基于RBF人工神经网络的电动机振动故障诊断.pdfVIP

第 36 卷第 6 期 河 海 大 学 学 报 ( 自 然 科 学 版 ) Vol . 36 No . 6 ( ) 2008 年 11 月 Journal of Hohai University Natural Sciences Nov. 2008 DOI :10 . 3876/ j . issn .. 2008. 06 . 025 基于 RBF 人工神经网络的电动机振动故障诊断 葛 　强 ,徐俩俩 ,仇宝云 ,谈 　磊 ,唐建军 (扬州大学能源与动力工程学院 ,江苏 扬州 　225009) 摘要 : 针对电动机转子不平衡 、不对中、油膜涡动 、转子径向碰摩 、喘振 、轴承座松动等常见的几种 振动故障 ,用 RBF 网络对提取出的 6 种故障信息进行分类 ,判断故障类型 ,并进行了仿真试验 ,最 后将试验结果与BP 网络的诊断结果进行了详细的分析比较. 结果表明 ,RBF 网络可以应用于电动 机转子振动故障诊断 ,其诊断速度比BP 神经网络快 ,诊断结果也更为准确. 关键词 : RBF 网络 ; 电动机 ;振动 ;故障诊断 + ( ) 中图分类号 :TM307 . 1 　　　文献标识码 :A 　　　文章编号 :1000 1980 2008 060842 04 电动机主要由定子和转子 2 部分组成 ,转子既是电机的磁路部分 ,也是实现机电能量转换及机械传动的 重要部件. 由于电机运行中经常会出现各种振动故障 ,一旦故障停机必将给生产带来不可估量的损失 , 因此 很有必要对电机振动故障的类别进行准确诊断[ 14 ] . 旋转电机的现代故障诊断方法主要有以下几种 : (a) 基于 信号变换的诊断方法 ; (b) 基于专家系统的诊断方法 ; (c) 基于模糊理论的诊断方法 ; ( d) 基于 ANN 的诊断方 法. 近年来 ,神经网络技术迅速发展 ,基于 ANN 的诊断方法已十分普遍. 从预测角度用神经网络作为动态预 测模型进行状态预测 ,是神经网络在故障诊断领域应用的一个方面[56 ] . 研究表明:BP 网络具有收敛速度慢 和易陷入局部极小点的缺点[7 ] ;RBF 神经网络具有较强的模式识别和分类能力 ,学习速度快[8 ] ;不管哪种网 络 ,它们在故障监测中的应用仅停留在模拟仿真阶段[9 ] . 本文采用 2 种网络 , 即 RBF 网络和 BP 网络对异步 电机转子不平衡 、不对中、油膜涡动 、转子径向碰摩 、喘振 、轴承座松动 6 种常见故障进行诊断 ,并对这 2 种网 络的诊断结果进行了比较. 1 　RBF 网络和 BP 网络 11 　网络模型 径向基函数( ) radial basis function ,RBF 神经网络又称为局部感知场网络 ,是一种前向网络 ,一般由3 个部 分组成 :输入层 、隐含层和输出层. RBF 网络结构如图 1 所示. 输入层节点只传递输入信号到隐含层 ; 隐含层 ( ) 节点由辐射状作用函数 基函数 构成 ,最常用的是高斯函数 ,它可以对输入信号在局部产生响应 ,也就是说 , 当输入信号靠近基函数的中央范围时 , 隐含层节点将对其产生较大输出;输出层节点通常是简单的线性函 数 ,它的输出即为隐节点的输出 ,也是整个网络的输出. 隐节点常用的作用函数为高斯函数 ,其数学表达式为 2 ‖x - ci ‖