基于RBF神经网络的高速旋转设备故障诊断技术研究.pdf

《基于RBF神经网络的高速旋转设备故障诊断技术研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一学变一I基于RBF神经网络的高速旋转设备故障诊断技术研究洛阳铜加工集团有限责任公司张灿辉上海市建设机电安装公司梁长友【摘要】随着高速旋转设备日益得到广泛应用。这些设备对加工质量及效率起着关键乃至核心作用，其造价往往相当昂贵。因此高速旋转加工设备的损坏或产品报废甚至仅仅是加工效率的降低都可能造成巨大的损失，为了确保高速旋转设备的正常工作及对设备故障的预防，基于RBF神经网络的高速旋转设备故障诊断技术日趋发展。由于RBF神经网络具有并行分布武处理、联想记忆、自组织及自学习能力和极强的非线性映射特性，能对复杂的信息进行识别处理并给予准确

2、的分类，因此可以用来对系统设备由于高速旋转机械故障而引起的状态变化进行识别和判断，从而为高速旋转设备故障诊断与状态监控提供了新的技术手段。【关键词】神经网络；故障诊断；状态监控；故障预测1．概述2．基于RBF~$经网络的故障诊断原理在。RBF神经网络用于高速旋转设备故障诊RBF~O经网络系统具备高度非线性映射能d)网络信号模拟断是近年来迅速发展起来的一个新的研究领力，RBF神经网络是一个分布式的和并行的网利用已有的故障参数和诊断结果对神经域。RBF神经网络作为一种新的新的模式识别络处理结构，能有效存储设备运转过程的信网络进行信号模拟，模拟好的神经网络数

3、据技术，在高速旋转设备故障诊断领域显示的息，能够和已有的历史故障信息进行对比，中心记录了各种故障的特征参数；当传递进应用价值较为明显。目前，神经网络在高速进而确定当前的运行状态。图1列出克基于来的特征参数与神经网络数据中心记忆中的旋转设设备故障诊断领域的应用主要集中在RBF~*经网络的高速旋转设备故障诊断一般框某个对应故障参数比较接近时，神经网络输以下几块：图。出对应故障。(1)从故障预测的角度，应用RBF神经网E困—匹呻囤3．基于RBF~$经网络的旋转机械故障诊断络作为动态预测模型进行高速旋转设备的故RBF神经网络通常是一种三层的前向网障预测；圈1基

4、于RBF神经网络的高速旋转设备故障诊断结构图络，它由输入层、中间层和输出层组成，如(2)从故障处理的角度，建立基于RBF神基于神经网络的高速旋转设备故障诊断图2所示每个输入神经元和输入向量x的元素经网络的高速旋转设备故障诊断系统；主要步骤：相对应。中间层由n个神经元组成每个输入(3)从模式识别的角度，应用RBF~O经网a)神经网络类型的确定神经元与中间层神经元相连接，每个中间神络作为分类器对高速旋转设备故障类型进行本步骤主要是选用哪种神经网络、神经经元计算一个核函数，通常为高斯函数。准确分类。网络参数以及神经网络的层数。随着计算机技术和人工智能的快速发

5、b)输人层的确定展，特别是信息工程、专家系统的快速发对于输人层的选择，可以反映故障信息展，为RBF}O经网络高速旋转设备故障诊断技的参数作为输入变量。术的研究提供了新的方法和理论。同时为了C)输出层的确定提高RBF~a经网络故障诊断的实用性能，目前对各种故障状态进行编码，输出节点数主要从fU3F神经网络模块化神经网络诊断策略N为故障模式的总数，如果第i个节点输出为和模型本身的改进两个方面进行研究。l，其余输出为0，表示第i个输入接口故障存表1神经网络测试样本12345678(0．Ol～0．39)f(0．0l～0．39)f0．5f(0．O1～0．39)f

6、2f(3～5)f>5，0．03430．02240．00060．11220．47320．04890．10190．2066O．01lO0．00450．00010．O4170．34750．14390．23370．2l770．12590．02460．00580．26310．26030．00300．04I50．27560．02020．00730．00090．03310．05090．2763O．14360．46750．Ol040．00440．00040．04130．67820．6160．0721O．13l5图2RBF神经网络结构0．0l470．0Ol20．0023

7、0．03500．41550．1546O．14340．2332旋转机械故障诊断过程中实测的振动表2RBF网络测试结果信号经常是相互作用和相互干扰的多畔故障输出节点3信号的叠加，这给正确的故障识别造成很大1．碰摩故障0．76550．16570．0504—0．050l0．06772．不对中故障0．19530．9l22—0．04930．0370—0．0725的困难。故障诊断过程中，分类器的分类规3．松动故障O．3153—0．05530．8320—0．0813-0．0039则固然重要，但是，如果所基于的故障特征4．转轴裂纹0．03500．0139—0．03410

8、．94850．0266没有包含足够的待识别信息或未能提取反映5．不平衡故障015570．067