基于RBF的某型發動機故障診斷

秦福星 呂飛 童大鵬

（海軍蚌埠士官學校機電系 安徽蚌埠 233012）

1 引言

徑向基（RBF）網絡是以函數逼近理論為基礎構造的一類前向網絡。徑向基函數網絡是一個只有兩層的網絡。在中間層，它以對局部響應的徑向基函數代替傳統的全局響應的激發函數。由于局部響應的特性，它對函數的逼近是最優的，而且訓練過程很短。由于它具有簡單的結構、快速的訓練過程及與初始權值無關的優良特性，在多維曲面擬合和大型設備故障診斷等領域有著較多的應用。

2 RBF在發動機故障診斷中的應用

2.1 特征參數的選擇

發動機故障的發生通常呈現出頻譜分布的特點，由此，考慮將頻率范圍進行劃分，將故障頻率劃分為低于1倍頻部分（0.01-0.4f, 0.41-0.5f,0.51-0.99f）和1倍頻、2倍頻、3-5倍頻等。通常，低于1倍頻的頻率部分主要反映齒輪、轉子特性，如轉子彎曲、齒輪故障、油膜渦動等；1倍頻頻率部分反映轉子不平衡狀態；2倍頻頻率部分對轉子不對中狀態等情況比較敏感；3-5倍頻頻率部分能反映出軸松動等情況。將上述6個頻段上的譜峰能量進行歸一化處理，將處理后的矢量值作為特征參數來建立故障樣本數據，如表1(f為工頻)所示。同時，根據現場試驗和對歷史數據的分析，可以采集到該型發動機發生故障時的振動信號，并將其6個頻段上的不同頻率的譜峰能量值歸一化處理，得到表3故障樣本數據。

應用上述診斷系統，對某型發動機中常出現的6種故障進行了診斷，利用6個頻段上的歸一化幅值作為特征參數，如表1所示。

2.2 故障模式的描述

利用0、1格式描述這6種故障模式，如表2所示。

2.3 網絡的建立與訓練

利用這些故障樣本數據作為訓練樣本，創建一個診斷用RBF神經網絡。

首先檢驗網絡對訓練數據的分類情況：

RBF神經網絡輸出結果與故障模式對應描述是一致的，表明網絡可以成功將故障模式分成6類。

用表3中采集到的故障數據，檢驗網絡的性能，程序代碼為：

表1 故障樣本數據

表2 故障模式分類

由此可見，網絡用于故障診斷是正確的。

3 結論

基于 RBF的故障診斷方法可以最大限度的利用故障先驗知識，在Bayes最小風險準則下進行單故障的診斷，網絡訓練速度快，有較高的診斷準確率。

表3 測試樣本數據

[1] 張鈴，張抜.人工神經網絡理論及應用[M].浙江：浙江科學技術出版社，1997.

[2] neural network toolbox. mathworks，2007.

[3] 李學橋.神經網絡工程應用[M].重慶：重慶大學出版社，1997.

[4] 葛哲學，孫志強.神經網絡理論與MATLAB R2007實現[M].北京：電子工業出版社, 2008.

[5] 莫劍東，徐章遂，米東.RBF神經網絡診在船用低速柴油機故障診斷中的應用研究[J].華北工學院測試技術學報，2001, (1).

[6] 張定會，邵惠鵬.基于神經網絡的故障診斷推理方法[J].上海交通大學學報, 1999, (8).

[7] Salama A E，Starzyk J A，Bandler J W.A unified decomposition approach for fault location in large analognetworks[J]. Intelligent Systems and Signal.Proce- ssing. 1984, 31.