基于RBF神經網絡知識的智能故障診斷系統研究與實踐

常明++王瑩瑩

摘 要：該文分析了徑向基函數RBF神經網絡的原理、結構模型、學習算法，并以某系統的電源模塊故障為例，給出了RBF神經網絡故障診斷系統的結構，并建立RBF網絡模型進行學習、訓練與仿真，結果證明此種故障診斷方法可以改進BP神經網絡的一系列缺點，切實可行，具有較強的實用價值。

關鍵詞：神經網絡 故障診斷 RBF神經網絡 BP神經網絡

中圖分類號：TP183 文獻標識碼：A 文章編號：1672-3791（2016）12（a）-0123-02

隨著計算機技術和智能控制技術的發展，使得各種系統的復雜程度和智能化程度越來越高，因此整個系統的安全性問題和可靠性問題日益受到關注，一旦系統中出現某些細小的故障，如果不能及時檢測和排除，就可能造成整個系統的癱瘓，甚至造成災難性的后果。因此，故障預測與診斷就顯得尤為重要。現有的故障診斷方法有很多，其中一種很有生命力的方法就是以知識為基礎的診斷辦法，因為它是以不需要對象的精確數學模型為前提的，而神經網絡故障診斷方法是這類方法中的一個重要分支。筆者曾利用BP神經網絡構建智能故障診斷系統，通過實驗仿真結果的分析，證明BP神經網絡能夠有效地完成故障診斷任務，但是BP神經網絡在應用中也存在一定的局限性，近幾年提出的徑向基函數RBF在某些方面可以彌補BP神經網絡存在的局限性，理論上認為RBF更適用于故障診斷，但缺乏實證。因此，筆者建立了RBF網絡模型，利用在文獻[2]使用過的相同數據進行仿真訓練，確定其在故障診斷中的實際作用。

1 RBF神經網絡知識的相關知識

1.1 RBF神經網絡原理

RBF神經網絡采用徑向基函數作為隱含層單元形成的隱層空間的“基地”，可以直接映射到隱層的輸入向量空間。非線性映射關系的確定是以徑向基函數的中心點的確定為前提的。網絡的輸出是線性加權隱層單元的輸出，對神經網絡的權值可以通過線性方程或LMS直接獲得（MMSE）的方法，這樣可以避免局部極小問題還可以加快學習速度。

1.2 RBF神經網絡結構

RBF神經網絡的拓撲結構是一種三層前饋網絡，與它相似的還有多層前饋網絡。RBF網絡的隱層節點組成一個輻射狀的功能，這里可以利用高斯函數。輸入層節點只將輸入信號傳輸到隱含層，輸出層節點通常是簡單的線性函數。 隱含層節點中的函數（核函數）產生對輸入信號的回聲，即當輸入信號接近核函數的中心范圍時，隱含層節點將產生大的輸出。X、Y、Z分別為輸入節點、隱含層節點和輸出節點。隱含層單元的作用相當于在輸入模式的變化，低維模型的輸入數據被轉換到高維空間，輸出層的分類和識別也由它完成。高斯函數作為RBF網絡的隱含層單元的變換函數，在輸入數據中進行特征提取是由隱含層單元的變換作用完成的。

1.3 RBF神經網絡學習算法

方差σi、基函數的中心Ci以及隱含層與輸出層間的權值ωi，是RBF網絡學習需要的3個參數。正交最小二乘法、自組織選取中心法是RBF網絡學習用得比較多的兩種算法。聚類方法通常用來確定Ci 和σi。而LMS方法通常用來確定權值ωi，當然也可以使用偽逆法或最小二乘法求解。其中LMS權值ωi的調整規則為：nn，這里η為學習速率；n為迭代次數；為隱含層輸出；為期望輸出；ω（n）為權值向量。

RBF網絡的設計比普通前饋網絡的訓練要簡單和節約時間，因為它的結構相對簡單。只要滿足權值和閾值都正確以及隱含層的神經元數目足夠多的前提，那么此種網絡就能達到精確逼近任意函數的目的。

2 診斷系統的結構

圖1為利用RBF神經網絡構建的診斷系統結構圖。

3 應用實例與仿真

該文以某裝備電源模塊故障診斷為例，構建RBF神經網絡故障診斷系統，并進行故障診斷與仿真。故障類型對應的神經元輸出如表1所示。RBF模型是由一層隱含層來構成的，在模型中最關鍵的是隱含層的中心及隱含層節點數的確定，在該例中確定為利用K均值聚類法來實現，當然在此過程中還必須考慮實際輸出樣本數據的影響。筆者主要關注網絡的學習精度以及網絡的泛化能力，因為從這兩點可以看出網絡是否能實現預定目標。

校正參數σi、Ci和ωi是網絡訓練的主要任務，這樣才能使性能指標趨于最優，以滿足誤差及精度要求。該文采用正交最小二乘法OSL訓練RBF網絡。我們不斷訓練網絡，以達到確定最佳隱含層神經元個數的目的，最終我們確定其個數為120。

對RBF神經網絡的訓練我們通過MATLAB工具來實現，對于一個隱含層為120的RBF神經網絡模型來說，高斯函數作為其輸入層與隱含層之間的作用函數。表2為此網絡模型的實際仿真結果數據，根據對表2中數據的分析比較，可以得出結論，即通過RBF神經網絡進行故障診斷其準確率可達92.9%。

4 結語

該文在對徑向基函數RBF神經網絡研究的基礎上，提出了基于RBF神經網絡知識的故障診斷專家系統模型，在對具體實例的研究過程中通過實驗仿真，證明此種方法具有方法容易，結構簡單，訓練花費時間短，診斷結果準確率高的優點，而且克服了BP神經網絡容易陷入局部最小的缺點，尤其適用于專家知識難以整理和表示的故障診斷。但是，RBF在處理多故障方面同樣存在著不足，今后若能將RBF神經網絡與專家系統等其他故障診斷方法結合使用，必將提高系統的綜合診斷能力，這將是筆者下一步的研究方向。

參考文獻

[1] 霍一峰，王亞慧.基于Spiking的RBF神經網絡故障診斷算法[J].北京建筑工程學院學報，2011，27（4）：57-61.

[2] 方莉俐，張兵臨，禹建麗，等.用人工神經網絡預測電鑄自支撐金剛石-鎳復合膜沉積結果[J].稀有金屬材料與工程，2006，35（4）：638-641.

[3] 孫大洪，王發展，劉強，等.基于BP和RBF神經網絡的滾動軸承故障診斷比較[J].軸承，2010（2）：53-56.