RBF和改進BP神經網絡在水泵振動故障診斷中的應用比較

史麗萍，湯家升，張曉蕾，余鵬璽，劉 鵬

?

RBF和改進BP神經網絡在水泵振動故障診斷中的應用比較

史麗萍，湯家升，張曉蕾，余鵬璽，劉 鵬

（中國礦業大學信息與電氣工程學院，江蘇徐州 221008）

針對水泵機組振動故障的復雜性，采用了應用較為成熟的基于改進誤差反向傳播（BP）和徑向基（RBF）神經網絡的故障診斷方法。依據歸一化的故障特征量樣本和目標期望輸出，對兩種診斷網絡進行了達標訓練。通過對工程現場提取的驗證數據進行網絡診斷測試和對比，證明RBF和改進BP兩種神經網絡的診斷方式均可以滿足診斷基本要求，但是改進BP神經網絡的診斷方式對故障定位更為快速精確。為水泵振動故障診斷技術的提升打下基礎。

水泵機組；振動故障；改進BP神經網絡；RBF神經網絡

0 引言

礦井水泵機組是一個由流體、機械、電磁三部分互相耦合的復雜非線性系統，很多振動故障類型和故障現象之間往往沒有非常明確的關系，各種故障的發生概率也不夠確定，使得對其故障結果的診斷難度較大[1]。近年來，隨著神經網絡技術在信號處理、智能控制、模式識別、非線性優化等方面應用的日趨成熟，將神經網絡用于水泵的振動故障診斷不失為一種有效的方法[2]。文中采用改進的誤差反向傳播（BP）神經網絡和徑向基（RBF）神經網絡兩種方法對棗莊大興礦水泵的振動信號進行了實驗診斷，并對診斷結果進行了詳細的分析比較，為水泵故障診斷技術的完善和提高提供了一定的理論依據。

1 水泵故障特征的提取

礦井采用的水泵機組設備主要是臥式離心式水泵和高壓異步電機，其主要工作原理是：異步電機帶動水泵轉子高速旋轉，水泵高速旋轉的葉輪葉片帶動液體旋轉，利用離心力將液體甩出，從而達到輸送的目的[3]。由工作原理可見，轉子作為水泵機組核心部件完成了水泵的主要功能，而振動信號能夠實時反映出轉子旋轉時大多數振動故障的特征，因此對水泵振動信號的分析是水泵故障診斷的有效途徑之一。結合旋轉機械的特點，本文重點分析如下9種主要的水泵機組振動故障類型：轉子不平衡，轉子不對中，油膜振蕩，泵內異物，水泵汽蝕，動靜磨碰，軸承支撐系統連接松動，葉輪和轉軸之間配合時效，轉軸橫向裂紋。其特征頻率和常伴頻率分別如表1所示。

表1 礦井水泵常見振動故障及對應頻率特征

在故障診斷系統中，選取合適準確的特征量對以后進一步的智能診斷有著非常重要的作用。頻率特性是旋轉故障診斷中最重要的特征之一，大部分故障都可以從頻率特性中診斷出來，因此，我們可以利用快速傅里葉變換提取信號在頻域上的特征量，比如幅值等作為故障分析的特征量。

結合通用的J.Sohre提出的故障特征征兆表，選取X1=（<0.4f）、X2=（0.40~0.49）f、X3=0.5f、X4=（0.51~0.99）f、X5=1.0f、X6=2.0f、X7=（3.0~5.0f）、X8=（>5.0f）以及X9=奇數倍f等共9種具有代表性的頻率成份作為特征頻率。然后以各個頻率段或者頻率點處所對應平均振幅和最大振幅的比值作為振動故障特征量，按照公式1進行歸一化，見表2。這樣得到的故障特征量是9維的，其中故障樣本號1至9對應于表格1中的9種相應的特征故障。

表2 水泵故障類型及其振動分布

式中n為所劃分的特征頻率段數目，（x）為第個節點的輸入參數，歸一化后（x）應該在0~1內。

2 BP神經網絡的故障診斷實現

2.1 網絡設計

BP網絡的輸入層和輸出層是與外界聯系的接口。由表2可知，每一種故障歸一化后的振動特征量個數為9，選擇輸入層數為9。對于輸出層，對應水泵機組9種特征故障，選擇輸出層數為9。樣本目標輸出見表3。其中故障樣本號1至9對應于9種相應的特征故障：轉子不平衡，轉子不對中，油膜振蕩，泵內異物，水泵汽蝕，動靜磨碰，軸承支撐系統連接松動，葉輪和轉軸之間配合時效，轉軸橫向裂紋。目標輸出中1.00代表故障，0.00代表無故障。

表3 樣本目標輸出

由于一個3層的前向傳播網絡可以逼近和模擬任意精度的函數，故而實際應用中一般使用3層BP神經網絡，因此，我們這里僅選擇一個隱含層。在工程實際中，最佳的隱含層節點數的確定往往需要依靠工程技術人員的經驗，并進行多次實驗之后才能確定。隱含層如果節點數過少，網絡模型比較粗糙，影響網絡的學習和判斷。而節點數過多，網絡劃分過細，抓不到樣本的主要特征，且會增加訓練時間[4-5]。這里我們可以先根據經驗公式2，來確定一個隱含層節點數p。

2.2 網絡訓練

根據已經確定的輸入輸出向量，在MATLAB中進行編程仿真測試。輸入節點的傳遞函數采用S型正切函數“tansig”，輸出節點傳遞函數采用S型對數函數“logsig”。訓練函數采用改進的動量及自適應lrBP的梯度遞減訓練函數“traingdx”[6-7]。“traingdx”算法可以更有效的處理局部極小點問題，并且能夠網絡訓練步數設定為1000次，訓練誤差為0.0001，初始學習速率為0.05，學習速率增加比率為1.05，減少比率為0.68，閾值動量因子為0.9。網絡訓練過程中時刻變化的誤差情況如圖1所示，可以看出當訓練步數達到686時，誤差小于0.0001，此時訓練結束。

該網絡下的樣本實際輸出整理后見表4。

圖1 BP網絡的訓練過程

表4 BP神經網絡樣本實際輸出

從表4中可見，樣本實際輸出中的故障點已經接近與1，非故障點接近于0，網絡的輸出值與期望值很接近，誤差已經小于規定數值，表明訓練后的網絡可行。

3 RBF神經網絡的故障診斷實現

RBF神經網絡可以有效改善傳統BP神經網絡難以確定網絡結構，收斂速度慢，存在局部極小點等缺陷，而且更適合于樣本數量比較多的情況。為驗證改進BP神經網絡的效果，本文同時采用RBF神經網絡作為改善效果對比。RBF神經網絡樣本的輸入與輸出和改進BP神經網絡相同。經過嘗試，網絡的散布常數值設定為0.6，仿真測試結果列表后見表5。

由表5可見，樣本實際輸出與期望輸出幾乎等同，相比于表4改進BP神經網絡的實際輸出結果更為精確一些。在仿真過程中，網絡訓練的時間相比于BP神經網絡訓練更為快速。

4 實驗測試

為了驗證兩種網絡對水泵故障診斷的準確性，我們從實驗現場采集到兩組已經確定轉子不平衡和水泵汽蝕故障的特征量進行驗證，振動頻譜的實驗數據歸一化后見表6。

使用BP神經網絡進行仿真驗證，輸出結果整理后見表7。

使用RBF神經網絡進行仿真驗證，輸出結果整理后見表8。

表5 RBF神經網絡樣本實際輸出

表6 振動頻譜征兆實驗數據

表7 改進BP神經網絡驗證輸出結果

表8 RBF神經網絡驗證輸出結果

由上表的網絡診斷結果可以判斷：

表7第一項0.9685和表8的第一項1.1129值最大，對應表3的樣本期望輸出，符合轉子不平衡故障，0.9685相比于1.1129更接近于1；表7第五項0.9898和表8第五項0.9855值最大，對應表3的樣本輸出，符合水泵汽蝕故障，0.9898相比于0.9855更接近于1。對于非故障項，改進BP神經網絡的診斷值相比于RBF神經網絡的診斷值值更接近于0。可以看出，實測結果與診斷結果非常吻合，由此驗證在改進BP網絡和RBF網絡均能夠滿足待檢數據的故障模式分類要求情況下，改進后的BP神經網絡的診斷數據相比于RBF神經網絡更為精確，改進是有效的。

5 總結

水泵機組振動故障的診斷比較復雜，本文采用優異于傳統BP神經網絡的RBF神經網絡和改進BP神經網絡兩種故障診斷方法完成診斷效果對比，雖然RBF神經網絡樣本輸出更接近于期望值，但是改進BP神經網絡的最終診斷結果更為精確。本文僅僅提取了九種常見故障的特征量作為診斷依據，具有一定的不全面性，在工程應用中還有很大提高余地。

[1] 卞紹順. 礦井水泵機組狀態監測與遠程故障診斷[D]. 中國礦業大學碩士論文2013（06）：17-20.

[2] 朱凱, 王正林. 精通MATLAB神經網絡[M]. 北京：電子工業出版社, 2010.

[3] 譚偉城. 離心式水泵振動監測與故障診斷[J]. 機械工程與自動化. 2011(3)：127-128.

[4] 游張平, 胡小平. 基于粒子群神經網絡的氣閥機構故障診斷[J]. 測控技術. 2011, 30（12）:102-105.

[5] 叢爽．面向MATLAB工具箱的神經網絡理論與應用[M]．合肥：中國科學技術大學出版社, 1998：45-73．

[6] 王永華. 現代電氣控制及PLC應用技術[M]. 北京: 北京航空航天大學出版社, 2009.

[7] You Z P，Li S Y，Li W L，et al．Modeling and simulation ofscrew axis based on PSO-BP neural network and orthogonalexperiment［A］．Proceedings of 2009 Second InternationalSymposium on Computational Intelligence and Design［C］．2009．

Comparison Between RBF Neural Network and Improved BP Neural Network in the Pump Vibration Fault Diagnosis

SHI Liping, TANG Jiasheng, ZHANG Xiaolei, YU Pengxi, Liu Peng

(School of Information and Electrical Engineering, China University of Mining and Technology, Xuzhou, 221008, China)

Considering the complexity of pump unit vibration fault, methods based on Radial Basic Function(RBF) neural network and an Improved BP neural network are given to fault diagnosis of pump vibration.According to the normalized failure characteristicssamples and desired output, two diagnosis networks are trained for the standard goal. By testing and comparing the data extracted from the project cite, the results showthat both the two methods meet the basic requirements of diagnosis，but Improved BP neural network is of higher precision and faster for identifying the fault location. The paper lays the foundation for bettering water pump vibration fault diagnosis technology.

pump unit; vibration fault;improved BP neural network; RBF neural network

TH318

B

1000-3983(2014)04-0059-04

2013-08-20

中國礦業大學青年科研基金資助項目（2008A020）

史麗萍(1964-)，2001年畢業于中國礦業大學獲博士學位，現任中國礦業大學信電學院教授，主要研究方向為電氣控制，電氣設備的故障診斷以及電力系統無功補償和諧波治理。

審稿人：樸秀日