基于rbf神经网络的强流lia故障诊断与性能评价技术

《基于rbf神经网络的强流lia故障诊断与性能评价技术》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!"卷!第!!期强激光与粒子束#$%&!"!’$&!!!!())*年!!月+,-+./012345124’6.427,831914:5’$;&!())*!文章编号!!!))!<=>(("())*#!!

2、术相结合实现故障智能诊断和性能评价的方法$该方法以强流3,4高维信号的小波包结点能量提取的特征向量来表征信号平顶%脉宽以及暂态特性$在此基础上!建立了&神龙一号’加速器腔电压及注入器出口束流故障诊断与性能评价原型系统!该系统不仅可进行故障诊断和性能评价!还可探测到加速器运行参数的变化趋势!为加速器的精细维护提供预测信息$!!关键词!!故障诊断(!强流直线感应加速器(!小波分析(!特征提取(!29A神经网络!!中图分类号!!73@)B!!!!文献标识码!!4!!强流直线感应加速器"3,4#要求具有高稳定性和可靠性$针对强流3,4系统!国外从()世

3、纪")年代起)!<>*就开展了基于模式识别%人工智能等方法建立3,4故障智能诊断系统的研究$随着&神龙一号’加速器的建成!开展强流3,4故障智能诊断的研究!一方面可以对加速器运行状态进行快速判断和性能评价!另一方面通过对历史数据的分析!得到加速器运行参数随时间的变化趋势!提供预测维护信息!这对保证系统的可靠性具有重要的现实意义$!!针对强流3,4大量单次快脉冲非平稳信号建立故障诊断系统!要解决的问题是高维数据的特征提取以及模式识别与诊断$小波变换具有时频局部特性和变焦特性!而小波包分解的结点能量比直接利用小波包系数)=*能够得到更具鲁棒性的特征

4、!适用于非平稳信号的分析(神经网络具有自学习%自适应和鲁棒性!而29A)@*"2CDEC%9CFEFAGHIJE$H#神经网络具有快速的学习收敛能力和较好的泛化能力!近年来受到高度重视$本文把两者的优势结合起来!提出基于小波包分析与29A神经网络技术相结合以实现强流3,4故障诊断的方法!在脉冲信号的小波包分解的频带结点能量上提取3,4高维数据的特征值向量!该向量能表征信号的平顶%脉)**宽以及暂态特性!并实现了数据降维$在此基础上!以29A神经网络实现故障诊断%参数性能评价以及趋势预测$本文给出了应用上述方法实现&神龙一号’带束腔电压诊断%性能

5、评价系统以及注入器出口束流的预测维护系统$’!系统组成!!诊断系统结构如图!所示$示波器和逻辑分析仪测量的加速器电参数数字信号经-.,9接口实现数据采集并存储到数据库中$由于&神龙一号’脉冲信号是含噪信号!并且测量仪器大都工作在通道触发方式!因此在相同的数据记录长度上!每次实验测试数据脉冲出现的时刻不一致!需对信号进行预处理$从数据库取出的数据经过预处理后!AEK&!!5JLGIJGLM$NNCG%JDECKH$FEFFOFJMP进行小波包变换!对适合的频带上的结点能量进行信号特征向量的有图!!诊断系统结构效提取!提取的特征向量作为29A网络的

6、输入向量$选择具有代表性的样本!根据故障模式和分类特性!在有监督方式下完成网络的训练!从而可对加速器电测试参数进行故障诊断与性能评价$(!理论基础()’!信号特征提取!!当进行小波分解时!得到的高频信号和低频信号就在这个频域中分别占据了一半宽的频带!再次用小波分"收稿日期!())*<)=&I$P$第$$期杨兴林等)基于*+&神经网络的强流IJK故障诊断与性能评价技术$>??解时!又把低频部分分

7、为两个同样宽度的频带"小波包分解对高频部分也进行分解!对原始信号!进行"层分#!$解!假设!为第"层上第#个结点的重构信号!!对应的结点能量为"#"#"$"#%!&!"#%’&&#’%$&信号特征向量!可按如下方式构成!%#$#!%!$#!$!’$%"&""根据被分析的信号特征!选择适合的分解层数!使之和信号频谱相匹配!提取相应频带上的结点能量!从而构成信号的特征向量!并实现数据降维"!"!"#$%神经网络""*+&神经网络是局部逼近的三层前馈网络!图"为典型的单输出*+&网络结构示意图"从图中可知!该网络由输入层(隐含层和输出层组成"输出层神

8、经元的输出为隐含层输出的加权和"隐含层结点的基函数%一般采用60.77函数&对输入信号产生局部响应"#8$网络的输入输出关系为)"(%##"(!"%$