机械装备性能衰退趋势预测模型

[摘 要]：机械装备性能衰退趋势预测模型，采用单隐层前馈网络，通过径向基函数的扩展速度的选择创建网络。其模型通过结构设计、函数选择及参数确定构造。用仿真数据对其进行验证，结果表明该模型对机械装备性能衰退趋势具有很好的预测能力。    关键词：趋势预测；性能衰退；径向基函数；神经网络 0  引言    趋势预测通过对机械装备的特征参数进行连续监测，再依所得数据确定机械装备目前的运行状态，并对将来的运行状态做出估计，可进一步预报和确定机械装备的剩余寿命[1]。在线性系统预测中，可通过传递函数矩阵（对频域）或自回归滑动平均（ARMA）模型（对时域），表达其输入/输出模型。但对非线性系统，虽可采用基于非线性自回归滑动平均（NARMA）模型进行预测，却很难找到恰当的参数估计方法。由于神经网络具有通过学习逼近任意非线性映射的能力，将神经网络应用于非线性系统建模，其模型不受限制[2]，便于给出工程上易于实现的学习算法。如实现同一功能，径向基网络的神经元个数可能比前向BP网络的神经元个数多，但训练时问比前向BP网络少，收敛速度快。故试用径向基网络进行机械装备性能衰退趋势预测。 1  机械装备性能衰退趋势预测模型 1.1结构设计    径向基网络采用单隐层的3层前馈结构。网络的输入层神经元个数取决于装备性能影响因子的个数，不同装备的输入层神经元个数一般不同。由于输出的是该装备性能的各个指标的预测值，所以输出层神经元个数与输入层相同。    隐含层神经元数量的确定是使其与输入向量的元素相等。显然在输入矢量很多时，过多的隐含层单元数难以让人接受。故可从零个神经元开始训练，通过检查输入误差使网络自动增加神经元。每次循环使用，使网络产生的最大误差所对应的输入向量作为新的权值向量，同时产生1个新的隐含层神经元，再检查新网络的误差，重复此过程直到误差要求或最大隐含层神经元数止，如图1。

1.2函数选择    由于基函数的对称性要求，径向基网络隐含层的传递函数一般选择radbas，其原形函数是：radbas（n）=e_-n2    为提高运算速度，输出层的传递函数一般选择purelin。网络可用Matlab7实现。 1.3参数确定    网络创建是对径向基函数的扩展速度SPREAD的选择。SPREAD越大，函数拟合越平滑，越接近实际，但SPREAD过大需很多神经元以适应函数的快速变化。如SPREAD过小，则需许多神经元来适应函数的缓慢变化，设计网络性能会很好[3]。即在网络设计过程中，需用不同的SPREAD值进行尝试，以确定最优值。 2  应用    对某装备定期检测，以监控并预测该装备性能衰退趋势为例，利用前一次的检测数据，预测下次的检测结果。该方法是以可靠性为中心的维修（RCM：Reliability Centered Maintenance），即认为在功能故障到来前存在潜在故障（指功能故障即将发生的可鉴别状态）。其目的在于发现潜在故障，为维修决策提供依据，保证装备的有效运行。该方法适用于有明显潜在故障期的机械类装备。为简化计算，以该装备的机动性能衰退趋势预测进行说明。

   RBF网络的输入层神经元个数取决于该装备机动性能影响因子的个数，由表1可知，其个数为7。由于输出的是该机械装备机动性能各指标值，所以输出层神经元个数为7。利用函数newrbe创建精确的神经网络，该函数在创建RBF网络时，自动选择隐含层的数目，使误差为0。    用前8组数据进行训练，后2组数据进行测试，SPREAD先取1。测试结果与第9组数据比较，得出预报误差如图2。由图可见，对于机械装备性能衰退趋势预测来说，网络的预报误差并不大。    由于SPREAD值的大小影响例络的预报精度，故分别在SPREAD为1、1.5、2、3、4的情况下计算网络的预报精度。结果如图3。可见，当SPREAD=1.5时，网络的预报误差最小。

3  小结    利用RBF网络建立的机械装备性能衰退趋势预测模型，经对某装备机动性能衰退预测，然后通过数值试验和实际采样数据计算，验证了预测的准确性及其科学价值。