基于RBF人工神经网络地风机故障诊断.docVIP

基于RBF人工神经网络的风机故障诊断 李铁军 朱成实 叶 龙 王 丹 王学平/沈阳化工学院机械工程学院 赵新君/沈阳鼓风机（集团）有限公司 摘要：针对风机常见故障征兆与故障类型之间的非线性映射关系，结合专家知识建立了风机系统故障知识库，提出了基于径向基函数(RBF)人工神经网络的风机故障诊断方法。结果表明：该方法能克服诊断过程中容易陷入局部极小的缺点，并能满足故障诊断的快速性和准确性要求。 关键词：RBF 人工神经网络；故障诊断；风机 中图分类号：TP11 文献标识码：B 文章编号：1006-8155（2007）05-0071-03 Fault Diagnosis of Fan Based on RBF Neural Network Abstract: According to the nonlinear mapping relationship between fault symptom and type of fan, the repository of fan faults system is established combined with experts’ knowledge. The fault diagnosis method of fan based on RBF neural network is presented. The result shows that the method can overcome the limitation of local infinitesimal, and can meet the requirements for speediness and accurateness during fault diagnosis process. Key words: RBF neural network; fault diagnosis; fan 0 引言 由于风机广泛应用于各种生产设备中，其运行可靠性直接影响整个生产设备的安全性和稳定性，而故障诊断则是提高系统可靠性的主要途径。但由于风机的各种故障征兆与故障类型之间的关系是高度非线性关系，很难用具有线性关系的数学模型来进行故障诊断定位。而人工神经网络因具有任意精度逼近任何连续非线性函数，以及自组织、自学习和并行处理能力，在故障诊断中得到了广泛应用。因此，本文提出采用神经网络来建立故障诊断模型，解决风机的各种故障征兆与故障类型之间的非线性映射关系，实现故障诊断和定位。 人工神经网络中的BP(Back Propagation)神经网络是目前故障诊断领域应用较多的一种网络。但是因为BP网络采用的是沿梯度下降的搜索求解算法，这就不可避免地出现了网络学习收敛速度慢的问题，甚至不收敛，而且更容易陷入局部极小。为了解决这个问题，本文将RBF(Radial Basis Function)神经网络应用于故障诊断。RBF可以避免像BP学习算法那样冗长的迭代计算和陷入局部极值的可能，使学习速度比通常的BP算法快几十倍甚至上百倍[1]。 RBF人工神经网络原理 RBF网络即Radial Basis Function Neural Network，是以函数逼近理论为基础而构造的一种前向网络，它是由输入层、隐藏层和输出层组成的三层网络，如图1所示。输入层由信号源节点组成，第二层是隐藏层，该层的变换函数采用RBF。近年来的研究[2-3]表明：无论在逼近能力、分类能力(模式识别)和学习速度等方面RBF均优于BP网络。RBF网络的输出为 (1) 采用Gaussian函数作为径向基函数。 (2) 从Gaussian核函数可见，其中矢量参数ｘ是函数的自变量矢量，是输入；ｃ是常数矢量，径向基函数的中心；Φ(ｘ－ｃ)就是径向基函数。 图1 RBF网络拓扑机构 Gaussian函数网络有3个学习参数：各RBF的中心、方差和输出单元的权值。径向基函数网络算法步骤如下： （1）从输入向量中选一组初始中心值； （2）计算方差值 (3) 式中 为最大的距离，K为的数量； （3）由输入计算 (4) （4）更新网络参数 (5) (6) (7) 式中 (8) (9) 为网络期望输出；为3个参数的学习步长。 （5）如网络收敛，则计算停止，否则转到步骤（4）。 2 RBF