伴随着近些年来人工智能技术的快速发展,神经网络技术的出现为实现故障诊断的智能化提供了一种全新的方式。自然界中人脑或是生物神经能够处理许多复杂的非线性问题,人工神经网络最初正是基于实现这种功能而被设计出来的。神经网络有别于传统的人工智能技术,具有特殊的信息处理方式和学习功能,能够通过网络高效的并行联想以及自适应推理,实现对复杂的数据信息的处理和分类。
故障诊断往往具有故障形成原因多样、故障类型与故障特征之间映射关系复杂的特点与难点,因而可以利用神经网络强大的模式识别能力对故障进行分类和识别。神经网络能够对故障样本提供的信息数据进行深入地分析,根据网络自身的规则学习和网络内部权值阈值的修正,建立起故障类型与故障特征之间复杂的非线性映射关系,实现对故障的联想记忆以及模式识别。神经网络技术已越来越广泛地应用于故障诊断领域,它与现代信号处理技术、专家系统、模糊诊断等技术相结合,极大提高了故障诊断系统的智能化水平、实时处理能力和鲁棒性。
但是由于神经网络自身存在结构复杂、训练收敛速度慢、容易陷入局部最小值的缺点,使其难以适用于需要动态控制的系统,不能胜任需要对现场环境做出实时反映的应用场合,因此国内外学者针对神经网络算法的改进及其在故障诊断中的应用进行了广泛深入地研究。Arun T.Vemuri 等[12]通过神经网络来监控机械臂的故障状态,该系统具有很好的鲁棒性和稳定性,解决了机械臂故障诊断系统建模的不确定性带来的问题。Clemente Rodriguez 等[13]针对电力系统的报警处理和故障诊断,提出一种基于神经网络的模块化解决方案,很好地解决了电网故障部位诊断难的问题,同时又满足电网出现故障时系统调度的灵活性和速度的要求。张建华等[14]研究了利用模糊逻辑和神经网络对液压系统进行故障诊断,该方法适用于存在大量实例却又难用算法描述的应用领域。王钰等[15]针对传统BP 算法的缺陷,提出一种改进BP 网络的方法,并在此基础上建立了非线性系统的预测模型。胡寿松等[16]针对歼击机飞行过程中发生的平尾卡死和副翼损伤的组合故障,利用具有鲁棒学习算法的神经网络分类器对故障进行准确的模式分类。