徑向基函數(shù)神經(jīng)網(wǎng)絡下的轉子系統(tǒng)裂紋故障診斷處理

摘 要

針對轉子系統(tǒng)中出現(xiàn)的裂紋故障，本文利用徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡和基于模型轉子系統(tǒng)診斷技術在非線性系統(tǒng)動態(tài)辨識過程中的優(yōu)勢，提出了全新的轉子系統(tǒng)裂紋故障的診斷處理方式，此處理方式使用徑向基函數(shù)神經(jīng)網(wǎng)絡實現(xiàn)轉子系統(tǒng)裂紋故障的診斷處理，在診斷過程中通過已經(jīng)辨識到的信息對轉子系統(tǒng)故障進行快速的檢測及分離。通過研究分析，本文中提出的徑向基函數(shù)神經(jīng)網(wǎng)絡下的轉子系統(tǒng)裂紋檢測適用于在線檢測及定量識別。最后對此方法進行仿真，表示此方式有效。

【關鍵詞】徑向基函數(shù) 神經(jīng)網(wǎng)絡 轉子系統(tǒng) 裂紋 故障診斷

旋轉機械屬于工業(yè)領域中使用較為廣泛的機械設備，其核心就是轉子系統(tǒng)，具有多種振動形式。轉子系統(tǒng)會因為一系列的故障對正常工作造成影響，嚴重還會出現(xiàn)機毀人亡的事故，造成了較大的損失。在轉子系統(tǒng)出現(xiàn)故障的過程中，轉子系統(tǒng)振動信號和正常狀態(tài)的信號具有較大的差異，所以可以使用轉子系統(tǒng)振動信號實現(xiàn)轉子系統(tǒng)故障的分析和診斷。人工神經(jīng)網(wǎng)絡具有一定的非線性映射能力、容錯能力和學習能力，被廣泛應用到信號處理、故障診斷過程中。現(xiàn)代BP神經(jīng)網(wǎng)絡也被廣泛應用到機械故障診斷過程中，但是因為此算法存在一定的缺陷，無法在實際使用中推廣。徑向基函數(shù)神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡相比，其能夠避免陷入最小局部的可能性，并且還具有較快的學習速度和收斂速度?；诖耍疚木歪槍D子系統(tǒng)裂紋故障，使用徑向基函數(shù)神經(jīng)網(wǎng)絡進行診斷處理。

1 徑向基函數(shù)神經(jīng)網(wǎng)絡

徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡屬于局部逼近網(wǎng)絡，其具有較強的學習能力，并且結構較為簡單，具有較快的收斂速度，還能夠以任意精度逼近任意連續(xù)的函數(shù)。典型的徑向基函數(shù)神經(jīng)網(wǎng)絡主要包括隱層、輸入層、輸出層，輸入層節(jié)點的個數(shù)和輸入信號維數(shù)具有密切的聯(lián)系，隱層節(jié)點的個數(shù)和實際問題的描述需求具有密切的聯(lián)系，輸出層主要是通過目標輸出實現(xiàn)。

徑向基函數(shù)神經(jīng)網(wǎng)絡是一種分布式核函數(shù)學習模型，輸入模式的分布將核作為中心。X表示網(wǎng)絡n維輸入，y表示m維輸入。對于徑向基函數(shù)神經(jīng)網(wǎng)絡隱層節(jié)點i來說，輸出值屬于n維輸入向量x和網(wǎng)絡隱層節(jié)點中心Ci的組合運算，通過下式表示：

T表示轉子系統(tǒng)被檢測過程中的運行周期。轉子系統(tǒng)裂紋故障檢測和診斷過程為自動動態(tài)匹配，故障檢測及分離為相互并行，那么轉子系統(tǒng)裂紋故障診斷的策略為：將被檢測的轉子系統(tǒng)和動態(tài)估計器為0時候進行對比，如果在任意時間t>T對i∈（1，...，n），并且||vi0（t）||表示為檢測閾值，那么表示轉子系統(tǒng)正常。

4 系統(tǒng)仿真

通過相應運行狀態(tài)的神經(jīng)網(wǎng)絡，創(chuàng)建動態(tài)估計器。因為被檢測轉子系統(tǒng)在2s之前運行正常，在2s之后出現(xiàn)帶偏角輕微裂痕，動態(tài)估計器在X和Y方向中的速度殘差曲線詳見圖1.對圖1進行分析，動態(tài)估計器殘差在2s之前值最小，從而表示轉子系統(tǒng)運行正常。在時間接近2s時候動態(tài)估計器殘差不斷擴大，并且超過了相應閾值，從而表示轉子系統(tǒng)出現(xiàn)故障。在3s時候動態(tài)估計器殘差最小，從而表示系統(tǒng)出現(xiàn)了帶偏角輕微裂紋。部分原始網(wǎng)絡訓練1倍頻的能量特征值為：正常16.9356；偏心1238.47；不平衡6062.52；彎曲1550.02。部分歸一化網(wǎng)絡訓練1倍頻的能量特征值為：正常16.3774；偏心1231.81；不平衡6123.57；彎曲193.5211。神經(jīng)網(wǎng)絡歸一化的特點就是對同一樣本統(tǒng)計的分布進行歸納，將歸一化訓練樣本融入到神經(jīng)網(wǎng)絡中訓練，目標誤差為0.網(wǎng)絡目標輸出為：轉子正常1；轉子偏心2，轉子不平衡3，轉子彎曲4。神經(jīng)網(wǎng)絡通過多次迭代，訓練進度為10-29，訓練結果為 表示輸出結果和網(wǎng)絡目標輸出值相通，訓練結果正確率為100%，表示在轉子系統(tǒng)故障診斷中使用神經(jīng)網(wǎng)絡可行。

5 結束語

本文針對轉子系統(tǒng)裂紋故障，提出了徑向基函數(shù)神經(jīng)網(wǎng)絡下的轉子系統(tǒng)裂紋故障診斷處理方式，使用徑向基函數(shù)神經(jīng)網(wǎng)絡實現(xiàn)轉子系統(tǒng)裂紋的精準識別，并且通過已經(jīng)辨識的信息實現(xiàn)裂紋故障的在線監(jiān)測及診斷。和傳統(tǒng)神經(jīng)網(wǎng)絡故障診斷方式相比，此方法能夠通過常數(shù)神經(jīng)網(wǎng)絡的方式存儲，能夠在故障診斷過程中使用。

參考文獻

[1]熊國江，石東源，朱林.基于多輸出衰減徑向基函數(shù)神經(jīng)網(wǎng)絡的電網(wǎng)故障診斷[J].電力系統(tǒng)保護與控制，2013（21）：38-45.

[2]吳玉香，張景，王聰.基于徑向基函數(shù)神經(jīng)網(wǎng)絡的轉子系統(tǒng)裂紋故障診斷[J].控制理論與應用，2014，31（08）：1061-1068.

[3]沈艷霞，季凌燕，紀志成.基于徑向基函數(shù)神經(jīng)網(wǎng)絡故障觀測器的風能轉換系統(tǒng)容錯控制器設計[J].信息與控制，2015，44（03）：359-366.

[4]熊國江，石東源，朱林等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡的電網(wǎng)模糊元胞故障診斷[J].電力系統(tǒng)自動化，2014，38（05）：59-65.

[5]曹保鈺，陳國安，李偉等.基于RBF神經(jīng)網(wǎng)絡的多轉子故障類型診斷[J].現(xiàn)代制造工程，2013（05）：126-130.

[6]石東源，熊國江，陳金富等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡和模糊積分融合的電網(wǎng)分區(qū)故障診斷[J].中國電機工程學報，2014，34（04）：562-569.

[7]張景.基于確定學習的轉子系統(tǒng)故障診斷[D].華南理工大學，2014.

作者簡介

賈文雅（1982-），女，山西省臨汾市人。碩士學位。講師。研究方向為計算機應用。

作者單位

山西藥科職業(yè)學院 山西省太原市 030031endprint