旋轉(zhuǎn)機(jī)械故障診斷中的改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)算法研究

張忠奎,王效岳,丁曉坤

(1.山東理工大學(xué)機(jī)械工程學(xué)院,山東 淄博 255049;2.聊城大學(xué)計(jì)算機(jī)科學(xué)學(xué)院,山東 聊城 252059)

旋轉(zhuǎn)機(jī)械是石油、化工、冶金、機(jī)械等行業(yè)生產(chǎn)中的關(guān)鍵設(shè)備,隨著其大型化、自動(dòng)化、高速化和復(fù)雜化發(fā)展,運(yùn)行的可靠性和安全性日益受到重視.因此,對(duì)其進(jìn)行可靠、準(zhǔn)確的故障診斷具有十分重要的意義.但是旋轉(zhuǎn)機(jī)械結(jié)構(gòu)的復(fù)雜性和耦合性又使得其故障具有多樣性、模糊性和隨機(jī)性等特點(diǎn),因此很難用傳統(tǒng)的模式分類技術(shù)將這些故障截然分開(kāi).而人工神經(jīng)網(wǎng)絡(luò)具有非線性模式分類性能和很強(qiáng)的自組織、自學(xué)習(xí)能力[1],不需要預(yù)先給出關(guān)于模式的先驗(yàn)知識(shí)和判別模型就能夠通過(guò)自組織和自學(xué)習(xí)機(jī)制自動(dòng)地形成所要求的決策域;同時(shí),由于網(wǎng)絡(luò)內(nèi)部的非線性傳遞函數(shù),使其對(duì)高維空間及非線性空間數(shù)據(jù)模式具有較強(qiáng)的分類能力,非常適用于設(shè)備的故障診斷.機(jī)械故障診斷中,常來(lái)用較為成熟的BP神經(jīng)網(wǎng)絡(luò),但在實(shí)際的應(yīng)用中,BP網(wǎng)絡(luò)采用的是沿梯度下降的搜索求解算法,這就不可避免地存在網(wǎng)絡(luò)學(xué)習(xí)收斂速度慢、易陷入局部極小、網(wǎng)絡(luò)初值對(duì)學(xué)習(xí)性能影響比較大等缺陷[2].本文提出一種基于改進(jìn)型RBF網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷方法,通過(guò)實(shí)際應(yīng)用證明其學(xué)習(xí)速度和分類能力均優(yōu)于BP網(wǎng)絡(luò).

1 改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)

常規(guī)的RBF神經(jīng)網(wǎng)絡(luò)是具有單隱層的三層前饋網(wǎng)絡(luò),需先確定隱層節(jié)點(diǎn)個(gè)數(shù),隱層節(jié)點(diǎn)一旦確定,網(wǎng)絡(luò)結(jié)構(gòu)也就固定,其拓樸結(jié)構(gòu)如圖1所示.RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是通過(guò)改變隱層節(jié)點(diǎn)基函數(shù)中心向量和隱層至輸出層權(quán)值向量進(jìn)行的.本文采用的改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)模型是基于最近鄰聚類學(xué)習(xí)算法的一種動(dòng)態(tài)自適應(yīng)RBF神經(jīng)網(wǎng)絡(luò)模型[3],它是一種在線自適應(yīng)聚類學(xué)習(xí)算法,不需事先確定隱層單元個(gè)數(shù),此算法可在線學(xué)習(xí).用該算法構(gòu)造網(wǎng)絡(luò)的具體過(guò)程如下[4]:

圖1 RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

設(shè)有N對(duì)輸入-輸出數(shù)據(jù)對(duì)(xk,yk),k=1,2,…,N,RBF神經(jīng)網(wǎng)絡(luò)隱層非線性激勵(lì)函數(shù)取高斯函數(shù),RBF網(wǎng)絡(luò)隱單元輸出為

其中:xk是輸入矢量;yk是輸出:Ri(xk)是第i個(gè)隱單元的輸出;ci是第i個(gè)隱單元高斯基函數(shù)的中心矢量;b是高斯基函數(shù)的半徑.

1)定義S(l)用于存放屬于各類的輸出之和,定義計(jì)數(shù)器CT(l)用于統(tǒng)計(jì)屬于各類的樣本個(gè)數(shù),其中l(wèi)為類別數(shù),選擇一個(gè)半徑b.

2)從第一個(gè)樣本對(duì)(x1,y1)開(kāi)始,在x1上建立一個(gè)聚類中心,令c1=x1,S(1)=y1,CT(1)=1.這樣建立的RBF網(wǎng)絡(luò)只有一個(gè)隱單元,該隱單元的中心為c1,該隱單元到輸出層的權(quán)值為W1=S(1)/CT(1).

3)假設(shè)考慮第k個(gè)樣本數(shù)據(jù)對(duì)(xk,yk)時(shí),k=3,4,…,N,設(shè)已存在n個(gè)聚類中心,其中心點(diǎn)分別為c1,c2,…,cn,網(wǎng)絡(luò)中已有n個(gè)隱單元.分別求出xk到這n個(gè)聚類中心的距離|xk-ci|,i=1,2,…,n,設(shè)|xk-cj|為這些距離中的最小距離,即cj為xk的最近鄰聚類,則:

如果|xk-ci|＞b,則將xk作為一個(gè)新聚類中心,并令cn+1=xk,S(n+1)=yk,CT(n+1)=1,且保持S(i),CT(i)的值不變.在上述建立的RBF網(wǎng)絡(luò)中再添加第n+1個(gè)隱單元,該隱單元到輸出層的權(quán)矢量為Wn+1=S(i)/CT(i).

如果|xk-ci|≤b,則S(j)=S(j)+yk,CT(j)=CT(j)+1.隱層到輸出層的權(quán)矢量為Wi=S(i)/CT(i).

4)根據(jù)上述規(guī)則建立的動(dòng)態(tài)RBF神經(jīng)網(wǎng)絡(luò)輸出為

由網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)造過(guò)程可見(jiàn):高斯基函數(shù)半徑的大小決定了網(wǎng)絡(luò)的復(fù)雜程度.b越小,所得到的聚類數(shù)目就越多,從而導(dǎo)致非線性回歸過(guò)程越復(fù)雜,計(jì)算量也越大.但b是一個(gè)一維參數(shù),一般可以通過(guò)實(shí)驗(yàn)和誤差信息找到一個(gè)適當(dāng)?shù)闹?由于每一個(gè)輸入-輸出數(shù)據(jù)對(duì)都可能產(chǎn)生一個(gè)新的聚類,因此構(gòu)造出的網(wǎng)絡(luò)是一種動(dòng)態(tài)網(wǎng)絡(luò),實(shí)際上同時(shí)在進(jìn)行參數(shù)和結(jié)構(gòu)兩個(gè)過(guò)程的自適應(yīng)調(diào)整.

2 改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用

2.1 學(xué)習(xí)樣本的建立

頻域轉(zhuǎn)子發(fā)生故障時(shí)的重要特征是機(jī)器伴有異常的振動(dòng)和噪聲.振動(dòng)信號(hào)對(duì)機(jī)器設(shè)備的運(yùn)行狀態(tài)有直接的反映.尤其在頻域內(nèi),特征頻段上特征量的大小和比例關(guān)系可以反映出相應(yīng)的故障類型.在BENT LY RK-4模擬轉(zhuǎn)子試驗(yàn)臺(tái)上進(jìn)行實(shí)驗(yàn)研究,從測(cè)振傳感器提取出的時(shí)域連續(xù)振動(dòng)信號(hào),經(jīng)A/D轉(zhuǎn)換、DFT(FF T)分析,得到振動(dòng)信號(hào)的頻譜分析.本文以旋轉(zhuǎn)機(jī)械中常見(jiàn)的質(zhì)量不平衡、轉(zhuǎn)子熱彎曲、軸向碰磨等8種故障作為網(wǎng)絡(luò)輸出,利用振動(dòng)信號(hào)頻譜中的7個(gè)頻段上的不同頻率的譜峰能量值作為特征量,形成訓(xùn)練樣本和樣本的目標(biāo)輸出(見(jiàn)表1,表1中f為轉(zhuǎn)子的工作頻率).樣本的目標(biāo)輸出中,1表示對(duì)應(yīng)故障發(fā)生,0表示對(duì)應(yīng)故障不發(fā)生.

表1 旋轉(zhuǎn)機(jī)械常見(jiàn)故障標(biāo)準(zhǔn)模式特征向量

2.2 網(wǎng)絡(luò)結(jié)構(gòu)的選取

由表1所列的學(xué)習(xí)樣本可知,輸入層選取7個(gè)節(jié)點(diǎn);輸出層為綜合評(píng)價(jià)層,選擇了8個(gè)輸出層節(jié)點(diǎn).

2.3 網(wǎng)絡(luò)學(xué)習(xí)性能分析

用表1所示學(xué)習(xí)樣本分別對(duì)具有相同結(jié)構(gòu)的BP網(wǎng)絡(luò)和改進(jìn)的RBF網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練結(jié)果見(jiàn)表2.由表2可以看出,標(biāo)準(zhǔn)BP算法學(xué)習(xí)過(guò)程比較緩慢,而采用RBF網(wǎng)絡(luò)則學(xué)習(xí)過(guò)程非常快.

表2 網(wǎng)絡(luò)學(xué)習(xí)性能比較

2.4 網(wǎng)絡(luò)的測(cè)試

將待識(shí)別的故障樣本(見(jiàn)表3)作為網(wǎng)絡(luò)的輸入,輸入到上面已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中,經(jīng)網(wǎng)絡(luò)非線性映射的輸出結(jié)果見(jiàn)表4.從表4可以看出,4個(gè)故障輸入模式分別對(duì)應(yīng)第2、5、7、4個(gè)輸出節(jié)點(diǎn)的輸出值,分別接近于1,其它節(jié)點(diǎn)的輸出值均未超過(guò)0.3,可以分別診斷為不對(duì)中、軸向碰磨、軸承座松和油膜振蕩故障.可見(jiàn)網(wǎng)絡(luò)對(duì)待識(shí)別樣本進(jìn)行了正確的分類,測(cè)試結(jié)果與實(shí)際發(fā)生的故障吻合.

表3 待檢測(cè)故障模式特征向量

表4 網(wǎng)絡(luò)診斷結(jié)果

3 結(jié)束語(yǔ)

與目前廣泛應(yīng)用的BP算法相比,改進(jìn)型網(wǎng)絡(luò)學(xué)習(xí)算法從根本上避免了陷入局部極小點(diǎn)的問(wèn)題,并且RBF網(wǎng)絡(luò)訓(xùn)練速度非常快.旋轉(zhuǎn)機(jī)械故障診斷中的實(shí)際應(yīng)用表明,改進(jìn)型網(wǎng)絡(luò)能夠?qū)πD(zhuǎn)機(jī)械各種復(fù)雜狀態(tài)做出判斷,具有良好的實(shí)用性.

[1]王偉.人工神經(jīng)網(wǎng)絡(luò)——入門(mén)與應(yīng)用[M].北京:北京航空航天大學(xué)出版社,1995.

[2]蘇高利.基于Matlab語(yǔ)言的BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法[J].科技通報(bào),2003,19(2):130-135.

[3]王立新.自適應(yīng)模糊系統(tǒng)與控制——設(shè)計(jì)與穩(wěn)定性分析[M].北京:國(guó)防工業(yè)大學(xué)出版社,1995.

[4]朱明星,張德龍.RBF網(wǎng)絡(luò)基函數(shù)中心選取算法的研究[J].安徽大學(xué)學(xué)報(bào),2000,24(1):72-78.