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

摘 要：為克服BP網(wǎng)絡(luò)在機(jī)械故障診斷中存在的訓(xùn)練收斂速度慢且容易陷入局部極小、網(wǎng)絡(luò)初值對學(xué)習(xí)性能影響比較大等缺陷，提出了一種基于最近鄰聚類學(xué)習(xí)算法的RBF神經(jīng)網(wǎng)絡(luò)模型，并將該模型應(yīng)用于旋轉(zhuǎn)機(jī)械的故障診斷中。應(yīng)用結(jié)果表明， RBF網(wǎng)絡(luò)訓(xùn)練速度快、分類性能良好，在設(shè)備故障診斷領(lǐng)域具有很好的實(shí)用性。

關(guān)鍵詞： RBF神經(jīng)網(wǎng)絡(luò)；故障診斷；旋轉(zhuǎn)機(jī)械

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。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)知識和判別模型就能夠通過自組織和自學(xué)習(xí)機(jī)制自動(dòng)地形成所要求的決策域。神經(jīng)網(wǎng)絡(luò)技術(shù)用于機(jī)械故障診斷較為成熟的是BP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，這就不可避免的出現(xiàn)了網(wǎng)絡(luò)學(xué)習(xí)收斂速度慢、易陷入局部極小、網(wǎng)絡(luò)初值對學(xué)習(xí)性能影響比較大等缺陷[2]。本文提出一種基于RBF網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷方法，并在實(shí)際應(yīng)用中證明了其學(xué)習(xí)速度和分類能力均優(yōu)于BP網(wǎng)絡(luò)。

1.RBF神經(jīng)網(wǎng)絡(luò)

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

典型的RBF神經(jīng)網(wǎng)絡(luò)是具有單隱層的3層前饋網(wǎng)絡(luò)，一種局部逼近網(wǎng)絡(luò)，它能以任意精度逼近任意連續(xù)的函數(shù)[3]。

RBF神經(jīng)網(wǎng)絡(luò)的第一層為輸入層，由信號源節(jié)點(diǎn)組成；第二層為隱含層，其單元數(shù)視所描述的需要而定；第三層為輸出層，它對輸入模式的作用做出響應(yīng)。輸入層節(jié)點(diǎn)只是傳遞輸入信號到隱含層，隱含層節(jié)點(diǎn)由像高斯函數(shù)那樣的輻射作用函數(shù)構(gòu)成，輸出層節(jié)點(diǎn)通常是簡單的線性函數(shù)。隱含層節(jié)點(diǎn)中的作用函數(shù)對輸入信號將在局部產(chǎn)生響應(yīng)。

1.2. RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

神經(jīng)網(wǎng)絡(luò)其結(jié)構(gòu)從根本上決定了其性能及訓(xùn)練的方法、速度，而訓(xùn)練算法本身的可行性、有效性、快速性也體現(xiàn)了該網(wǎng)絡(luò)的優(yōu)劣以及應(yīng)用前景。RBF神經(jīng)網(wǎng)絡(luò)算法比BP算法復(fù)雜性要高，RBF網(wǎng)絡(luò)的訓(xùn)練過程分為兩步：輸入層到隱含層采用無教師指導(dǎo)的聚類方法訓(xùn)練，以確定網(wǎng)絡(luò)中心向量和半徑，常用的是K-均值算法和模糊聚類方法；隱含層與輸出層之間的權(quán)值調(diào)整采用有教師指導(dǎo)的算法，以確定權(quán)重向量，例如采用遞推最小二乘方法等。

2.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

在BENTLY RK-4模擬轉(zhuǎn)子試驗(yàn)臺上進(jìn)行實(shí)驗(yàn)研究，從測振傳感器提取出的時(shí)域連續(xù)振動(dòng)信號，經(jīng)A/D轉(zhuǎn)換，DFT（FFT）分析，得到振動(dòng)信號的頻譜分析。本文以旋轉(zhuǎn)機(jī)械中常見的質(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)輸出如表1所示（表中“f”為轉(zhuǎn)子的工作頻率）。樣本的目標(biāo)輸出中1表示對應(yīng)故障發(fā)生，0表示對應(yīng)故障不發(fā)生。

3.結(jié)論

與目前廣泛應(yīng)用的BP算法相比，RBF網(wǎng)絡(luò)從根本上避免了陷入局部極小點(diǎn)的問題；并且RBF網(wǎng)絡(luò)訓(xùn)練速度非?？欤辉谛D(zhuǎn)機(jī)械故障診斷中的實(shí)際應(yīng)用中表明，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)做判斷， 具有良好的實(shí)用性.

參考文獻(xiàn)：

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

[2] 蘇高利. 基于MATLAB語言的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： 國防工業(yè)大學(xué)出版社，1955.

作者簡介：

張忠奎（1982.12.20-），男，山東濰坊人，畢業(yè)于山東理工大學(xué)，機(jī)械專業(yè)教師，碩士研究生，研究方向：工業(yè)機(jī)器人軌跡規(guī)劃。