路面灌缝机、路面开槽机、路面吹风机等道路养护机械设备是道路养护工作的基础，具有工作效率高，操作简单在公路施工中得到了广泛的使用 。但是由于道路养护工作量大、工作环境恶劣、作业地点分散等因素的影响，道路养护机械设备损耗较大，易出现故障。因此，为了降低设备维修成本，需要借助故障诊断技术道路养护机械设备进行故障分析，预测其故障趋势，以便对设备进行及时的维护和保养，降低设备维修费用。
当前最为常用的机械设备故障诊断方法主要包括基于传统经验的故障检测方法、专家诊断系统和基于人工智能的故障诊断方法 3 种。但是传统的人工经验故障诊断方法无法针对当前复杂的机械设备的故障进行精准分析，故障诊断错误率较高。随着人工智能技术的应用，基于人工智能的故障诊断方法具有效率高、精度高等优点，在各类型机械设备故障诊断方面得到了广泛的应用。轴承损坏是道路养护机械设常见的故障，因此，本文以道路养护机械设备轴承类故障为研究对象，利用传感设备获取轴承振动信号数据的平均值、有效值、峰值、脉冲指标等参数作为主要特征，并结合遗传算法和神经网络来进行故障诊断。
1 机械设备故障诊断现状分析
1.1 基于模型的故障诊断方法
基于模型的故障检测方法通过采集构建机械设备物理模型，通过输入设备当前的运行和控制参数，分析模型的系统、结构等异常状况，对机械设备故障进行诊断，但是机械设备故障类型繁多，无法有效进行精准建模，从技术上来讲具备一定的难度。
1.2 专家诊断系统
随着大数据分析技术的发展和应用，各类型专家系统得到广泛的应用。机械设备专家诊断系统能够基于现有的机械设备运行规则、故障案例、机械结构建立知识体系，基于相关推理方法进行故障分析，是一种基于知识和工程经验智能诊断方法，在机械设备故障诊断中应用较为广泛。
1.3 基于人工智能的故障诊断方法
网络信息技术的发展，促进了诊断技术的智能化发展。基于人工智能的故障诊断方法以人工智能技术、传感技术为主要工具，通过传感技术采集机械设备的信号数据，能够根据机械设备运行的状态快速精准的进行故障分析和故障预测，为设备管理人员提供维护方案，基于人工智能的故障诊断方法具备较高的识别效率，在机械设备故障诊断中应用较为广泛。
2 基于神经网络道路养护机械故障诊断流程
2.1 道路养护机械设备轴承故障诊断
基于人工智能的故障诊断方法主要针对机械结构故障进行诊断分析。轴承故障是影响道路养护机械设备运行状态的主要因素，也是十分常见的故障类型。通过基于人工智能的故障诊断方法，利用传感网络对道路养护机械设备轴承运行数据进行采集，获取故障信号、判断故障特性，并采用神经网络等人工智能算法对各种轴承故障进行诊断，判断出故障位置。基于人工智能的故障诊断方法还能不断根据轴承故障信息进行自我学习，提高诊断效率和精度。
2.2 人工神经网络
2.2.1 人工神经网络结构
图1 人工神经网络结构
人工神经网络是一种经典的人工智能算法，在故障诊断领域得到了广泛的应用，其中人工神经网络结构如图 1所示，主要由输入层，输出层以及隐含层组成。通过将传感网络采集的轴承信号数据，输入至神经网络，能够通过多变量信号特征对轴承故障进行诊断预测。具体的神经网络结构如图 1 所示。
我们基于人工神经网络的故障诊断技术，通过对典型的道路养护机械设备轴承磨损数据进行采集，提取特征信息作为人工神经网络输入层的数据，本文人工神经网络结构输入层神经元设置个数为 4，输入数据分别为振动信号的平均值、有效值、峰值、脉冲指标，并通过隐含层进行计算，得出故障诊断结果，通过输出层进行输出，其中输出神经元个数为 1。
通过将多组传感器采集的轴承振动信号数据的平均值、有效值、峰值、脉冲指标进行归一化处理，同时针对实验样本进行分割，确定训练集和测试集，便可以进行神经网络训练。神经网络的训练过程主要是通过反馈原则，利用多次训练进行参数修正，隐含层与输出层的传递函数一般采用双曲正切函数。但是在进行网络训练
中，输入函数与输出函数是非线性映射关系，如图 1 所示，神经元的初始权重系数 wij 对于神经网络训练结果具有重要意义。
2.2.2 基于遗传算法的神经网络优化
遗传算法（Genetic Algorithm， GA）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程，搜索最优解
的方法。为提高神经网络训练效果，选取遗传算法对神经网络初始权重参数 wij 进行优化，以最小训练误差作为寻优目标。其中遗传算法工作流程如下所示：遗传算法将优化目标问题可能潜在的解集初始化为一个种群 (population)，而一个种群则由经过基因 (gene) 编码的一定数目的个体 (individual) 组成，每个个体的特性由染色体 (chromosome) 体现，为简化基因编码流程，选择二进制编码方式，初始种群产生之后，按照适者生存和优胜劣汰的原理，逐代 (generation) 演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度 (fitness) 大小选择(selection) 个体，并借助于自然遗传学的遗传算子 (genetic operators) 进行组合交叉 (crossover) 和变异 (mutation)，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解。
基于遗传算法的神经网络优化首先为神经网络初始权重参数 wij 赋予初始值，输入至神经网络，其参数设置范围为 (0，1)，同时确定最小化误差函数为目标函数。将振动信号的平均值、有效值、峰值、脉冲指标进行归一化处理后，通过遗传算法对神经网络进行参数优化，可训练得出有效初始权重参数。
3 实验结果分析
图2 训练误差曲线
为进行实验仿真，选择 MATLAB 搭建了神经网络和进行了遗传算法设计，其中神经网络调用函数如式 (1) 所示。
y ＝ sim(net，x) (1)
式中：net——神经网络；
sim——网络仿真函数；
x——振动信号的平均值、有效值、峰值、脉冲指标等不同影响因素，即输入变量；
y——不同类别的故障。
以遗传算法优化结果作为神经网络初始权重值，并进行网络初始权重设置，以训练误差曲线如图 2 所示，误差率仅为 0.08，故障识别率可达 92%，因此利用神经网络进行故障识别具有较高的精准率。
4 结论
随着故障诊断技术的创新和发展，对于机械设备结构和系统故障诊断取得了阶段性的成果。本文以道路养护机械设备故障诊断为目标，先分析了基于模型的故障检测方法、专家诊断系统和基于人工智能的故障诊断方法 3 种典型机械设备故障诊断技术现状。再以道路养护机械设备重要组成成分轴承为研究对象，以轴承振动信号数据的平均值、有效值、峰值、脉冲指标等参数作为主要特征，采用人工神经网络进行故障诊断分析，为提高人工神经网络诊断精度，基于遗传算法对初始权重进行了优化，有利于提升诊断效率。
周卫东
北京首发公路养护工程有限公司，
工程机械与维修
今日工程机械
基于神经网络的道路养护机械设备故障诊断
匠客工程机械 评论(0)
来源：匠客工程机械
路面灌缝机、路面开槽机、路面吹风机等道路养护机械设备是道路养护工作的基础，具有工作效率高，操作简单在公路施工中得到了广泛的使用 。但是由于道路养护工作量大、工作环境恶劣、作业地点分散等因素的影响，道路养护机械设备损耗较大，易出现故障。因此，为了降低设备维修成本，需要借助故障诊断技术道路养护机械设备进行故障分析，预测其故障趋势，以便对设备进行及时的维护和保养，降低设备维修费用。
当前最为常用的机械设备故障诊断方法主要包括基于传统经验的故障检测方法、专家诊断系统和基于人工智能的故障诊断方法 3 种。但是传统的人工经验故障诊断方法无法针对当前复杂的机械设备的故障进行精准分析，故障诊断错误率较高。随着人工智能技术的应用，基于人工智能的故障诊断方法具有效率高、精度高等优点，在各类型机械设备故障诊断方面得到了广泛的应用。轴承损坏是道路养护机械设常见的故障，因此，本文以道路养护机械设备轴承类故障为研究对象，利用传感设备获取轴承振动信号数据的平均值、有效值、峰值、脉冲指标等参数作为主要特征，并结合遗传算法和神经网络来进行故障诊断。
1 机械设备故障诊断现状分析
1.1 基于模型的故障诊断方法
基于模型的故障检测方法通过采集构建机械设备物理模型，通过输入设备当前的运行和控制参数，分析模型的系统、结构等异常状况，对机械设备故障进行诊断，但是机械设备故障类型繁多，无法有效进行精准建模，从技术上来讲具备一定的难度。
1.2 专家诊断系统
随着大数据分析技术的发展和应用，各类型专家系统得到广泛的应用。机械设备专家诊断系统能够基于现有的机械设备运行规则、故障案例、机械结构建立知识体系，基于相关推理方法进行故障分析，是一种基于知识和工程经验智能诊断方法，在机械设备故障诊断中应用较为广泛。
1.3 基于人工智能的故障诊断方法
网络信息技术的发展，促进了诊断技术的智能化发展。基于人工智能的故障诊断方法以人工智能技术、传感技术为主要工具，通过传感技术采集机械设备的信号数据，能够根据机械设备运行的状态快速精准的进行故障分析和故障预测，为设备管理人员提供维护方案，基于人工智能的故障诊断方法具备较高的识别效率，在机械设备故障诊断中应用较为广泛。
2 基于神经网络道路养护机械故障诊断流程
2.1 道路养护机械设备轴承故障诊断
基于人工智能的故障诊断方法主要针对机械结构故障进行诊断分析。轴承故障是影响道路养护机械设备运行状态的主要因素，也是十分常见的故障类型。通过基于人工智能的故障诊断方法，利用传感网络对道路养护机械设备轴承运行数据进行采集，获取故障信号、判断故障特性，并采用神经网络等人工智能算法对各种轴承故障进行诊断，判断出故障位置。基于人工智能的故障诊断方法还能不断根据轴承故障信息进行自我学习，提高诊断效率和精度。
2.2 人工神经网络
2.2.1 人工神经网络结构
图1 人工神经网络结构
人工神经网络是一种经典的人工智能算法，在故障诊断领域得到了广泛的应用，其中人工神经网络结构如图 1所示，主要由输入层，输出层以及隐含层组成。通过将传感网络采集的轴承信号数据，输入至神经网络，能够通过多变量信号特征对轴承故障进行诊断预测。具体的神经网络结构如图 1 所示。
我们基于人工神经网络的故障诊断技术，通过对典型的道路养护机械设备轴承磨损数据进行采集，提取特征信息作为人工神经网络输入层的数据，本文人工神经网络结构输入层神经元设置个数为 4，输入数据分别为振动信号的平均值、有效值、峰值、脉冲指标，并通过隐含层进行计算，得出故障诊断结果，通过输出层进行输出，其中输出神经元个数为 1。
通过将多组传感器采集的轴承振动信号数据的平均值、有效值、峰值、脉冲指标进行归一化处理，同时针对实验样本进行分割，确定训练集和测试集，便可以进行神经网络训练。神经网络的训练过程主要是通过反馈原则，利用多次训练进行参数修正，隐含层与输出层的传递函数一般采用双曲正切函数。但是在进行网络训练
中，输入函数与输出函数是非线性映射关系，如图 1 所示，神经元的初始权重系数 wij 对于神经网络训练结果具有重要意义。
2.2.2 基于遗传算法的神经网络优化
遗传算法（Genetic Algorithm， GA）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程，搜索最优解
的方法。为提高神经网络训练效果，选取遗传算法对神经网络初始权重参数 wij 进行优化，以最小训练误差作为寻优目标。其中遗传算法工作流程如下所示：遗传算法将优化目标问题可能潜在的解集初始化为一个种群 (population)，而一个种群则由经过基因 (gene) 编码的一定数目的个体 (individual) 组成，每个个体的特性由染色体 (chromosome) 体现，为简化基因编码流程，选择二进制编码方式，初始种群产生之后，按照适者生存和优胜劣汰的原理，逐代 (generation) 演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度 (fitness) 大小选择(selection) 个体，并借助于自然遗传学的遗传算子 (genetic operators) 进行组合交叉 (crossover) 和变异 (mutation)，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解。
基于遗传算法的神经网络优化首先为神经网络初始权重参数 wij 赋予初始值，输入至神经网络，其参数设置范围为 (0，1)，同时确定最小化误差函数为目标函数。将振动信号的平均值、有效值、峰值、脉冲指标进行归一化处理后，通过遗传算法对神经网络进行参数优化，可训练得出有效初始权重参数。
3 实验结果分析
图2 训练误差曲线
为进行实验仿真，选择 MATLAB 搭建了神经网络和进行了遗传算法设计，其中神经网络调用函数如式 (1) 所示。
y ＝ sim(net，x) (1)
式中：net——神经网络；
sim——网络仿真函数；
x——振动信号的平均值、有效值、峰值、脉冲指标等不同影响因素，即输入变量；
y——不同类别的故障。
以遗传算法优化结果作为神经网络初始权重值，并进行网络初始权重设置，以训练误差曲线如图 2 所示，误差率仅为 0.08，故障识别率可达 92%，因此利用神经网络进行故障识别具有较高的精准率。
4 结论
随着故障诊断技术的创新和发展，对于机械设备结构和系统故障诊断取得了阶段性的成果。本文以道路养护机械设备故障诊断为目标，先分析了基于模型的故障检测方法、专家诊断系统和基于人工智能的故障诊断方法 3 种典型机械设备故障诊断技术现状。再以道路养护机械设备重要组成成分轴承为研究对象，以轴承振动信号数据的平均值、有效值、峰值、脉冲指标等参数作为主要特征，采用人工神经网络进行故障诊断分析，为提高人工神经网络诊断精度，基于遗传算法对初始权重进行了优化，有利于提升诊断效率。
周卫东
北京首发公路养护工程有限公司，
敬请关注 《工程机械与维修》&《今日工程机械》 官方微信
更多精彩内容，请关注《工程机械与维修》与《今日工程机械》官方微信