基于径向基神经网络的旋转机械故障诊断.docVIP

基于径向基神经网络的旋转机械故障诊断 　　摘 要:针对旋转机械故障征兆与故障模式映射的复杂性,以及BP网络容易陷入局部极小、收敛速度慢等缺点,提出基于径向基(RBF)神经网络的风机故障诊断方法。以风机振动信号的7段频谱能量峰值作为故障特征,采用训练好的RBF网络进行故障辨识。结果表明,RBF网络能满足风机故障诊断的准确性,并在避免局部极小和节约训练时间方面有较好的实用性。关键词:RBF神经网络; 故障诊断; 风机; 故障特征 　　中图分类号:TN919-34文献标识码:A 　　文章编号:1004-373X(2010)18-0141-02 　　 　　Fault Diagnosis of Rotary Machines Based onRBF Neural Network 　　WANG Qing-hua1, WANG Jing-tao2, DENG Dong-hua3 　　(1.School of Mechatronic Engineering, Xi’an Technological University, Xi’an 710032, China; 　　2.Guangxi Petrochemical Company, Qinzhou 535008, China; 3. China Petroleum Pipeline Engineering Corporation, Langfang 065000, China) 　　Abstract: Aiming the mapping complexity between fault symptoms and fault patterns of rotary machines, and the problems of falling easily into part minimums and low velocity of convergence in BP neural networks, a fault diagnosis method of fan based on Radial Basis Function (RBF) neural network is put forward. Making the seven frequency bands peak energy of vibration signals of a fan as fault symptoms, RBF network is trained to diagnose a fan, the results show that RBF network is a valid method of the fault diagnosis of fan in proving accuracy, repressing the network to sink local minimum and shortening the study time.Keywords: RBF neural network; fault diagnosis; fan; fault features 　　 　　0 引 言 　　随着旋转机械大型化、自动化、高速化和复杂化的发展,其运行的可靠性和安全性日益受到重视,对其进行可靠、准确的故障诊断是石油、化工、冶金、矿山、机械等各行业安全生产的重要保障。设备故障诊断其实就是故障设备运行状态的辨识,即对运行状态进行分类识别,判断设备有无故障,如果有,则要进一步判断故障属于哪一类,所以设备故障诊断实质上是一个模式识别问题[1]。学习机器是实现模式智能识别的最主要手段,训练或获得学习机器的方法称为机器学习方法。机器学习方法是在一个由各种可能的函数构成的空间中寻找一个最接近实际分类函数的分类器。在设备故障诊断中,故障征兆与故障模式并不是简单的一一对应的关系,其构成的故障特征空间比较复杂,常常不是线性可分的,有时甚至是完全不可分的。而学习机器中神经网络能够映射任意复杂的非线性关系,具有自学习、自组织、自适应等特性,并且具有极强的容错和联想能力、较快的计算速度,所以神经网络被广泛用于机械故障诊断识别中[2]。 　　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BP网络采用的是梯度下降的搜索算法[2-3],这就不可避免地出现了网络收敛速度慢、容易陷入局部极小,并且BP网络学习结果受初始权值分布影响较大,结果不稳定等问题。RBF(radial basis function)网络可以避免陷入局部极小的可能,并且学习速度快。所以本文将径向基神经网络用于旋转机械实现故障诊断。 　　1 RBF神经网络 　　RBF网络是一种多层前馈神经网络[4-5],结构与BP网络相