基于RBF神经网络的往复压缩机气阀故障诊断

《基于RBF神经网络的往复压缩机气阀故障诊断》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、·88-工业仪表与自动化装置2013年第1期基于RBF神经网络的往复压缩机气阀故障诊断李宝栋，宿忠娥，柴世文(1．兰州工业学院机械工程系，兰州730050；2．兰州城市学院培黎工程技术学院，兰州730070；3．甘肃省机械科学研究院，兰州730030)摘要：提出了一种往复压缩机气阀的故障诊断方法。把往复压缩机气阀的振动信号作为识别故障的特征向量，送入RBF神经网络中，进行故障类别的自动识别。试验结果表明，该诊断模型对往复压缩机气阀故障诊断具有良好的诊断效果，系统不仅能够检测到往复压缩机气阀故障的存在，而且能够比较准确地识别往复压缩机气阀的故障模式。关键词：往复压缩机气阀；故障诊断；RBF

2、神经网络中图分类号：TH165．3文献标志码：A文章编号：1000—0682(2013)01—0088—03ValveofreciprocatingcompressorfaultdiagnosisbasedonRBFneuralnetworkLIBaodong，SUZhong’e，CHAIShiwen(1．DepartmentofMechanicalEngineering，LanzhouInstituteofTechnology，Lanzhou730050，China；2．BelieCollegeofEngineering&Technology，LanzhouCityUniversity

3、，Lanzhou730070，China；3．GansuAcademyofMachineryScience，Lanzhou730030，China)Abstract：Thispaperproposesamethodforfaultdiagnosisonvalveofreciprocatingcompressor．Ac—cordingtothevibrationsignalfeatures，recognitionoffaultpatternofreciprocatingcompressorvalvewaspresentedusingRBFneuralnetwork．Theexperimen

4、tresuhsshowthatthediagnosismodelhasbetterdi—agnosiseffect．Thesystemcannotonlydetectthefaultofvalvebutalsocanrecognizefaultpatterncor—rectly．Keywords：valveofreciprocatingcompressor；faultdiagnosis；RBFneuralnetwork可靠的故障诊断系统提供了可能。该文采用0引言RBF神经网络技术对往复式压缩机易产生故障的往复式压缩机是一种以压缩气体来提高气体压部位——气阀进行智能故障诊断。力或输送气体的

5、机械，广泛地应用在采矿、机械制1RBF神经网络造、土木、石化、制冷以及国防工业中。如果往复式压缩机因故障突然停机，有可能造成人员伤亡的重自神经网络产生以来，BP(BackPropagation)神大事故，后果非常严重。据统计，往复压缩机有经网络的介绍和使用较多。然而，BP神经网络的缺60％以上的故障发生在气阀上。气阀故障引起的停点也十分明显，它的收敛速度慢且易陷入局部极小。机次数，占总停机次数85％以上¨J。RBF(RadialBasisFunction)的训练速度快，逼近能近年来，由于人工智能理论的逐渐成熟，很多学力强J，而且没有诸如BP神经网络中收敛易陷入者对人工智能理论在设备故障诊

6、断中的应用进行了局部极小的缺点，近年来在设备故障诊断中也得到深入研究，但由于各种算法都具有不可克服的缺点，了广泛的应用。使故障诊断系统的准确率和可靠性不能满足要求，RBF神经网络是一种新颖的前向性神经网络，所以用于实际生产的故障诊断系统较少。神经网络它由三层网络构成，分别为输入层、隐含层和输出的较强的自学习能力和非线性拟合能力为构造准确层。RBF神经网络通过隐含层实现了低维空间的非线性问题到高维空间的线性问题的转换，使问题得以顺利解决J。RBF网络模型如图l所示。收稿日期：2012—10—17作者简介：李宝栋(1979)，男，甘肃省会宁县人，兰州工业学院机械工程系讲师，研究方向为数字化制

7、造技术。2013年第1期工业仪表与自动化装置·89·后进行试验。并运用小波包变换与能量算子对气阀故障特征进行提取，这种故障特征提取方法解决了对信号包络解调前需要人为确定载波带对信号进行带通滤波的问题。●MATLAB(R2011a)中利用Newrb()函数可构建：RBF神经网络，文中，使输入层神经元个数为l6，输图1RBF网络模型出层神经元个数为16，RBF的分布密度SPREAD的值暂取为2，训练目标误差取值为0．0001。网络输2R