找出 故障征兆来证实这一假设是否成立。混台双向推理 的实现是输入已知的部分信息，神经网络根据这些 信息提出一个最有可能发生的故障作为诊断对象存 在的怀疑故障，然后证实这个假设；若该假设经证 实成立，则结束，否则，做出新的假设并继续证实。 在推理过程中，如果需要对推理结果做出解释， 那么可以建立神经同络专家系统解释机构．这将从 某些程度上提高了神经网络专家系统的性能。在基 于神经网络的故障诊断专家系统中，由于知识库中 存放的是一些用数字形式隐式表示的连接权值．而 不是直接的规则。所以就推理过程和诊断结果的解 释总体来讲，就是利用网络中的各项数据(包括征兆 输入数据，故障输出数据和隐含神经元输出数据) 及输入神经元、输出神经元的物理含义并结合知识 库中的连接权值来形成规则，其过程相当于神经网 培训练的一个逆过程。 4 集成神经网络的故障诊断方法 家系统的结构框架和选择实现功能于系统方式的准 则两方面。实际上这两方面的研究是相互联系的不 可分割的整体。虽然混合专家系统兼有神经网络的 集成神经网络故障诊断系统是在神经网络的 基础上运用信息融合技术，通过对信号的有效组 合，运用各种子神经网络，从不同的侧面对故障 优点和专家系统的特长，但同时也出现了单一技术 专家系统不曾遇到的问题如：神经网络与专家系统 的信息交互问题，学习过程所引发的系统可信度问 题。解决的理想方法是提供神经网络与专家系统知 识表示的转换机制或同时适合两者的公共知识表示 体系。 3.2 知识库的建立 进行诊断。信息融合技术是信息科学领域的一项 高新技术，由于监测系统中传感器数量和种类很 多，尤其是集散监测诊断系统的出现，信息融合 技术也开始应用于设备故障诊断领域。单个子神 经网络通过对多类型故障样本的学习，可记住这 些故障的特性，但它存在一些缺点，主要有：由 于要实现对多个故障模式的诊断，网络需要大量 

的故障样本，但很难构造反映多种故障的特征向 量；于诊断多类故障的网络结构难以确定，即使 确定，也因网络的结点过多造成训练困难；对于 新出现的故障，单个子网络必需抹去全部记忆， 主要用于对非均匀性数据对的逼近。在故障诊断 领域，多采用小波分析和神经网络的松散型结合 方法。具体来说是利用小波分析(或小波包分析)， 把信号分解在相互独立的频带之内，各频带内的 重新学习。运用集成神经网络结构系统，可以克 服上述缺点。 能量值形成一个向量，该向量对不同的故障对应 不同的值，从而可作为神经网络的输入特征向量。 集成神经网络的信息融合方式是反映不同故 障信息特征的每个子网络基于特征信号的组合而 一旦确定神经网络的输入特征向量，再根据经验 确 定 采 用 何 种 神 经 网 络 及 隐 层 数 和 隐 层 单 元 数 形成的，可分为信息融合和决策融合。通过融合 决策网络，有利于减少决策间的不确定性，提高 确诊率。考虑设备诊断技术的实际情况，信息融 合有局部融合和全局融合，用串并联混和的集成 网络比较合适。这种结构是由 3 级网络串联组成， 同时在第 2 级网络中，各子网络并联而成，使得 各个子网络从不同的侧面完成对故障的诊断。诊 断子网络的结果送人决策融合网络，最终得出诊 断结果，集成神经网络结构见图 4[3,8,11]。 图 4 集成神经网络结构 5 小波分析和神经网络的结合 故障诊断的一个主要步骤是对信号进行采集 和处理，而小波分析无疑是对信号进行分析和处 理的一个有效工具。神经网络可以有效地实现输 入到输出之间的非线性映射，具有自学习和模式 识别能力，也适合于诊断自动化。因此，小波分 析与神经网络的结合并应用于故障诊断是客观实 际的需要。目前小波分析和神经网络结合的途径 主要有 2 种[5,9]： (1)松散型结合，即小波分析作为神经网络的 前置处理手段，为神经网络提供输入特征向量。 (2)紧致型结合，小波和神经网络直接融合， 即用小波函数和尺度函数形成神经元，达到小波 和神经网络的直接融合。它是以局部函数作为激 励函数，其作用机理和采用 Sigmoid 函数的多层 感知器相同。故障诊断是要实现症状空间到故障 空间的映射，这种映射可用函数逼近来表示，小 波神经网络的形成可从函数逼近的角度说明。 小波神经网络通过上述 2 种途径的结合，形 成了广义上的 2 种小波神经网络。其中第 2 种类 型的小波神经网络，即狭义上的小波神经网络， 等，就可以利用试验样本对神经网络进行训练， 调整权值，从而建立起所需的小波神经网络模型。 6 选择智能故障诊断方法的原则 (1) 考虑知识获取途径 如果领域知识比较容易表示成规则等形式， 且领域专家又愿意提供知识给知识工程师，则可 以选择建立基于专家系统的故障诊断系统；反之， 如果领域知识是以各种数据的形式表示，且不宜 总结成规则，则最好采用神经网络故障诊断方法。 (2) 考虑知识的表示形式 如果知识是模糊的，而传统专家系统又不宜 处理模糊知识，最好采用神经网络与模糊逻辑结 合的方式，即模糊神经网络方法。 (3) 考虑到在线应用 如果要求故障诊断系统在线运行，即要求推 理速度很快，这时最好采用神经网络故障诊断方 法，而不采用专家系统方法。 (4) 考虑是否能获取全部的征兆信息 故障诊断专家系统所采用的规则是精确的、 易理解的知识，所以，故障诊断专家系统能在不 完全的征兆信息下进行诊断推理，而神经网络故 障诊断系统中，由于单个神经元没有一般的意义， 使得在不完全的征兆信息下诊断受到限制甚至根 本不可能，在这种情况下，最好采用模糊神经网 络，或者专家系统方法。 7 结语 智能故障诊断技术的研究是在不断吸取其他 领域和科学新成果的基础上向前发展的，神经网 络诊断技术已成为当代前沿领域一个新的重要研 究方向。国内外许多研究工作和应用实例证明， 神经网络故障诊断技术是可行的和有前途的。本 文介绍神经网络故障诊断技术应用的方法和特点 以及神经网络与其他诊断方法相融合的几种故障 诊断技术，目的是使神经网络故障诊断技术更好 地与实际结合，真正解决实际问题，在工程应用 中发挥越来越大的作用。 

参考文献 (References) [1] 周东华,叶银忠.现代故障诊断与容错控制[M].北京: 清华大学出版社,2000,6. [2] 王仲生. 智能故障诊断与容错控制[M].西安:西北工 业大学出版社,2005,6. [3] 栗青,李治,等.集成神经网络在机械故障诊断中的应用 [J].沈阳工业大学报,2003,(4):141—143. [4] 李运爽,武建军.人工智能的原理及应用[J].山西电子技 术,2004,(2):9—10. [5] 王计生,等.小波分析和神经网络技术在故障诊断中的 应用[J].振动、测试与诊断,2004,(3):46—49. [6] 刘军,王萍.基于粗糙集理论的故障诊断系统知识库设计 [J].计算机技术与发展,2008,18(9):95-97. [7] 张荣沂.基于神经网络的智能故障诊断技术[J].自动化 技术与应用,2003.22(2). [8] 徐玉秀,任立义,等.基于专家系统与神经网络集成的故 障诊断的应用研究[J].振动与冲击.2001.20(3):32—34. [9] 王计生,黄惟公,等.小波神经网络在智能诊断中的应用 [J].兵工自动化,2003.22(5):45—46. [10] 王江萍.基于神经网络的信息融合诊断技术[J].机械科 学与技术,2005,21:127-128. [11] 李斌,章卫国,宁东方等.基于神经网络信息融合的智能 故障诊断方法[J].计算机仿真,2008,6(12):35-37. [12] 张东煜,许化龙.基于模糊神经网络的导弹故障诊断专家 系统[J].计算机测量与控制,2009,17(1):130-131.