基于RBF神經(jīng)網(wǎng)絡的高速旋轉(zhuǎn)設(shè)備故障診斷技術(shù)研究

張燦輝 梁長友

【摘要】隨著高速旋轉(zhuǎn)設(shè)備日益得到廣泛應用。這些設(shè)備對加工質(zhì)量及效率起著關(guān)鍵乃至核心作用，其造價往往相當昂貴。因此高速旋轉(zhuǎn)加工設(shè)備的損壞或產(chǎn)品報廢甚至僅僅是加工效率的降低都可能造成巨大的損失，為了確保高速旋轉(zhuǎn)設(shè)備的正常工作及對設(shè)備故障的預防，基于RBF神經(jīng)網(wǎng)絡的高速旋轉(zhuǎn)設(shè)備故障診斷技術(shù)日趨發(fā)展。由于RBF神經(jīng)網(wǎng)絡具有并行分布式處理、聯(lián)想記憶、自組織及自學習能力和極強的非線性映射特性，能對復雜的信息進行識別處理并給予準確的分類，因此可以用來對系統(tǒng)設(shè)備由于高速旋轉(zhuǎn)機械故障而引起的狀態(tài)變化進行識別和判斷，從而為高速旋轉(zhuǎn)設(shè)備故障診斷與狀態(tài)監(jiān)控提供了新的技術(shù)手段。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡；故障診斷；狀態(tài)監(jiān)控；故障預測

1.概述

RBF神經(jīng)網(wǎng)絡用于高速旋轉(zhuǎn)設(shè)備故障診斷是近年來迅速發(fā)展起來的一個新的研究領(lǐng)域。RBF神經(jīng)網(wǎng)絡作為一種新的新的模式識別技術(shù)，在高速旋轉(zhuǎn)設(shè)備故障診斷領(lǐng)域顯示的應用價值較為明顯。目前，神經(jīng)網(wǎng)絡在高速旋轉(zhuǎn)設(shè)設(shè)備故障診斷領(lǐng)域的應用主要集中在以下幾塊：

（1）從故障預測的角度，應用RBF神經(jīng)網(wǎng)絡作為動態(tài)預測模型進行高速旋轉(zhuǎn)設(shè)備的故障預測；

（2）從故障處理的角度，建立基于RBF神經(jīng)網(wǎng)絡的高速旋轉(zhuǎn)設(shè)備故障診斷系統(tǒng)；

（3）從模式識別的角度，應用RBF神經(jīng)網(wǎng)絡作為分類器對高速旋轉(zhuǎn)設(shè)備故障類型進行準確分類。

隨著計算機技術(shù)和人工智能的快速發(fā)展，特別是信息工程、專家系統(tǒng)的快速發(fā)展，為RBF神經(jīng)網(wǎng)絡高速旋轉(zhuǎn)設(shè)備故障診斷技術(shù)的研究提供了新的方法和理論。同時為了提高RBF神經(jīng)網(wǎng)絡故障診斷的實用性能，目前主要從RBF神經(jīng)網(wǎng)絡模塊化神經(jīng)網(wǎng)絡診斷策略和模型本身的改進兩個方面進行研究。

2.基于RBF神經(jīng)網(wǎng)絡的故障診斷原理

RBF神經(jīng)網(wǎng)絡系統(tǒng)具備高度非線性映射能力，RBF神經(jīng)網(wǎng)絡是一個分布式的和并行的網(wǎng)絡處理結(jié)構(gòu)，能有效存儲設(shè)備運轉(zhuǎn)過程的信息，能夠和已有的歷史故障信息進行對比，進而確定當前的運行狀態(tài)。圖1列出克基于RBF神經(jīng)網(wǎng)絡的高速旋轉(zhuǎn)設(shè)備故障診斷一般框圖。

圖1 基于RBF神經(jīng)網(wǎng)絡的高速旋轉(zhuǎn)設(shè)備故障診斷結(jié)構(gòu)圖

基于神經(jīng)網(wǎng)絡的高速旋轉(zhuǎn)設(shè)備故障診斷主要步驟：

a）神經(jīng)網(wǎng)絡類型的確定

本步驟主要是選用哪種神經(jīng)網(wǎng)絡、神經(jīng)網(wǎng)絡參數(shù)以及神經(jīng)網(wǎng)絡的層數(shù)。

b）輸人層的確定

對于輸人層的選擇，可以反映故障信息的參數(shù)作為輸入變量。

c）輸出層的確定

對各種故障狀態(tài)進行編碼，輸出節(jié)點數(shù)N為故障模式的總數(shù)，如果第i個節(jié)點輸出為1，其余輸出為0，表示第i個輸入接口故障存在。

d）網(wǎng)絡信號模擬

利用已有的故障參數(shù)和診斷結(jié)果對神經(jīng)網(wǎng)絡進行信號模擬，模擬好的神經(jīng)網(wǎng)絡數(shù)據(jù)中心記錄了各種故障的特征參數(shù)；當傳遞進來的特征參數(shù)與神經(jīng)網(wǎng)絡數(shù)據(jù)中心記憶中的某個對應故障參數(shù)比較接近時，神經(jīng)網(wǎng)絡輸出對應故障。

3.基于RBF神經(jīng)網(wǎng)絡的旋轉(zhuǎn)機械故障診斷

RBF神經(jīng)網(wǎng)絡通常是一種三層的前向網(wǎng)絡，它由輸入層、中間層和輸出層組成，如圖2所示每個輸入神經(jīng)元和輸入向量X的元素相對應。中間層由n個神經(jīng)元組成。每個輸入神經(jīng)元與中間層神經(jīng)元相連接，每個中間神經(jīng)元計算一個核函數(shù)，通常為高斯函數(shù)。

圖2 RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)

旋轉(zhuǎn)機械故障診斷過程中實測的振動信號經(jīng)常是相互作用和相互干擾的多畔故障信號的疊加，這給正確的故障識別造成很大的困難。故障診斷過程中，分類器的分類規(guī)則固然重要，但是，如果所基于的故障特征沒有包含足夠的待識別信息或未能提取反映機器故障特征的信息，則診斷的結(jié)果肯定不準確。旋轉(zhuǎn)機械的故障模式樣本的輸入往往是高度非線性重疊的，因而很難用常規(guī)的模式分類方法將其分開，必須使用某種非線性的方法將其變換到更高維的空間里，以利于線性分類。用神經(jīng)網(wǎng)絡進行故障診斷基本上以BP網(wǎng)絡為基礎(chǔ).不可避免地存在收斂速度慢，容易陷入局部極小點等缺點，而近些年來，越來越多的RBF網(wǎng)絡應用于故障診斷，結(jié)果表明徑向基函數(shù)能夠使人工神經(jīng)網(wǎng)絡更好地處理訓練數(shù)據(jù)以外的測試實例，并且訓練速度大大加快。

4.RBF神經(jīng)網(wǎng)絡多參數(shù)診斷法的應用步驟

1）利用轉(zhuǎn)子實驗臺獲得不平衡、不對中故障、碰摩故障、松動故障和轉(zhuǎn)軸裂紋五種典型的旋轉(zhuǎn)機械故障的試驗數(shù)據(jù)。

2）利用振動信號頻譜中的8個頻段上的不同頻率的頻譜的譜峰能量作為特征值，具體數(shù)值見表1。

3）進行RBF神經(jīng)網(wǎng)絡設(shè)計，確定神經(jīng)元的個數(shù)、網(wǎng)絡半徑、中心以及調(diào)節(jié)權(quán)值。

4）將旋轉(zhuǎn)機械的各種故障狀態(tài)進行編碼，并用相應的特征參數(shù)組成訓練樣本，對網(wǎng)絡進行訓練，確定各單元間的連接權(quán)值以及偏差。

如表1所示，RBF神經(jīng)網(wǎng)絡的期望輸出根據(jù)旋轉(zhuǎn)機械的5種工作狀態(tài)確定狀態(tài)碼為不平衡故障（0，0，0，0，1），轉(zhuǎn)軸裂紋（0，0，0，1，0），松動故障（0，0，1，0，0），不對中故障（0，1，0，0，0）碰摩故障（1，0，0，0，0）。

5）利用訓練好的神經(jīng)網(wǎng)絡對旋轉(zhuǎn)機械進行狀態(tài)識別，根據(jù)輸出確定旋轉(zhuǎn)機械的狀態(tài)類別。

6）把使用過程中發(fā)現(xiàn)的錯誤判斷按實際輸入和期望輸出加入訓練樣本集，對網(wǎng)絡進一步訓練。

表2可以看到對于單一的故障，如故障1到故障4所示的碰摩、不平衡、不對中、裂紋和松動，對應的網(wǎng)絡輸出結(jié)點數(shù)值都大于0.76，而其他位置數(shù)值都比較小，所以RBF網(wǎng)絡能很準確地辨識出這些單一故障。而對于耦合故障6，節(jié)點1和節(jié)點2的數(shù)值都大于0.5，其他節(jié)點的數(shù)值接近于0，說明此時系統(tǒng)同時存在碰摩和不對中兩種故障，也就是說對于耦合故障，神經(jīng)網(wǎng)絡也能比較正確地辨別。

參考文獻

[1]陳進.機械設(shè)備振動監(jiān)測與故障診斷[M].上海：上海交通大學出版社，1999.

[2]盛兆順.設(shè)備狀態(tài)監(jiān)測與故障診斷技術(shù)及應用[M].北京：化學工業(yè)出版社，2003.

[3]何正嘉.機械故障診斷理論及應用[M].北京：高等教育出版社，2010.

[4]尹朝慶.人工智能與專家系統(tǒng)[M].北京：中國水利水電出版社，2002.

[5]王萬林.人工智能原理及其應用[M].北京：電子工業(yè)出版社，2000.

[6]胡伍生.神經(jīng)網(wǎng)絡理論及其工程應用[M].北京：測繪出版社，2006.

作者簡介：

張燦輝（1987—），男，河南伊川人，學士，洛陽銅加工集團有限責任公司助理工程師，研究方向：機械設(shè)備。

梁長友（1984—），男，安徽太和人，學士，上海市建設(shè)機電安裝公司助理工程師，研究方向：機械設(shè)備。