基于RBF神經網絡的高速旋轉設備故障診斷技術研究

張燦輝 梁長友

【摘要】隨著高速旋轉設備日益得到廣泛應用。這些設備對加工質量及效率起著關鍵乃至核心作用，其造價往往相當昂貴。因此高速旋轉加工設備的損壞或產品報廢甚至僅僅是加工效率的降低都可能造成巨大的損失，為了確保高速旋轉設備的正常工作及對設備故障的預防，基于RBF神經網絡的高速旋轉設備故障診斷技術日趨發展。由于RBF神經網絡具有并行分布式處理、聯想記憶、自組織及自學習能力和極強的非線性映射特性，能對復雜的信息進行識別處理并給予準確的分類，因此可以用來對系統設備由于高速旋轉機械故障而引起的狀態變化進行識別和判斷，從而為高速旋轉設備故障診斷與狀態監控提供了新的技術手段。

【關鍵詞】神經網絡；故障診斷；狀態監控；故障預測

1.概述

RBF神經網絡用于高速旋轉設備故障診斷是近年來迅速發展起來的一個新的研究領域。RBF神經網絡作為一種新的新的模式識別技術，在高速旋轉設備故障診斷領域顯示的應用價值較為明顯。目前，神經網絡在高速旋轉設設備故障診斷領域的應用主要集中在以下幾塊：

（1）從故障預測的角度，應用RBF神經網絡作為動態預測模型進行高速旋轉設備的故障預測；

（2）從故障處理的角度，建立基于RBF神經網絡的高速旋轉設備故障診斷系統；

（3）從模式識別的角度，應用RBF神經網絡作為分類器對高速旋轉設備故障類型進行準確分類。

隨著計算機技術和人工智能的快速發展，特別是信息工程、專家系統的快速發展，為RBF神經網絡高速旋轉設備故障診斷技術的研究提供了新的方法和理論。同時為了提高RBF神經網絡故障診斷的實用性能，目前主要從RBF神經網絡模塊化神經網絡診斷策略和模型本身的改進兩個方面進行研究。

2.基于RBF神經網絡的故障診斷原理

RBF神經網絡系統具備高度非線性映射能力，RBF神經網絡是一個分布式的和并行的網絡處理結構，能有效存儲設備運轉過程的信息，能夠和已有的歷史故障信息進行對比，進而確定當前的運行狀態。圖1列出克基于RBF神經網絡的高速旋轉設備故障診斷一般框圖。

圖1 基于RBF神經網絡的高速旋轉設備故障診斷結構圖

基于神經網絡的高速旋轉設備故障診斷主要步驟：

a）神經網絡類型的確定

本步驟主要是選用哪種神經網絡、神經網絡參數以及神經網絡的層數。

b）輸人層的確定

對于輸人層的選擇，可以反映故障信息的參數作為輸入變量。

c）輸出層的確定

對各種故障狀態進行編碼，輸出節點數N為故障模式的總數，如果第i個節點輸出為1，其余輸出為0，表示第i個輸入接口故障存在。

d）網絡信號模擬

利用已有的故障參數和診斷結果對神經網絡進行信號模擬，模擬好的神經網絡數據中心記錄了各種故障的特征參數；當傳遞進來的特征參數與神經網絡數據中心記憶中的某個對應故障參數比較接近時，神經網絡輸出對應故障。

3.基于RBF神經網絡的旋轉機械故障診斷

RBF神經網絡通常是一種三層的前向網絡，它由輸入層、中間層和輸出層組成，如圖2所示每個輸入神經元和輸入向量X的元素相對應。中間層由n個神經元組成。每個輸入神經元與中間層神經元相連接，每個中間神經元計算一個核函數，通常為高斯函數。

圖2 RBF神經網絡結構

旋轉機械故障診斷過程中實測的振動信號經常是相互作用和相互干擾的多畔故障信號的疊加，這給正確的故障識別造成很大的困難。故障診斷過程中，分類器的分類規則固然重要，但是，如果所基于的故障特征沒有包含足夠的待識別信息或未能提取反映機器故障特征的信息，則診斷的結果肯定不準確。旋轉機械的故障模式樣本的輸入往往是高度非線性重疊的，因而很難用常規的模式分類方法將其分開，必須使用某種非線性的方法將其變換到更高維的空間里，以利于線性分類。用神經網絡進行故障診斷基本上以BP網絡為基礎.不可避免地存在收斂速度慢，容易陷入局部極小點等缺點，而近些年來，越來越多的RBF網絡應用于故障診斷，結果表明徑向基函數能夠使人工神經網絡更好地處理訓練數據以外的測試實例，并且訓練速度大大加快。

4.RBF神經網絡多參數診斷法的應用步驟

1）利用轉子實驗臺獲得不平衡、不對中故障、碰摩故障、松動故障和轉軸裂紋五種典型的旋轉機械故障的試驗數據。

2）利用振動信號頻譜中的8個頻段上的不同頻率的頻譜的譜峰能量作為特征值，具體數值見表1。

3）進行RBF神經網絡設計，確定神經元的個數、網絡半徑、中心以及調節權值。

4）將旋轉機械的各種故障狀態進行編碼，并用相應的特征參數組成訓練樣本，對網絡進行訓練，確定各單元間的連接權值以及偏差。

如表1所示，RBF神經網絡的期望輸出根據旋轉機械的5種工作狀態確定狀態碼為不平衡故障（0，0，0，0，1），轉軸裂紋（0，0，0，1，0），松動故障（0，0，1，0，0），不對中故障（0，1，0，0，0）碰摩故障（1，0，0，0，0）。

5）利用訓練好的神經網絡對旋轉機械進行狀態識別，根據輸出確定旋轉機械的狀態類別。

6）把使用過程中發現的錯誤判斷按實際輸入和期望輸出加入訓練樣本集，對網絡進一步訓練。

表2可以看到對于單一的故障，如故障1到故障4所示的碰摩、不平衡、不對中、裂紋和松動，對應的網絡輸出結點數值都大于0.76，而其他位置數值都比較小，所以RBF網絡能很準確地辨識出這些單一故障。而對于耦合故障6，節點1和節點2的數值都大于0.5，其他節點的數值接近于0，說明此時系統同時存在碰摩和不對中兩種故障，也就是說對于耦合故障，神經網絡也能比較正確地辨別。

參考文獻

[1]陳進.機械設備振動監測與故障診斷[M].上海：上海交通大學出版社，1999.

[2]盛兆順.設備狀態監測與故障診斷技術及應用[M].北京：化學工業出版社，2003.

[3]何正嘉.機械故障診斷理論及應用[M].北京：高等教育出版社，2010.

[4]尹朝慶.人工智能與專家系統[M].北京：中國水利水電出版社，2002.

[5]王萬林.人工智能原理及其應用[M].北京：電子工業出版社，2000.

[6]胡伍生.神經網絡理論及其工程應用[M].北京：測繪出版社，2006.

作者簡介：

張燦輝（1987—），男，河南伊川人，學士，洛陽銅加工集團有限責任公司助理工程師，研究方向：機械設備。

梁長友（1984—），男，安徽太和人，學士，上海市建設機電安裝公司助理工程師，研究方向：機械設備。