机车速度传感器的检测与故障诊断.docVIP

题 目： 基于神经网络的机车速度传感器 检测与故障诊断 院 系： 电气工程系 班 级： 电力机车 班 学 号： 2010 姓 名： 指导教师： 2013年6月5日 基于神经网络的机车速度传感器的检测与故障诊断 [****，***** 2010电车**班，****] 摘要 建立了RBF神经网络预测器模型，将其应用到机车双速度传感器的故障诊断中，并提出了诊断决策方法。利用MATLAB实现了RBF神经网络预测器的仿真，并模拟了机车速度传感器输出的3种故障模式进行了故障诊断辨识。仿真结果表明文中提出的方法能够准确地进行速度传感器在线故障诊断。 关键字：机车；RBF神经网络；速度传感器；故障诊断 Abstract For fault diagnosis of locomotive speed sensor, a predictor method based on RBF neural network is established, and diagnostic decision method is also proposed. The RBF neural network predictor and three kinds of fault mode of locomotive speed sensor are simulated by MATLAB. The simulation results indicate that this method can diagnose faults of the speed sensor online exactly, and provides a new idea for locomotive speed sensor fault diagnosis. Key words: locomotive; RBF neural network; speed sensor; fault diagnosis 1. 引言 机车速度传感器是通过测量机车车辆的主轮轴转速来实现列车控制功能的基础设备之一，其性能指标直接影响机车运行监控装置的正常功能，是整个控制系统的关键。但由于其工作环境复杂、恶劣，在列车控制系统中，测速传感器较薄弱，是机车车载设备故障的主要根源。目前，人工检测和定期维修校准是诊断测速传感器故障的最基本的方法，但其工作效率低、工作强度大、实时性差，已不能满足现代铁路系统的发展要求。 近年来，为了提高对典型的复杂、多目标、大滞后、非线性系统的故障诊断能力，同时提高故障诊断效率及降低误报率，采用现代故障诊断技术已成为目前故障诊断领域的研究热点。BP（Back Propagation，简称BP）神经网络是故障诊断中研究最广泛的一种，它采用多层感知器，并采用反向传播算法进行网络训练。但由于BP 算法涉及到非线性优化问题，同时调节权值采用的负梯度下降法存在局部极小点、收敛速度慢等，因而它就很难应用于实际系统当中。径向基函数RBF（Radial Basis Function，简称RBF）神经网络克服了BP神经网络的缺陷，相比BP神经网络，RBF神经网络具有更容易逼近函数的局部、训练时间短、更适合在线诊断等优点。本文以光电式脉冲测速传感器系统为基础，在分析常见故障模式及故障特征的基础上，采用RBF 神经网络的预测方法，建立速度传感器的故障诊断模型，实现对传感器系统的故障诊断和数据重构。 2. 关于神经网络的故障诊断方法 人工神经网络是由大量神经元以某种拓扑方式相互连接而成的，利用网络拓扑结构和权值分布实现非线性的映射，通过全局并行处理实现从输入空间到输出空间的信息变换，由于能够高精度地模拟人脑神经网络的实现过程，因此在故障诊断领域中得到广泛的应用。 RBF神经网络是一种前馈型网络，一般为3层结构，其结构如图1所示。该网络有n个输入、h个隐节点、m个输出。其中为网络输入矢量，为输出权值矩阵，为输出单元偏移，为输出向量，为第个隐节点的激活函数，∑表示输出层的线性激活函数，||*||则表示欧式范数。 图1 RBF神经网络结构 径向基函数，一般采用Gaussian 函数，表示为 式中：称为该函数的扩展常数或宽度。 越小，径向基函数的宽度就越小，其函数越具有选择性。于是，RBF网的输出层的第k个输出可表示为 式中：为输出层的调节权值；为隐含层的中心向量；为向量的欧几里德范数（即x与ci之间的径向距离）。 3.