基于徑向基神經網絡的旋轉機械故障診斷

摘 要:針對旋轉機械故障征兆與故障模式映射的復雜性，以及BP網絡容易陷入局部極小、收斂速度慢等缺點，提出基于徑向基(RBF)神經網絡的風機故障診斷方法。以風機振動信號的7段頻譜能量峰值作為故障特征，采用訓練好的RBF網絡進行故障辨識。結果表明，RBF網絡能滿足風機故障診斷的準確性，并在避免局部極小和節約訓練時間方面有較好的實用性。關鍵詞:RBF神經網絡; 故障診斷; 風機; 故障特征

中圖分類號:TN919-34文獻標識碼:A

文章編號:1004-373X(2010)18-0141-02

Fault Diagnosis of Rotary Machines Based onRBF Neural Network

WANG Qing-hua1， WANG Jing-tao2， DENG Dong-hua3

(1.School of Mechatronic Engineering， Xi’an Technological University， Xi’an 710032， China;

2.Guangxi Petrochemical Company， Qinzhou 535008， China; 3. China Petroleum Pipeline Engineering Corporation， Langfang 065000， China)

Abstract: Aiming the mapping complexity between fault symptoms and fault patterns of rotary machines， and the problems of falling easily into part minimums and low velocity of convergence in BP neural networks， a fault diagnosis method of fan based on Radial Basis Function (RBF) neural network is put forward. Making the seven frequency bands peak energy of vibration signals of a fan as fault symptoms， RBF network is trained to diagnose a fan， the results show that RBF network is a valid method of the fault diagnosis of fan in proving accuracy， repressing the network to sink local minimum and shortening the study time.Keywords: RBF neural network; fault diagnosis; fan; fault features

0 引 言

隨著旋轉機械大型化、自動化、高速化和復雜化的發展，其運行的可靠性和安全性日益受到重視，對其進行可靠、準確的故障診斷是石油、化工、冶金、礦山、機械等各行業安全生產的重要保障。設備故障診斷其實就是故障設備運行狀態的辨識，即對運行狀態進行分類識別，判斷設備有無故障，如果有，則要進一步判斷故障屬于哪一類，所以設備故障診斷實質上是一個模式識別問題[1]。學習機器是實現模式智能識別的最主要手段，訓練或獲得學習機器的方法稱為機器學習方法。機器學習方法是在一個由各種可能的函數構成的空間中尋找一個最接近實際分類函數的分類器。在設備故障診斷中，故障征兆與故障模式并不是簡單的一一對應的關系，其構成的故障特征空間比較復雜，常常不是線性可分的，有時甚至是完全不可分的。而學習機器中神經網絡能夠映射任意復雜的非線性關系，具有自學習、自組織、自適應等特性，并且具有極強的容錯和聯想能力、較快的計算速度，所以神經網絡被廣泛用于機械故障診斷識別中[2]。

BP(back propagation)神經網絡是目前故障診斷領域應用較多的一種網絡。但BP網絡采用的是梯度下降的搜索算法[2-3]，這就不可避免地出現了網絡收斂速度慢、容易陷入局部極小，并且BP網絡學習結果受初始權值分布影響較大，結果不穩定等問題。RBF(radial basis function)網絡可以避免陷入局部極小的可能，并且學習速度快。所以本文將徑向基神經網絡用于旋轉機械實現故障診斷。

1 RBF神經網絡

RBF網絡是一種多層前饋神經網絡[4-5]，結構與BP網絡相同，如圖1所示。輸入層到隱層為權值為1的固定連接，隱層到輸出層為權值為W的線性鏈接。隱層神經元基函數常采用高斯型徑向基函數。

隱層函數:φr=exp-X-cr22σ2r，r=1，2，…，R

輸出層函數:ym=f(x)=∑Mm=1Wmrφr

式中:cr為第r個隱層節點的數據中心;σr是第r個隱層節點的數據方差;Wmr是隱層到輸出層的連接權，X是神經網絡輸入向量。

徑向基神經網絡算法步驟如下:

(1) 從輸入向量中選一組初始中心值cr，初始化連接權值Wmr。

(2) 計算方差值σ=dmax/R;dmax是最大的距離;R是cr的數量。

(3) 計算網絡輸出ym=f(x)=∑Mm=1Wmrφr。

(4) 計算網絡誤差并判斷是否收斂。

(5) 若收斂，訓練結束。

(6) 否則，更新網絡學習參數cr，σr和Wmr，并轉到步驟(2)。

圖1RBF神經網絡結構示意圖

網絡學習參數的更新公式如下:

cr(n+1)=cr(n)+μce(n)Wmr(n)φr(n)σ2r(n)

σr(n+1)=σr(n)+μσe(n)Wmr(n)φr(n)σ2r(n)

Wmr(n+1)=Wmr(n)+μWem(n)φr(n)

em(n)=ym(n)-dm(n)

式中:dm(n)為樣本目標輸出;μc，μσ，μW是3個學習參數的學習步長。

2 風機故障樣本組織

風機的故障常從振動狀況表現出來，因此采用振動信號進行監測與診斷是目前風機設備管理和維護的重要手段[6-8]。風機的常見故障有質量不平衡、轉子不對中、軸承座松動、油膜渦動、油膜振蕩、喘振、軸裂紋、旋轉失速等故障[9-10]。

利用振動信號進行時域或頻域分析，從中提取可以反映故障模式的征兆信息，用于學習機器的訓練，獲得訓練好的學習機器以用于對風機故障的智能診斷與識別。其中，風機的振動信號在頻域內的能量分布具有比較明顯的特點，因此，可以采用5段譜、7段譜或9段譜特征作為主要的故障征兆。在此采用7段譜的能量峰值作為故障征兆，表1列舉了6種典型故障在7段頻譜中的特征。表中樣本的網絡輸入均為歸一化后的數據，網絡目標輸出設置為對角矩陣格式，如表1中最后一列所示。

表1 風機常見故障模式樣本

故障樣本0~0.4 f0.4~0.5 f0.5~0. 9 f1 f2 f3~5 f>5 f目標輸出

不平衡0000.90.050.050000001

不對中0000.30.60.100000010

油膜振蕩0101000000100

油膜渦動0.10.80.11000001000

喘振0.80010.20.30.2010000

松動0.900000.10100000

3 基于RBF神經網絡的風機故障診斷

采用RBF神經網絡進行風機故障診斷，只需向系統輸入待診斷信號的特征量，系統就自動判斷故障類型，可大大減輕故障診斷人員的工作量。

在RBF網絡進行工作以前，首先需要組織一定數量的訓練樣本對RBF網絡進行訓練，訓練好的RBF網絡的數據中心cr，方差σr和連接權Wmr保持固定。這時RBF網絡就可以進行工作了，當待識樣本的故障征兆與記憶中的某個對應故障特征相近時，神經網絡輸出其對應故障模式。在本例中，RBF網絡輸入層、隱層、輸出層的神經元節點個數分別為7-6-6;最大循環次數設置為5 000，訓練誤差為0.000 1，隱層節點個數為幾次試選后根據學習速度與學習準確率而選擇的。需要強調且注意的是樣本特征在輸入RBF神經網絡之前必須進行歸一化，以避免因為特征間量級的差異太大使得某些特征的失效。

表2為一組待識別的振動信號各個頻段上的振幅特征值，將其歸一化后輸入訓練好的RBF神經網絡，求出RBF網絡輸出結果如表3所示。

表2 待識故障樣本

故障樣本0~0.4 f0.4~0.5 f0.5~0. 9 f1 f2 f3~5 f>5 f

待識模式10000.8510.020

待識模式200.68010.10.010

待識模式30.8500100.20.1

表3 網絡輸出結果

輸出節點123456

待識模式10.000 20.023 0-0.000 40.138 70.985 60.098 0

待識模式2-0.0130.205 10.967 30.009 4-0.012 40.108 2

待識模式30.056 30.971 20.110 80.000 5-0.003 20.070 6

將網絡輸出與各模式閾值進行比較，如果輸出結果大于預設閾值，則此故障發生，否則不發生該故障。本例中，閾值設為0.9，由表3網絡輸出結果，可以看出，3個故障模式分別對應第5，3，2個輸出節點大于閾值0.9，故可以診斷出3個待識樣本的故障類型分別轉子不對中、油膜渦動和喘振，這與實際工作情況相符。

4 結 語

本文提出了基于徑向基神經網絡的旋轉機械故障診斷，在風機中利用振動信號頻譜中的7個頻段中的不同頻率成分的譜峰能量值作為特征輸入，采用RBF網絡進行故障辨識，結果表明，徑向基神經網絡能夠有效識別出旋轉機械系統各種典型故障，并且克服了BP算法易陷入局部極小和計算速度慢的缺點，提高了診斷精度，適用于實時在線診斷要求。

參考文獻

[1]屈梁生，何正嘉.機械故障診斷學[M].上海:上海科學技術出版社，1986.

[2]焦李成.神經網絡的應用與實現[M].西安:西安電子科技大學出版社，1993.

[3]徐勇，荊濤.神經網絡模式識別及其實現[M].北京:電子工業出版社，1999.

[4]張玲，張鈸.人工神經網絡理論及應用[M].杭州:浙江科學技術出版社，1997.

[5]沈世鎰.神經網絡系統理論及其應用[M].北京:科學出版社，1998.

[6]汪光陽，周義蓮.風機振動故障診斷綜述[J].安徽工業大學學報，2006，23(1):64-68.

[7]陳蓮芳，徐夕仁.風機振動故障診斷及處理[J].熱能動力工程，2006，21(1):96-98，110.

[8]周邵萍，林匡行，蘇永升，等.風機振動分析與故障診斷[J].華東理工大學學報，1999，25(3):316-319.

[9]周麗霞，楊榮松，熊瑞平，等.改進的BP神經網絡在風機故障診斷中的應用[J].機床與液壓，2007，35(2):218-223.

[10]王立鵬，劉貴立，李小彭.基于BP神經網絡的風機轉子故障診斷[J].沈陽工業大學學報，2002，24(5):428-431.