基于RBF人工神經(jīng)網(wǎng)絡的風機故障診斷

1、基于RBF人工神經(jīng)網(wǎng)絡的風機故障診斷 李鐵軍 朱成實 葉 龍 王 丹 王學平/沈陽化工學院機械工程學院 趙新君/沈陽鼓風機（集團）有限公司摘要：針對風機常見故障征兆與故障類型之間的非線性映射關(guān)系，結(jié)合專家知識建立了風機系統(tǒng)故障知識庫，提出了基于徑向基函數(shù)(RBF)人工神經(jīng)網(wǎng)絡的風機故障診斷方法。結(jié)果表明：該方法能克服診斷過程中容易陷入局部極小的缺點，并能滿足故障診斷的快速性和準確性要求。關(guān)鍵詞：RBF 人工神經(jīng)網(wǎng)絡；故障診斷；風機中圖分類號：TP11 文獻標識碼：B文章編號：1006-8155（2007）05-0071-03Fault Diagnosis of Fan Based on RBF

2、 Neural NetworkAbstract: 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 me

3、thod 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 引言由于風機廣泛應用于各種生產(chǎn)設備中，其運行可靠性直接影響整個生產(chǎn)設備的安全性和穩(wěn)定性，而故障診斷則是提高系統(tǒng)可靠性的主要途徑。但由于風機的各種故障征兆與故障類型之間的關(guān)系是高度非線性關(guān)系，

4、很難用具有線性關(guān)系的數(shù)學模型來進行故障診斷定位。而人工神經(jīng)網(wǎng)絡因具有任意精度逼近任何連續(xù)非線性函數(shù)，以及自組織、自學習和并行處理能力，在故障診斷中得到了廣泛應用。因此，本文提出采用神經(jīng)網(wǎng)絡來建立故障診斷模型，解決風機的各種故障征兆與故障類型之間的非線性映射關(guān)系，實現(xiàn)故障診斷和定位。人工神經(jīng)網(wǎng)絡中的BP(Back Propagation)神經(jīng)網(wǎng)絡是目前故障診斷領(lǐng)域應用較多的一種網(wǎng)絡。但是因為BP網(wǎng)絡采用的是沿梯度下降的搜索求解算法，這就不可避免地出現(xiàn)了網(wǎng)絡學習收斂速度慢的問題，甚至不收斂，而且更容易陷入局部極小。為了解決這個問題，本文將RBF(Radial Basis Function)神經(jīng)網(wǎng)絡

5、應用于故障診斷。RBF可以避免像BP學習算法那樣冗長的迭代計算和陷入局部極值的可能，使學習速度比通常的BP算法快幾十倍甚至上百倍1。1 RBF人工神經(jīng)網(wǎng)絡原理RBF網(wǎng)絡即Radial Basis Function Neural Network，是以函數(shù)逼近理論為基礎(chǔ)而構(gòu)造的一種前向網(wǎng)絡，它是由輸入層、隱藏層和輸出層組成的三層網(wǎng)絡，如圖1所示。輸入層由信號源節(jié)點組成，第二層是隱藏層，該層的變換函數(shù)采用RBF。近年來的研究2-3表明：無論在逼近能力、分類能力(模式識別)和學習速度等方面RBF均優(yōu)于BP網(wǎng)絡。RBF網(wǎng)絡的輸出為 (1)采用Gaussian函數(shù)作為徑向基函數(shù)。 (2)從Gaussian

6、核函數(shù)可見，其中矢量參數(shù)是函數(shù)的自變量矢量，是輸入；是常數(shù)矢量，徑向基函數(shù)的中心；()就是徑向基函數(shù)。輸出層輸入層隱藏層圖1 RBF網(wǎng)絡拓撲機構(gòu)Gaussian函數(shù)網(wǎng)絡有3個學習參數(shù)：各RBF的中心、方差和輸出單元的權(quán)值。徑向基函數(shù)網(wǎng)絡算法步驟如下：（1）從輸入向量中選一組初始中心值；（2）計算方差值 (3)式中 為最大的距離，K為的數(shù)量；（3）由輸入計算 (4)（4）更新網(wǎng)絡參數(shù) (5) (6) (7)式中 (8) (9)為網(wǎng)絡期望輸出；為3個參數(shù)的學習步長。（5）如網(wǎng)絡收斂，則計算停止，否則轉(zhuǎn)到步驟（4）。2 RBF 神經(jīng)網(wǎng)絡訓練學習2.1 RBF 神經(jīng)網(wǎng)絡訓練樣本綜合歷年數(shù)據(jù)分析可見，風

7、機故障主要集中在轉(zhuǎn)子的不平衡、不對中、油膜振蕩、油膜渦動、氣動力偶和喘振上。設備故障診斷的實質(zhì)就是模式分類和模式識別，即由特征空間映射到故障空間。使用神經(jīng)網(wǎng)絡進行故障分類的關(guān)鍵是找出網(wǎng)絡學習所需要的特征向量。由于在機器工作過程中，振動信號載有豐富的信息，而且在技術(shù)上監(jiān)測相對容易。所以振動分析法在目前故障診斷中是最有效的方法。已有研究表明：旋轉(zhuǎn)機械的振動信號的頻譜，較為敏感地反映旋轉(zhuǎn)機械的常見故障4-6。因此合理地統(tǒng)計選擇各種故障的頻譜特征就可以構(gòu)成有效的故障特征向量，并將其作為神經(jīng)網(wǎng)絡的訓練樣本來訓練故障診斷網(wǎng)絡。通過對故障機理的研究和現(xiàn)場經(jīng)驗，風機常見故障模式樣本見表1。采用幅值譜中7個頻段

8、上的幅值作為網(wǎng)絡的輸入樣本，對上述風機的6種主要故障進行診斷分析。表1 風機常見故障模式樣本故障樣本理想輸出不平衡0.00000.00000.00001.00000.00560.00550.00000 0 1不對中0.00000.00000.00000.80001.00000.00200.00000 1 0喘振0.85460.00000.00001.00000.12620.10400.11050 1 1氣動力偶0.50000.16661.00000.00000.00000.00000.00001 0 0油膜振蕩0.00000.95400.00001.00000.01000.00800.0000

9、1 0 1油膜渦動0.00000.65300.00001.00000.01000.00840.00001 1 02.2 RBF 神經(jīng)網(wǎng)絡的學習根據(jù)訓練算法和提取出的故障樣本集，RBF神經(jīng)網(wǎng)絡即可開始學習訓練。當神經(jīng)網(wǎng)絡訓練好以后，各個隱節(jié)點的數(shù)據(jù)中心相應的輸出權(quán)值將不再改變，此時的神經(jīng)網(wǎng)絡可以進入工作狀態(tài)。測試數(shù)據(jù)在進入神經(jīng)網(wǎng)絡之前必須經(jīng)過歸一化處理，形成故障征兆后再傳遞給神經(jīng)網(wǎng)絡。已訓練好的神經(jīng)網(wǎng)絡中的數(shù)據(jù)中心和連接權(quán)值記錄了各種故障的特征；當傳遞進來的征兆與記憶中的某個對應故障特征比較接近時，神經(jīng)網(wǎng)絡將對應的故障輸出，這就是整個神經(jīng)網(wǎng)絡進行故障診斷的工作過程。3 RBF 神經(jīng)網(wǎng)絡故障診斷實

10、例分析采用風機常見的故障模式樣本對BP網(wǎng)絡進行訓練，由于故障征兆有7個，所以BP網(wǎng)絡的輸入層節(jié)點數(shù)為7；故障形式有6種，所以輸出層節(jié)點數(shù)為6，設置個體訓練誤差為0.001，訓練總誤差為0.01。網(wǎng)絡進行迭代運算21次之后達到誤差精度要求?？梢娺\算速度較快，從而節(jié)省了訓練時間。采用測試樣本表2中的數(shù)據(jù)進行測試，用以檢測其故障診斷準確率。診斷結(jié)果見表3。根據(jù)網(wǎng)絡實際輸出表3可見，待識別故障1為不平衡；待識別故障2為油膜渦動；待識別故障3為喘振；待識別故障4為不對中；待識別故障5為油膜振蕩，與實際工作情況相符。表2 風機故障待識別樣本故障樣本故障樣本10.00000.00000.00001.0000

11、0.00500.00500.0000不平衡樣本20.00000.67500.00001.00000.01400.00850.0000油膜渦動樣本30.80010.00000.00001.00000.11000.12040.1145喘振樣本40.00000.00000.00000.85201.00000.02300.0000不對中樣本50.00000.95400.00001.00000.00150.00750.0000油膜振蕩表3 網(wǎng)絡實際輸出故障樣本 實際輸出樣本10.0001 0.000 0.9999樣本2 0.9875 0.9980 0.0010樣本3 0.0000 0.9995 0.99

12、65樣本4 0.0000 1.0000 0.0015樣本5 0.9985 0.0006 0.99984 結(jié)論針對風機故障征兆與故障類型之間復雜的非線性關(guān)系，提出了基于RBF神經(jīng)網(wǎng)絡的風機故障診斷方法，給出了診斷原理，學習算法，仿真結(jié)果表明：該RBF神經(jīng)網(wǎng)絡能夠有效識別出系統(tǒng)各種典型故障，對于非線性的系統(tǒng)故障識別能力達到預期目標，克服了計算速度慢的缺點，又提高了診斷精度，且不易陷入局部極小。參 考 文 獻1 Gori M, Tesi A. On the Problem of Local Minima in Back PropagationJ. IEEE Transaction on Pattern Analysis and Machine Intelligence, 1992, 14(1):76-86. 2 Simon Haykin. Neural Networks: A Comprehensive Foundation (Second Edition) M. Prentice Hall, 1999.3 Ham F M, K