介绍了基于振动监测的转动设备状态预报方法，分析了经典神经网络多步预报的不足和实现精确多步预报的关健。并通过天津石化烟机振动的多步预报结果，比较了经典多步预报网络和MSRN模型的预报能力，用实例说明了MSRN模型具有良好的多步预报能力。
一、概述 大型回转机组是石化企业的核心设备，一旦造成停车，经济损失将数以万元计，因此，及时、准确地反映未来的机组状态变化趋势具有显著的经济效益。对于大型回转机组来说，振动监测是最主要的一个手段，通过对机组关键部件处的振动监测，预报机组的实际停车检修时间有十分重要的意义。 预报技术在时间上一般可分为短期预报和中长期预报，而从技术方法上又可分为单步预报和多步预报。一般单步预报方法比较适合于实现短期预报，多步预报更适应中长期预报的需要。目前的传统预报方法，包括常规神经网络预报方法，往往都是单步预报，多步预报的实现则是借助于单步预报方法递推运算获得的。由于预报误差的迭代累积，多步预报的精度很低，难以保证中长期预报的质量。而在机械状态监测中，高质量的中长期预报方法具有更大的意义和应用价值。 近年来神经网络技术的各种新方法层出不穷，从普通的层式网络，到全连接网络以及时延网络，各自具有其特点。但就工程应用的角度出发，最常见的神经网络为BP网络。BP网络是一种层式网络，在该网络中运用了误差的反向传播算法，由于以梯度为寻优搜索准则，很容易获得网络的权系数集，但在复杂问题时，BP网络反映出明显的两点不足：收敛速度慢和无法摆脱局部极小点。这些弱点严重限制了BP网络在回转机械监测诊断中的应用。共扼梯度神经网络与BP网络相比在思想方法上有很大的差别并表现出极大的优越性。首先，共扼梯度神经网络的学习速度可以满足实时学习的要求，实现网络样本的及时补充与删除；其次，共扼梯度神经网络随着训练样本的增加总会收敛到贝叶斯优化解，没有局部最小问题。为此，使用共扼梯度神经网络作机组的多步预测。
二、经典神经网络多步预报 以往利用时间序列建模的方法进行预测是根据带噪声的观测数据对未来值进行估计。传统的AR模型或ARMA模型必须对所处理的时间序列做平稳性假设；同时，由于它们属于参数预测法，必须先对模型结构做出假设，然后通过对模型参数的估计得到预测值。因此，模型结构的合理与否，直接影响到最终预测的精度。利用前向神经网络进行时间序列的预测是一种非参数预测方法，它无需对模型做假设，此法比参数预测方法有更广的应用范围
[1]。而且在用神经网络对回转机组的时间序列进行预测时，无须对机组振动时间序列做平稳性假设，而仅仅依靠样本数据的驱动来寻求数据间的映射关系。 如前面所述，神经网络广泛的应用在时间序列预报都是基于BP算法的前馈神经网络，该模型通常都是建立多层前馈神经网络，用时间序列来估计函数。通常使用的非线性自回归模型，也叫NAR模型。 常规神经网络预报方法，即单步神经网络预报方法，就是建立神经网络非线性预报模型。 在多步预报时，依据所建立的预测模型，以预测值代入预报模型，可逐步推算出多步的未来值，这样的多步预报过程在获得单步预报结果时，就已经存在着预报误差，并随预测值增加，累积误差迅速增加，无法保证多步预报的精度。
从多步预报的要求来看，就是根据现有时间序列直接预测未来h步序列值，仿照单步预报神经网络的方式，可直接构造多步预报网络，其结构见图1。在训练过程中，用已知k个序列值为输入，随后一个序列值为输出，并按顺序推移形成训练样本。在预测过程中，可根据已知时间序列点来映射未来时间序列点。 Ikuo Matsuba基于以上的思想，构造了直接实现多步预报的前馈多层神经网络预报模型。在图1的多步预报模型基础上，考虑到k个预报输出值之间的关联性较弱，为了改善这个状况，建立起直接的时间关联关系，在输入层由k个输入增加为k+h-1个输入，其中，从k+1个输入到k+h-1个输入在预报时是未知的，因此，可采用一个动态网络结构，实现如图2所示的多步预报模型。
在该网络训练时，输入层前k个输入是确定的，而后h-1个输入是随训练过程变化的。在理想的情况下，网络输出误差为零，同时网络后h-1个输入同样为零。 在网络预报时，只需输入前k个序列值，后h个输入为零，即可得到网络的预报结构，该预报模型可以取得较好的效果。 但从多层神经网络自身来讲，收敛速度慢和容易陷入局部最小是十分致命的弱点。目前，各种改进BP算法均不能收敛于全局最优，况且，该预报模型为动态网络结构，虽然动态模型精度有所提高，但并不能保证提高模型的预报能力。 三、共轭梯度神经网络的多步预报 在前面训练前馈神经网络模型的参数是为了解决时间序
QQ交流群
