RBF神經網絡在旋轉機械故障診斷中的應用

摘 要：為克服BP網絡在機械故障診斷中存在的訓練收斂速度慢且容易陷入局部極小、網絡初值對學習性能影響比較大等缺陷，提出了一種基于最近鄰聚類學習算法的RBF神經網絡模型，并將該模型應用于旋轉機械的故障診斷中。應用結果表明， RBF網絡訓練速度快、分類性能良好，在設備故障診斷領域具有很好的實用性。

關鍵詞： RBF神經網絡；故障診斷；旋轉機械

旋轉機械是石油、化工、冶金、機械等行業生產中的關鍵設備，隨著其大型化、自動化、高速化和復雜化發展，運行的可靠性和安全性日益受到重視。因此對其進行可靠、準確的故障診斷具有十分重要的意義。

但是旋轉機械結構的復雜性和耦合性又使得其故障具有多樣性、模糊性和隨機性等特點，因此很難用傳統的模式分類技術將這些故障截然分開。而人工神經網絡具有非線性模式分類性能和很強的自組織、自學習能力[1]，不需要預先給出關于模式的先驗知識和判別模型就能夠通過自組織和自學習機制自動地形成所要求的決策域。神經網絡技術用于機械故障診斷較為成熟的是BP網絡，但在實際的應用中，BP網絡采用的是沿梯度下降的搜索求解算法，這就不可避免的出現了網絡學習收斂速度慢、易陷入局部極小、網絡初值對學習性能影響比較大等缺陷[2]。本文提出一種基于RBF網絡的旋轉機械故障診斷方法，并在實際應用中證明了其學習速度和分類能力均優于BP網絡。

1.RBF神經網絡

1.1. RBF神經網絡拓撲結構

典型的RBF神經網絡是具有單隱層的3層前饋網絡，一種局部逼近網絡，它能以任意精度逼近任意連續的函數[3]。

RBF神經網絡的第一層為輸入層，由信號源節點組成；第二層為隱含層，其單元數視所描述的需要而定；第三層為輸出層，它對輸入模式的作用做出響應。輸入層節點只是傳遞輸入信號到隱含層，隱含層節點由像高斯函數那樣的輻射作用函數構成，輸出層節點通常是簡單的線性函數。隱含層節點中的作用函數對輸入信號將在局部產生響應。

1.2. RBF神經網絡的學習算法

神經網絡其結構從根本上決定了其性能及訓練的方法、速度，而訓練算法本身的可行性、有效性、快速性也體現了該網絡的優劣以及應用前景。RBF神經網絡算法比BP算法復雜性要高，RBF網絡的訓練過程分為兩步：輸入層到隱含層采用無教師指導的聚類方法訓練，以確定網絡中心向量和半徑，常用的是K-均值算法和模糊聚類方法；隱含層與輸出層之間的權值調整采用有教師指導的算法，以確定權重向量，例如采用遞推最小二乘方法等。

2.RBF神經網絡在旋轉機械故障診斷中的應用

2.1. 學習樣本的建立

在BENTLY RK-4模擬轉子試驗臺上進行實驗研究，從測振傳感器提取出的時域連續振動信號，經A/D轉換，DFT（FFT）分析，得到振動信號的頻譜分析。本文以旋轉機械中常見的質量不平衡、轉子熱彎曲、軸向碰磨等8種故障作為網絡輸出，利用振動信號頻譜中的7個頻段上的不同頻率的譜峰能量值作為特征量，形成訓練樣本和樣本的目標輸出如表1所示（表中“f”為轉子的工作頻率）。樣本的目標輸出中1表示對應故障發生，0表示對應故障不發生。

3.結論

與目前廣泛應用的BP算法相比，RBF網絡從根本上避免了陷入局部極小點的問題；并且RBF網絡訓練速度非常快；在旋轉機械故障診斷中的實際應用中表明，改進型網絡能夠對旋轉機械各種復雜狀態做判斷， 具有良好的實用性.

參考文獻：

[1] 王偉. 工神經網絡—入門與應用[M]. 北京： 航空航天大學出版社，1995.

[2] 蘇高利. 基于MATLAB語言的BP神經網絡的改進算法[J]. 科技通報2003，19（2）：130-135.

[3] 王立新. 自適應模糊系統與控制—設計與穩定性分析[M]. 北京： 國防工業大學出版社，1955.

作者簡介：

張忠奎（1982.12.20-），男，山東濰坊人，畢業于山東理工大學，機械專業教師，碩士研究生，研究方向：工業機器人軌跡規劃。