基于RBF人工神经网络的风机故障诊断

1基于RBF人工神经网络的风机故障诊断李铁军朱成实叶龙王丹王学平/沈阳化工学院机械工程学院赵新君/沈阳鼓风机（集团）有限公司摘要：针对风机常见故障征兆与故障类型之间的非线性映射关系，结合专家知识建立了风机系统故障知识库，提出了基于径向基函数(RBF)人工神经网络的风机故障诊断方法。结果表明：该方法能克服诊断过程中容易陷入局部极小的缺点，并能满足故障诊断的快速性和准确性要求。关键词：RBF人工神经网络；故障诊断；风机中图分类号：TP11文献标识码：B文章编号：1006-8155（2007）05-0071-03FaultDiagnosisofFanBasedonRBFNeuralNetworkAbstract:Accordingtothenonlinearmappingrelationshipbetweenfaultsymptomandtypeoffan,therepositoryoffanfaultssystemisestablishedcombinedwithexperts’knowledge.ThefaultdiagnosismethodoffanbasedonRBFneuralnetworkispresented.Theresultshowsthatthemethodcanovercomethelimitationoflocalinfinitesimal,andcanmeettherequirementsforspeedinessandaccuratenessduringfaultdiagnosisprocess.Keywords:RBFneuralnetwork;faultdiagnosis;fan0引言由于风机广泛应用于各种生产设备中，其运行可靠性直接影响整个生产设备的安全性和稳定性，而故障诊断则是提高系统可靠性的主要途径。但由于风机的各种故障征兆与故障类型之间的关系是高度非线性关系，很难用具有线性关系的数学模型来进行故障诊断定位。而人工神经网络因具有任意精度逼近任何连续非线性函数，以及自组织、自学习和并行处理能力，在故障诊断中得到了广泛应用。因此，本文提出采用神经网络来建立故障诊断模型，解决风机的各种故障征兆与故障类型之间的非线性映射关系，实现故障诊断和定位。人工神经网络中的BP(BackPropagation)神经网络是目前故障诊断领域应用较多的一种网络。但是因为BP网络采用的是沿梯度下降的搜索求解算法，这就不可避免地出现了网络学习收敛速度慢的问题，甚至不收敛，而且更容易陷入局部极小。为了解决这个问题，本文将RBF(RadialBasisFunction)神经网络应用于故障诊断。RBF可以避免像BP学习算法那样冗长的迭代计算和陷入局部极值的可能，使学习速度比通常的BP算法快几十倍甚至上百倍[1]。1RBF人工神经网络原理RBF网络即RadialBasisFunctionNeuralNetwork，是以函数逼近理论为基础而构造的一种前向网络，它是由输入层、隐藏层和输出层组成的三层网络，如图1所示。输入层由信号源节点组成，第二层是隐藏层，该层的变换函数采用RBF。近年来的研究[2-3]表明：无论在逼近能力、分类能力(模式识别)和学习速度等方面RBF均优于BP网络。RBF网络的输出为)()(21KKNKikiCxWxfy(1)采用Gaussian函数作为径向基函数。)2exp()(22KKKCxx(2)2从Gaussian核函数可见，其中矢量参数ｘ是函数的自变量矢量，是输入；ｃ是常数矢量，径向基函数的中心；Φ(ｘ－ｃ)就是径向基函数。图1RBF网络拓扑机构Gaussian函数网络有3个学习参数：各RBF的中心KC、方差K和输出单元的权值KW。径向基函数网络算法步骤如下：（1）从输入向量中选一组初始中心值KC；（2）计算方差值Kdmax(3)式中maxd为最大的距离，K为KC的数量；（3）由输入)(nx计算)(ˆnyiKKMkKiCnxWny,),()(ˆ1(4)（4）更新网络参数)()()()1(nnenWnWW(5))()(),(),()()()()()1(2nCnxnCnxnnWnenCnCKKKKKCKK(6)22)()(),(),()()()()()1(nCnxnCnxnnWnennKKKKKKK(7)式中TNNncnxncnxncnxn),(),(,...,),(),(,),(),()(2211(8))()(ˆ)(nynynedi(9))(nyd为网络期望输出；,,CN为3个参数的学习步长。（5）如网络收敛，则计算停止，否则转到步骤（4）。2RBF神经网络训练学习2.1RBF神经网络训练样本综合历年数据分析可见，风机故障主要集中在转子的不平衡、不对中、油膜振荡、油膜涡动、气动力偶和喘振上。设备故障诊断的实质就是模式分类和模式识别，即由特征空间映输入层隐藏层输出层3射到故障空间。使用神经网络进行故障分类的关键是找出网络学习所需要的特征向量。由于在机器工作过程中，振动信号载有丰富的信息，而且在技术上监测相对容易。所以振动分析法在目前故障诊断中是最有效的方法。已有研究表明：旋转机械的振动信号的频谱，较为敏感地反映旋转机械的常见故障[4-6]。因此合理地统计选择各种故障的频谱特征就可以构成有效的故障特征向量，并将其作为神经网络的训练样本来训练故障诊断网络。通过对故障机理的研究和现场经验，风机常见故障模式样本见表1。采用幅值谱中7个频段上的幅值作为网络的输入样本，对上述风机的6种主要故障进行诊断分析。表1风机常见故障模式样本故障样本f4.0~01.0f5.0~41.0f99.0~51.0ff2f5~3f5理想输出不平衡0.00000.00000.00001.00000.00560.00550.0000001不对中0.00000.00000.00000.80001.00000.00200.0000010喘振0.85460.00000.00001.00000.12620.10400.1105011气动力偶0.50000.16661.00000.00000.00000.00000.0000100油膜振荡0.00000.95400.00001.00000.01000.00800.0000101油膜涡动0.00000.65300.00001.00000.01000.00840.00001102.2RBF神经网络的学习根据训练算法和提取出的故障样本集，RBF神经网络即可开始学习训练。当神经网络训练好以后，各个隐节点的数据中心相应的输出权值将不再改变，此时的神经网络可以进入工作状态。测试数据在进入神经网络之前必须经过归一化处理，形成故障征兆后再传递给神经网络。已训练好的神经网络中的数据中心和连接权值记录了各种故障的特征；当传递进来的征兆与记忆中的某个对应故障特征比较接近时，神经网络将对应的故障输出，这就是整个神经网络进行故障诊断的工作过程。3RBF神经网络故障诊断实例分析采用风机常见的故障模式样本对BP网络进行训练，由于故障征兆有7个，所以BP网络的输入层节点数为7；故障形式有6种，所以输出层节点数为6，设置个体训练误差为0.001，训练总误差为0.01。网络进行迭代运算21次之后达到误差精度要求。可见运算速度较快，从而节省了训练时间。采用测试样本表2中的数据进行测试，用以检测其故障诊断准确率。诊断结果见表3。根据网络实际输出表3可见，待识别故障1为不平衡；待识别故障2为油膜涡动；待识别故障3为喘振；待识别故障4为不对中；待识别故障5为油膜振荡，与实际工作情况相符。表2风机故障待识别样本故障样本f4.0~01.0f5.0~41.0f99.0~51.0ff2f5~3f5故障样本10.00000.00000.00001.00000.00500.00500.0000不平衡样本20.00000.67500.00001.00000.01400.00850.0000油膜涡动样本30.80010.00000.00001.00000.11000.12040.1145喘振样本40.00000.00000.00000.85201.00000.02300.0000不对中样本50.00000.95400.00001.00000.00150.00750.0000油膜振荡表3网络实际输出故障样本实际输出样本10.00010.0000.9999样本20.98750.99800.0010样本30.00000.99950.9965样本40.00001.00000.0015样本50.99850.00060.999844结论针对风机故障征兆与故障类型之间复杂的非线性关系，提出了基于RBF神经网络的风机故障诊断方法，给出了诊断原理，学习算法，仿真结果表明：该RBF神经网络能够有效识别出系统各种典型故障，对于非线性的系统故障识别能力达到预期目标，克服了计算速度慢的缺点，又提高了诊断精度，且不易陷入局部极小。参考文献[1]GoriM,TesiA.OntheProblemofLocalMinimainBackPropagation[J].IEEETransactiononPatternAnalysisandMachineIntelligence,1992,14(1):76-86.[2]SimonHaykin.NeuralNetworks:AComprehensiveFoundation(SecondEdition)[M].PrenticeHall,1999.[3]HamFM,KostanieI,PriciplesofNeuroComputingforScience&Engineering[M].McGrawHill,2001.[4]陈大禧，朱铁光.大型回转机械诊断现场实用技术[M].北京：机械工业出版社，2002.[5]屈梁生，何正嘉.机械故障诊断学[M].上海：上海科学技术出版社，1986.[6]廖伯瑜.机械故障诊断基础[M].北京：冶金工业出版社，2003.