基于RBF神经网络的内燃机活塞缸套磨损故障诊断(1)

《基于RBF神经网络的内燃机活塞缸套磨损故障诊断(1)》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、+ABB+&机床与液压’"’’#*1D*.基于Z+f神经网络的内燃机活塞,缸套磨损故障诊断游张平!李自光!"长沙交通学院汽车与机电工程系!湖南长沙%!’’V.#摘要!以Z+f网络为识别模型!对内燃机活塞,缸套磨损的几种故障进行分类训练!并应用于待识别故障样本的识别仿真!结果表明!基于Z+f的故障诊断方法优于基于+]网络故障诊断!在活塞,缸套故障诊断中是行之有效的方法"关键词!径向基函数#Z+f$%故障诊断%活塞,缸套磨损%神经网络中图分类号!(]!-#"(e%"!*"!!文献标识码!+!!文章编号!!’’!,#-

2、-!#"’’#$.,#"",#1*+9#/$)O’#2"(&’&(0:’&)(",N’"+-L+#-.(">’)’("O#&+>("H59E+/-#$E+)8(-I_Y34:4:<5>:;@;8>9AD<5>H@:95D95D<<8JA:;<897DA‘!7594HD

3、N8K:J;9H:NL;8HDKG$C$8D:98H94:9948N894D?DK948K:J;9?5:B95Q894:<948N894D?P:H8?D<+]<8JA:;<897DA‘5<948K:J;9?5:B

4、5HDKL5H9D<,;5<8A78:A>D&&Z:?5:;P:H5HKJ<>95D<%f:J;9?5:BD的线性映射!人工神经网络模型以其高度的并行处理信息的能#即)>R,4;>:;#($!>R!!"*.其中.是输出节点数";R!力!自组织及自学习和较强的联想记忆能力!在机械""#Z+f网络的工作原理的故障诊断中显示了极强的生命力"与基于规则的专Z

5、+f网络的工作原家系统相比!神经网络有如下优点&理可以分为两部分&可方便地获取新知识!克服专家系统获取知识的相似性计算!Z+f瓶颈问题"网络的隐含层相当于一网络训练灵活!可实现离线和在线学习"个相似度计算网络!采具有很强的容错性’鲁棒性及泛化和推广能力"用径向对称基的非线性目前普遍采用的网络模型为+]!但+]网存在图!!径向基函数神经网络函数来处理多维空间的着局部极值’收敛速度慢’出错可能性大和隐含层设输入数据!将其升维变换为以某多维空间点为中心的立缺乏理论等先天不足"而对于Z+f网络!由于其相似度值"结构简单!

6、每个隐节点映射函数是不同的非线性函线性组合与比较!输出层通过比较每个Z+f的数!所以可以保证快速的学习速度!并且是全局最贡献!调整其权系数!以达到对我们希望的输出数值优"本文以Z+f网络为诊断模型应用于内燃机活塞#模式$的最佳匹配",缸套磨损故障的振动诊断!取得了预期的效果!有效地改善了+]网络的不足!提高了诊断精度""!基于Z+f神经网络的内燃机活塞*缸套磨损故!!径向基函数#Z+f$网络的基本原理障诊断%"!#径向基函数网络的结构内燃机活塞,缸套的磨损状况可以用活塞与缸套径向基函数神经网络由三层组成!其结构如

7、图!之间的间隙来表示!间隙的大小反映了磨损的程度"所示!输入层节点只传递输入信号到隐层!隐层节点为了获得机身振动信号随间隙大小的变化规律!文献由像高斯函数那样的辐射状作用函数构成!而输出层(!)对四种不同间隙类型发动机进行了实验!这四种节点通常是简单的线性函数"隐层节点中的作用函数间隙分别为&’*!"#NNN!’*!.’NN!’*!U.NN!#基函数$对输入信号将在局部产生响应!也就是说!’*"-#NN%并对检测到的机身振动信号进行处理!以当输入信号靠近基函数的中央范围时!隐层节点将产提取信号特征#=&二次矩!=

8、&四次矩!=&最!"#生较大的输出!通常径向基函数是一个非线性径向对大绝对值!=&时间二次矩!=&最大幅值点$作%&称函数!最常用的是高斯函数&:;#($R8FL,为诊断指标""+(,<;+"!#网络训练模式对!;R!!"*#"它具有两个矢量参数=(")"*;对文献(!)四种不同间隙下测得的指标样本进和9"其中=是函数的自变量矢量"9是常数矢量!行归一化处理后!作为网络的