基于优化神经网络的机电设备安装中实时故障诊断方法研究-论文.pdf

《基于优化神经网络的机电设备安装中实时故障诊断方法研究-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、l量坌!snejIuFenx基于优化神经网络的机电设备安装中实时故障诊断方法研究孙巨岗(天津市汇和机电设备安装有限公司，天津300350)摘要：研究机电设备安装中实时故障诊断方法具有重要的实际意义。现针对传统算法在故障诊断方面的缺陷，提出一种基于优化神经网络的机电设备安装中实时故障诊断方法。对故障成分的主特征进行提取，作为神经网络的输入量，并对神经网络的学习速度进行了优化。实验结果表明，利用该算法进行机电设备安装中实时故障诊断，能够提高诊断效率和准确率，达到了实时诊断的要求。关键词：优化神经网络；机电设备；安装；故障诊断0

2、引言将矩阵的特征值进行次序排列，能够得到下述结果：A≥≥⋯≥0(6)随着工业化进程的不断推进，厂矿企业的数量也越来越这样，能够得到机电设备安装中的故障特征向量的变换多lJ]。在厂矿企业中，对机电设备安装中的故障进行准确诊矩阵：断，对于消除设备的安全隐患、降低设备故障率等都具有重要A一(，，⋯，)(7)的意义，因此，如何对设备安装过程中的故障进行实时诊断，成其中，<。为当前设备故障诊断领域的一个热门研究课题_2]。传统的设通过故障特征值的大小得到故障各个主成分的贡献，通常备安装中的故障诊断主要是通过人工进行，主观性强，效率低

3、，设置的值大于9O，即通过前m个故障特征的主成分描述随着故障诊断技术的进步，一些先进的故障诊断方法被应用到整个故障信息，并将m个故障特征的主成分作为神经网络的输机电设备安装中的故障诊断领域，并取得了显著的效果l_3]。但入量。是，随着制造业水平的不断提高，机电设备的体积越来越大，结构也越来越复杂。大型机电设备内部的部件之间形成了错综2建立故障诊断的神经网络模型复杂的关系。在大型机电设备安装过程中，一旦出现故障，将神经网络是一种解决非线性问题的工具，在模式识别与分会对故障特征造成非线性的干扰。传统的方法主要根据机电类方面具有

4、较强的优势，因此可以将其用于设备安装中的实时设备运行中的故障特征进行诊断，无法克服这种干扰造成的影故障诊断方面。本文用于机电设备安装中实时故障诊断的神响，从而降低了诊断的准确率。经网络为径向基(RBF)前向型神经网络，它由输入层、隐含层针对上述传统方法的缺陷，本文提出一种基于优化神经网和输出层构成。络的机电设备安装中实时故障诊断方法，对故障特征的主成分在RBF神经网络中，输入层与隐含层之间为线性关系，隐进行分析，并提取特征主成分作为神经网络的输入量，利用神含层与输出层之间为非线性关系，利用RBF神经网络进行机经网络构建故障

5、诊断模型，并对神经网络的学习速度进行优电设备安装中的实时故障诊断的具体方法如下所述：化。实验结果表明，该算法在机电设备安装中实时故障诊断方采集机电设备安装中的故障信号，并进行归一化处理，将面具有优势。其作为神经网络的输入信号，设置向输入层输入的待诊断数1对故障特征主成分进行分析据为：X一{zl，2，⋯，}(8)设置X为”维的故障特征向量，则可以用维特征向量的中，z一{l，z2，⋯，z}，—l，2，⋯，。加权和进行描述：则隐含层到输出层的数据能够描述为：X一∑∞(1)y一{Yl，Y2，⋯，-y。)(9)式中，a为故障特征的权

6、重；为故障的特征向量。利用下述公式能够描述隐含层中的激励函数：假设昭为正交向量，则有：G[]一p[]㈤一{其中，为输入量，C为激励函数的中心，为激励函数的宽其中，一{，伫，⋯，}，一1。度，上述激励函数是线性的。利用下述公式能够描述机电设备安装中的故障特征向量神经网络的输出数据是对隐含层的全部神经元加权后累X的白相关矩阵：加获得的，则利用下述公式能够描述神经网络的输出：R—ErXX](3)Y=∑g(11)将X一锄代入到公式(3)中，则有：利用下述公式能够对机电设备安装中的故障诊断误差进R—E(血8中)一西E(口)中(4)行

7、计算：故障特征之间的权重需要满足下述关系：E一百1∑{t一∑厂(∑叫一)一])(12)，一㈥在网络学习过程中，通过引入动量因子a(O<<1)对学习其中，R为X的自相关矩阵，，为矩阵的特征值。速度进行优化，其公式如下：(下转第150页)148