rbf神经网络在旋转机械故障诊断中的应用

《rbf神经网络在旋转机械故障诊断中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、RBF神经网络在旋转机械故障诊断中的应用　　摘要：为克服BPX络在机械故障诊断中存在的训练收敛速度慢且容易陷入局部极小、X络初值对学习性能影响比较大等缺陷，提出了一种基于最近邻聚类学习算法的RBF神经X络模型，并将该模型应用于旋转机械的故障诊断中。应用结果表明，RBFX络训练速度快、分类性能良好，在设备故障诊断领域具有很好的实用性。　　关键词：RBF神经X络；故障诊断；旋转机械　　旋转机械是石油、化工、冶金、机械等行业生产中的关键设备，随着其大型化、自动化、高速化和复杂化发展，运行的可靠性和安全性日益受到重视。因此对其进行可靠、准确的故障诊断具有十分重要的意义。

2、　　但是旋转机械结构的复杂性和耦合性又使得其故障具有多样性、模糊性和随机性等特点，因此很难用传统的模式分类技术将这些故障截然分开。而人工神经X络具有非线性模式分类性能和很强的自组织、自学习能力[1]，不需要预先给出关于模式的先验知识和判别模型就能够通过自组织和自学习机制自动地形成所要求的决策域。神经X络技术用于机械故障诊断较为成熟的是BPX络，但在实际的应用中，BPX络采用的是沿梯度下降的搜索求解算法，这就不可避免的出现了X络学习收敛速度慢、易陷入局部极小、X络初值对学习性能影响比较大等缺陷[2]。本文提出一种基于RBFX络的旋转机械故障诊断方法，并在实际应用中

3、证明了其学习速度和分类能力均优于BPX络。　　1.RBF神经X络　　1.1.RBF神经X络拓扑结构　　典型的RBF神经X络是具有单隐层的3层前馈X络，一种局部逼近X络，它能以任意精度逼近任意连续的函数[3]。　　RBF神经X络的第一层为输入层，由信号源节点组成；第二层为隐含层，其单元数视所描述的需要而定；第三层为输出层，它对输入模式的作用做出响应。输入层节点只是传递输入信号到隐含层，隐含层节点由像高斯函数那样的辐射作用函数构成，输出层节点通常是简单的线性函数。隐含层节点中的作用函数对输入信号将在局部产生响应。　　1.2.RBF神经X络的学习算法　　神经X络其结构

4、从根本上决定了其性能及训练的方法、速度，而训练算法本身的可行性、有效性、快速性也体现了该X络的优劣以及应用前景。RBF神经X络算法比BP算法复杂性要高，RBFX络的训练过程分为两步：输入层到隐含层采用无教师指导的聚类方法训练，以确定X络中心向量和半径，常用的是K-均值算法和模糊聚类方法；隐含层与输出层之间的权值调整采用有教师指导的算法，以确定权重向量，例如采用递推最小二乘方法等。　　2.RBF神经X络在旋转机械故障诊断中的应用　　2.1.学习样本的建立　　在BENTLYRK-4模拟转子试验台上进行实验研究，从测振传感器提取出的时域连续振动信号，经A/D转换，DF

5、T（FFT）分析，得到振动信号的频谱分析。本文以旋转机械中常见的质量不平衡、转子热弯曲、轴向碰磨等8种故障作为X络输出，利用振动信号频谱中的7个频段上的不同频率的谱峰能量值作为特征量，形成训练样本和样本的目标输出如表1所示（表中f为转子的工作频率）。样本的目标输出中1表示对应故障发生，0表示对应故障不发生。　　3.结论　　与目前广泛应用的BP算法相比，RBFX络从根本上避免了陷入局部极小点的问题；并且RBFX络训练速度非常快；在旋转机械故障诊断中的实际应用中表明，改进型X络能够对旋转机械各种复杂状态做判断，具有良好的实用性.