基于RBF人工神经网络的电动机振动故障诊断

《基于RBF人工神经网络的电动机振动故障诊断》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、第36卷第6期河海大学学报(自然科学版)Vol.36No.62008年11月JournalofHohaiUniversity(NaturalSciences)Nov.2008DOI:10.3876/j.issn.1000O1980.2008.06.025基于RBF人工神经网络的电动机振动故障诊断葛强,徐俩俩,仇宝云,谈磊,唐建军(扬州大学能源与动力工程学院,江苏扬州225009)摘要:针对电动机转子不平衡、不对中、油膜涡动、转子径向碰摩、喘振、轴承座松动等常见的几种振动故障,用RBF网络对提取出的6种故障信息进行分类,判断故障类型,并进行了仿真试验,最后将试验结果与BP网络

2、的诊断结果进行了详细的分析比较.结果表明,RBF网络可以应用于电动机转子振动故障诊断,其诊断速度比BP神经网络快,诊断结果也更为准确.关键词:RBF网络;电动机;振动;故障诊断+中图分类号:TM307.1文献标识码:A文章编号:1000O1980(2008)06O0842O04电动机主要由定子和转子2部分组成,转子既是电机的磁路部分,也是实现机电能量转换及机械传动的重要部件.由于电机运行中经常会出现各种振动故障,一旦故障停机必将给生产带来不可估量的损失,因此[1O4]很有必要对电机振动故障的类别进行准确诊断.旋转电机的现代故障诊断方法主要有以下几种:(a)基于信号变换的诊断

3、方法;(b)基于专家系统的诊断方法;(c)基于模糊理论的诊断方法;(d)基于ANN的诊断方法.近年来,神经网络技术迅速发展,基于ANN的诊断方法已十分普遍.从预测角度用神经网络作为动态预[5O6]测模型进行状态预测,是神经网络在故障诊断领域应用的一个方面.研究表明:BP网络具有收敛速度慢[7][8]和易陷入局部极小点的缺点;RBF神经网络具有较强的模式识别和分类能力,学习速度快;不管哪种网[9]络,它们在故障监测中的应用仅停留在模拟仿真阶段.本文采用2种网络,即RBF网络和BP网络对异步电机转子不平衡、不对中、油膜涡动、转子径向碰摩、喘振、轴承座松动6种常见故障进行诊断,并

4、对这2种网络的诊断结果进行了比较.1RBF网络和BP网络111网络模型径向基函数(radialbasisfunction,RBF)神经网络又称为局部感知场网络,是一种前向网络,一般由3个部分组成:输入层、隐含层和输出层.RBF网络结构如图1所示.输入层节点只传递输入信号到隐含层;隐含层节点由辐射状作用函数(基函数)构成,最常用的是高斯函数,它可以对输入信号在局部产生响应,也就是说,当输入信号靠近基函数的中央范围时,隐含层节点将对其产生较大输出;输出层节点通常是简单的线性函数,它的输出即为隐节点的输出,也是整个网络的输出.隐节点常用的作用函数为高斯函数,其数学表达式为2‖x-

5、ci‖Ri(x)=exp-2(i=1,2,⋯,m)(1)2σi式中:x———n维输入向量;ci———第i个基函数的中心,是与x具有相同维数的向量;σi———第i个感知的变量(可以自由选择的参数),它决定了该基函数围绕中心点的宽度;m———感知单元的个数;‖x-ci‖———向量x-ci的范数,它通常表示x和ci的距离.Ri(x)在ci处有一个唯一的最大值,随着‖x-ci‖的增大,nRi(x)迅速衰减到零.对于给定的输入x∈R,只有一小部分靠近x的中心被激活.由图1可知:输入层输入为xi(i=1,⋯,n),输入层输出亦为xi(i=1,⋯,n);隐含层输入等于输入层输m出,隐含层

6、输出为Ri(x);输出层输入为∑wikRi(x)(k=1,2,⋯,p),输出层函数是线性函数,所以输出等i=1收稿日期:2008O03O06基金项目:国家自然科学基金(50279045);全国百篇优秀博士论文专项课题;扬州大学创新培育基金;扬州大学大学生学术科技创新基金作者简介:葛强(1965—),男,江苏南通人,副教授,博士,主要从事电机与电器、水利水电工程研究.第6期葛强,等基于RBF人工神经网络的电动机振动故障诊断843m于输入,即yk=∑wikRi(x)(k=1,2,⋯,p).i=1BP网络,即误差反向传播网络,它的网络模型与RBF的网络模型很相似,只是隐层作用函数

7、采用logsig函数,输出层函数依然是线性函数.112径向基函数网络工作原理从模式识别的角度看,径向基函数网络可以将在低维空间线性不可分的问题映射到高维空间而变得线性可分.在RBF网络中,隐层的作用函数常采用像高斯函数这样的非线性函数,而输出层的作用函数常采用线性函数.这图1径向基函数神经网络样,可把输出部分看成一个层感知器,只要合理选择隐层神经元个数及其作Fig.1RBFneuralnetwork用函数,就可以把原来在低维空间线性不可分的问题变成一个线性可分的问题,即原来不好处理的问题变得简单了,也就容易分析了.