基于RBF神經(jīng)網(wǎng)絡(luò)的門式起重機故障診斷系統(tǒng)的研究

楊行舟，程文明，許明恒

（西南交通大學(xué) 機械工程學(xué)院，四川 成都 610031）

門式起重機是室外物料搬運裝卸、設(shè)備及建筑構(gòu)件安裝過程中應(yīng)用最為廣泛、最為頻繁的一種大型工程機械.門式起重機是減輕笨重體力勞動，提高作業(yè)效率，實現(xiàn)安全生產(chǎn)的起重運輸設(shè)備，可以在一定范圍內(nèi)垂直起升和水平移動物品，具有動作間歇性和作業(yè)循環(huán)性的特點.隨著門機使用頻率的增加和維護不當(dāng)，門機的故障率逐步上升，影響了作業(yè)的速度和效率，因此對門式起重機的實時監(jiān)控及故障的診斷和識別顯得非常重要［1］.

神經(jīng)網(wǎng)絡(luò)因為其廣泛的適應(yīng)能力和學(xué)習(xí)能力，在非線性系統(tǒng)的預(yù)測方面得到了廣泛的應(yīng)用.徑向基函數(shù)（Radial－Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)是一種新穎有效的前向型神經(jīng)網(wǎng)絡(luò)，由于該網(wǎng)絡(luò)輸出層是對中間層的線性加權(quán)，使得該網(wǎng)絡(luò)避免了像BP網(wǎng)絡(luò)那樣繁瑣冗長的計算，具有較高的運算速度和外推能力，同時使得網(wǎng)絡(luò)有較強的非線性映射功能［2］.本文分析了RBF神經(jīng)網(wǎng)絡(luò)在門式起重機故障診斷中的應(yīng)用.

1 RBF神經(jīng)網(wǎng)絡(luò)原理

1985年，Powel提出了多變量插值的徑向基函數(shù)（Radial－Basis Function，RBF）方法.1988年，Broom head和Lowe首先將RBF應(yīng)用于神經(jīng)網(wǎng)絡(luò)設(shè)計，構(gòu)成了徑向基神經(jīng)網(wǎng)絡(luò)，即RBF神經(jīng)網(wǎng)絡(luò).RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單、訓(xùn)練簡潔而且學(xué)習(xí)收斂速度快，能夠逼近任何線性、非線性函數(shù).因此，RBF神經(jīng)網(wǎng)絡(luò)在包括時間序列分析、模式識別、非線性控制和圖像處理等方面得到廣泛應(yīng)用.

RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與多層前向網(wǎng)絡(luò)類似，它由三層構(gòu)成：第一層為輸入層，由信號源節(jié)點構(gòu)成；第二層為隱含層，隱單元的個數(shù)由所描述的問題而定，隱單元的變換函數(shù)是對中心點徑向?qū)ΨQ且衰減的非負(fù)非線性函數(shù)；第三層為輸出層，它對輸入模式的作用做出響應(yīng)［3－5］，如圖1所示.圖中R1（x）是徑向基函數(shù)，xi是輸入函數(shù)，yi是輸出函數(shù).

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Diagram of RBF neural network architecture

RBF神經(jīng)網(wǎng)絡(luò)的基本思想是：用RBF作為隱單元的“基”，構(gòu)成隱含層空間，隱含層對輸入矢量進行變化，將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi)，使得在低維空間內(nèi)的線性不可分的問題在高維空間內(nèi)線性可分.

2 基于RBF神經(jīng)網(wǎng)絡(luò)的門式起重機故障識別與診斷

為防止門機在施工作業(yè)中出現(xiàn)故障，影響作業(yè)的效率和進展，有必要對門機的運行狀況實施監(jiān)控及分析.

2.1 常見門式起重機故障

門機是常見的吊裝設(shè)備，由于工期緊、使用繁忙及工況多，經(jīng)過大量的實地考察了解和分析，確定了門機最主要的典型故障［6］，如表1所示.

2.2 樣本數(shù)據(jù)的建立

對門式起重機的故障進行實地測試，通過安裝在門架上關(guān)鍵位置的傳感器測量該處的形變量，經(jīng)數(shù)據(jù)采集系統(tǒng)和數(shù)據(jù)處理系統(tǒng)對門機的狀態(tài)進行檢測，共選取6個點作為檢測對象.對各個故障狀態(tài)分別進行數(shù)據(jù)采集，形成10組標(biāo)準(zhǔn)樣本數(shù)據(jù)，并采集3組故障樣本作為待檢數(shù)據(jù).數(shù)據(jù)采集系統(tǒng)和處理系統(tǒng)原理，如圖2所示.

采集的數(shù)據(jù)經(jīng)過歸一化處理，如表2所示.

2.3 門式起重機的故障診斷應(yīng)用實例

為了驗證神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，采集3組故障樣本作為檢測樣本數(shù)據(jù).故障檢測樣本數(shù)據(jù)如表3所示.其中，y1—y3表示輸出結(jié)果，對應(yīng)表1中的5種門式起重機故障.

圖2 數(shù)據(jù)采集系統(tǒng)和處理系統(tǒng)原理圖Fig.2 Schematic diagram of data acquisition system and processing system

編制MATLAB代碼如下（x，y為輸入矩陣，xi為第i組的樣本數(shù)據(jù)，eg為均方誤差，取0.000 1，sc為分布系數(shù)取100）：

表2 門機標(biāo)準(zhǔn)樣本集Tab.2 Standard sample set of gantry cranes

表3 門機檢測樣本集Tab.3 Testing sample set of gantry cranes

通過測試，得到測試樣本的輸出結(jié)果為y1＝1.051 2，y2＝1.863 2，y3＝4.910 6，對其作四舍五入處理后的修正結(jié)果為y1＝1，y2＝2，y3＝5，分別對應(yīng)表1中第一、第二和第五種故障，與實際故障類型相吻合.

3 結(jié)論

本文研究了基于RBF神經(jīng)網(wǎng)絡(luò)的門式起重機的故障診斷方法，在分析門式起重機主要故障類型和原因后，對門機各故障下的狀態(tài)進行檢測并采集數(shù)據(jù)形成標(biāo)準(zhǔn)樣本集，并采用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)來對網(wǎng)絡(luò)進行訓(xùn)練和仿真，以實現(xiàn)門機的故障診斷，通過應(yīng)用實例表明，該方法切實可行.

將RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用在門式起重機的故障診斷上可以非常迅速地對門機故障進行診斷并預(yù)測.由于實驗條件所限，理論上如果標(biāo)準(zhǔn)樣本集的容量更大，將會大大提高門機故障的識別準(zhǔn)確率.

［1］宗春英.基于人工智能的故障檢測和診斷系統(tǒng)的研究［J］.制造業(yè)自動化，2012，34（4）：52－54.ZONG Chunying.Failure monitoring and diagnosis system based on artificial intelligence research［J］.Manufacturing Automation，2012，34（4）：52－54.

［2］張興波，譚繼文，侯英勇.基于徑向基神經(jīng)網(wǎng)絡(luò)的鋼絲繩斷絲定量檢測及 MATLAB實現(xiàn)［J］.煤礦機械，2009，30（3）：198－200.ZHANG Xingbo，TAN Jiwen，HOU Yingyong.Quantity test of steel wire－rope LF damage base on RBF neural network and MATLAB realization［J］.Coal Mine Machinery，2009，30（3）：198－200.

［3］尚敬強，原思聰，衛(wèi)東東，等.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在塔式起重機故障診斷中的應(yīng)用［J］.起重運輸機械，2012（4）：61－64.SHANG Jingqiang，YYAN Sicong，WEI Dongdong，et al.Application of genetic algorithm－based BP neural network in diagnosis to tower crane［J］.Hoisting and Conveying Machinery，2012（4）：61－64.

［4］程彩霞，孫富春，周心權(quán).基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的礦井智能火災(zāi)探測方法［J］.煤炭科學(xué)與技術(shù)，2011，39（2）：65－68.CHENG Caixia，SUN Fuchun，ZHOU Xinquan.Mine intelligent fire disaster detection method based on radial basis function neural network［J］.Coal Science and Technology，2011，39（2）：65－68.

［5］謝慕君，孟祥光.基于MATLAB的RBF神經(jīng)網(wǎng)絡(luò)在離心壓縮機性能預(yù)測中的應(yīng)用［J］.石油化工自動化，2008（5）：46－52.XIE Mujun，MENG Xiangguang.The application of RBF neural network based on MATLAB for the performance prediction of centrifugal compressors［J］.Automation in Petro－Chemical Industry，2008（5）：46－52.

［6］程珊.基于遺傳算法的橋式起重機故障診斷研究［J］.煤礦機械，2012，33（2）：242－244.CHENG Shan.Fault diagnosis study of overhead traveling crane based on genetic algorithm［J］.Coal Mine Machinery，2012，33（2）：242－244.