摘要：油气田关键设备(各种机泵和压缩机)的运行状况直接关系到油气田开发的安全、平稳和高效运行。这些设备几乎是24h不间断运行，难免会出现故障甚至给生产造成损失。当前有多种神经网络被应用于这些设备的状态监测与故障诊断。对BP神经网络、径向基函数网络、概率神经网络、学习矢量量化网络、模糊神经网络和小波神经网络在机械设备故障诊断中的应用与研究进展进行了分析比较，阐述了各种网络的应用效果，分析了各种网络应用的优缺点。人工神经网络以其具有非线性、大规模、并行处理能力强、鲁棒性、容错性及自学习能力强等特点，在机械设备故障诊断中得到广泛的应用，应选择合适的神经网络对机械设备进行故障诊断，为油气田的安全、平稳和高效开发提供保障。

关键词：人工神经网络；故障诊断；机械设备；应用；比较

    机械设备故障诊断技术在现代工业生产中起着非常重要的作用。油气田关键设备(各种机泵和压缩机)的运行状况直接关系到油气田开发的安全、平稳和高效运行。据统计，塔里木油田公司牙哈凝析气田有各种机泵75台、压缩机20台，而在西气东输的主力气田——克拉2气田有各种机泵132台、压缩机4台。为确保产量，这些设备除了备用和保养外几乎都是24h不间断运行。在这样的工况下，这些设备难免会出现故障，甚至对生产造成损失。因此，对这些设备进行状态监测与故障诊断尤为重要。

    机械设备的故障诊断主要是根据它在运行过程中出现的各种状态信息对其故障进行分析与识别。故障状态信息与故障原因之间存在着非常复杂的非线性映射关系，因此不能用简单的函数关系加以描述。人工神经网络具有大规模并行、分布式存储和处理、自组织、自适应和学习能力，特别适用于处理需要同时考虑许多因素和条件的、不精确和模糊的信息。

    在机械设备故障诊断中应用最多的是BP(Back Propagation)神经网络模型。它属于多层感知器MLP(multi layer perceptron)，网络结构由输入层、隐层(1个或多个)和输出层组成，网络训练采用梯度下降法，按广义的占规则改变权值，其学习过程采用误差反传(Back Propagation)算法，有较好的非线性映射能力、泛化能力和容错能力。

    闻建龙等^[1]应用BP神经网络对输油泵进行故障诊断研究。研究中采用的是只有1个隐层的网络模型，网络的输入层共12个神经元，分别对应选定的12个频率段；输出层有7个神经元，分别对应离心输油泵的7种状态(不平衡、不对中、松动、喘振、联轴器故障、油膜振荡以及正常运行状态)，研究得到了高可靠性的诊断结果。张雷涛^[2]研究出了基于BP神经网络的往复泵轴承故障诊断方法，在往复泵的轴承故障诊断系统中选取内圈和滚动体的振动能量、振动峰值及倒谱包络等6个特征参数，来辨识往复泵动力端一个轴承的4种故障状态，试验表明故障诊断的成功率可以达到80%～90%。

    径向基函数网络RBF-NN(Radial Basis Function Neural Network)的结构与MLP相似，但它只有1个隐含层，即由1个输入层、1个隐含层和1个输出层组成，且隐含层节点的变换函数是对于中心径向对称且衰减的非负非线性函数，一般采用高斯函数。RBF网络具有学习快速、高效的特点，它实现的是非线性映射，集中了聚类、最陡下降等算法，具有鲁棒性。

    吴月伟等^[3]研究了径向基神经网络在飞机发动机故障诊断系统中的应用，共有12种常见的故障被选择作为诊断的原型故障，设计的RBF网络的输入层有4个神经元，输出层有12个神经元，并对训练后的网络进行了仿真测试。仿真结果表明RBF网络有较高的诊断正确率，且能满足实时诊断的要求。

    概率神经网络PNN(Probabilistic Neural Network)由D F Specht博士在1989年提出，其理论依据是贝叶斯决策理论，被广泛应用在模式识别中。概率神经网络结构由输入层、模式层、求和层和输出层组成。概率神经网络用一个指数函数(高斯函数^[4])来代替BP神经网络中常见的sigmoid函数。概率神经网络在应用中的主要优点是训练简单，并且可用于实时处理。

    徐光华等^[4]提出了一个大机组快速响应智能诊断系统。该系统采用概率神经网络作为故障分类器，收敛速度为BP算法的2万倍，并稳定收敛于贝叶斯优化解，避免了BP网络局部最小的弱点，进一步提高了系统诊断能力。

    学习矢量量化网络LVQ(Learning Vector Quantization)属于竞争型人工神经网络，由输入层和竞争层构成，网络中没有隐含层。LVQ网络的结构与SOM(Self-Organizing Map)网络类似，但它克服了自组织特征映射网络无监督网络的缺点，采用竞争学习与有监督学习相结合的算法。LVQ与SOM网络相结合，可以组成SOM模式识别器。它是一种非参数模式识别器，除了具有传统识别器的优点外，还能采用自组织和，LVQ相结合的学习算法，可以使识别所需的存储量和计算量大大降低。

    姚志宏^[5]等把汽轮机轴承座松动的相关频段上不同频率谱的谱峰能量值作为故障信号的训练样本输入到LVQ网络中去，并由LVQ网络产生训练后不同的权重向量。由于竞争层神经元的权重分布不同，则权重分布图也不同，可根据不同的权重分布图来确认和诊断汽轮机轴承座松动故障的不同程度。

    将模糊逻辑嵌入到各种神经网络中就形成了模糊神经网络FNN(Fuzzy Neural Network)。FNN具有多种形式，各类FNN学习算法都包括结构学习和参数学习两部分。结构学习的目标是按照一定的性能要求，确定一个模糊逻辑系统包括多少条推理规则，每条规则中初步确定的前提和结论，以及由模糊数通过去模糊化得到确定数的方法等；参数学习则是进一步精细调节各隶属函数的参数以及模糊推理规则的其他参数，使系统臻于最优。模糊神经网络的主要优点是能够充分考虑概念的模糊性，充分利用专家的经验，对故障进行诊断，所以FNN在机械设备故障诊断中同样得到了广泛的应用。

    刘正士等^[6]提出了基于模糊神经网络的滚动轴承滑动擦伤故障诊断方法。所建立的模糊神经网络有4层：第1层为输入层，有6个神经元，输入向量由轴承的6个参数组成；第2层为模糊化层，其作用是将输入信号模糊化；第3层为隐含层，其神经元数为12个；第4层为输出层，只有1个神经元。通过网络学习，可以使网络的第2～4层的映射逼近任意的模糊非线性函数关系。对所输入的参数按照定义的模糊子集给每个输入信号求出相应的模糊隶属度，隶属度函数(钟形隶属度函数)的给出反映了故障诊断知识的应用。网络测试结果表明，这种方法对于滚动轴承的滑动擦伤诊断是十分有效的。李如强等^[7]提出了一种基于知识的模糊神经网络并用于旋转机械的故障诊断，建立一个5层的前向神经网络模型，第1、2层分别为输入层和模糊层，第3、4层分别为规则的条件层和结论层，第5层为反模糊化层。使用该网络对旋转机械常见故障(不平衡、径向碰磨、油膜涡动和轴裂纹等)进行诊断，结果表明，和一般模糊神经网络相比，该网络具有训练时间短而诊断率高的特点。

    小波分析是一种新的信号时频分析方法，它在时域和频域都具有良好的局部化特性。在小波分析基础上建立的小波包分析是一种更精细的时频分析，通过小波包的正交分解，提高低频部分和高频部分的频率分辨率，可以更有效地获取信号的时频特征。将小波分析与各种神经网络结合，就构成了小波神经网络。

 

(本文作者：王敬章 中国石油阿姆河天然气公司)