基于RBF神经网络的高速旋转设备故障诊断技术研究

张灿辉 梁长友

【摘要】随着高速旋转设备日益得到广泛应用。这些设备对加工质量及效率起着关键乃至核心作用，其造价往往相当昂贵。因此高速旋转加工设备的损坏或产品报废甚至仅仅是加工效率的降低都可能造成巨大的损失，为了确保高速旋转设备的正常工作及对设备故障的预防，基于RBF神经网络的高速旋转设备故障诊断技术日趋发展。由于RBF神经网络具有并行分布式处理、联想记忆、自组织及自学习能力和极强的非线性映射特性，能对复杂的信息进行识别处理并给予准确的分类，因此可以用来对系统设备由于高速旋转机械故障而引起的状态变化进行识别和判断，从而为高速旋转设备故障诊断与状态监控提供了新的技术手段。

【关键词】神经网络；故障诊断；状态监控；故障预测

1.概述

RBF神经网络用于高速旋转设备故障诊断是近年来迅速发展起来的一个新的研究领域。RBF神经网络作为一种新的新的模式识别技术，在高速旋转设备故障诊断领域显示的应用价值较为明显。目前，神经网络在高速旋转设设备故障诊断领域的应用主要集中在以下几块：

（1）从故障预测的角度，应用RBF神经网络作为动态预测模型进行高速旋转设备的故障预测；

（2）从故障处理的角度，建立基于RBF神经网络的高速旋转设备故障诊断系统；

（3）从模式识别的角度，应用RBF神经网络作为分类器对高速旋转设备故障类型进行准确分类。

随着计算机技术和人工智能的快速发展，特别是信息工程、专家系统的快速发展，为RBF神经网络高速旋转设备故障诊断技术的研究提供了新的方法和理论。同时为了提高RBF神经网络故障诊断的实用性能，目前主要从RBF神经网络模块化神经网络诊断策略和模型本身的改进两个方面进行研究。

2.基于RBF神经网络的故障诊断原理

RBF神经网络系统具备高度非线性映射能力，RBF神经网络是一个分布式的和并行的网络处理结构，能有效存储设备运转过程的信息，能够和已有的历史故障信息进行对比，进而确定当前的运行状态。图1列出克基于RBF神经网络的高速旋转设备故障诊断一般框图。

图1 基于RBF神经网络的高速旋转设备故障诊断结构图

基于神经网络的高速旋转设备故障诊断主要步骤：

a）神经网络类型的确定

本步骤主要是选用哪种神经网络、神经网络参数以及神经网络的层数。

b）输人层的确定

对于输人层的选择，可以反映故障信息的参数作为输入变量。

c）输出层的确定

对各种故障状态进行编码，输出节点数N为故障模式的总数，如果第i个节点输出为1，其余输出为0，表示第i个输入接口故障存在。

d）网络信号模拟

利用已有的故障参数和诊断结果对神经网络进行信号模拟，模拟好的神经网络数据中心记录了各种故障的特征参数；当传递进来的特征参数与神经网络数据中心记忆中的某个对应故障参数比较接近时，神经网络输出对应故障。

3.基于RBF神经网络的旋转机械故障诊断

RBF神经网络通常是一种三层的前向网络，它由输入层、中间层和输出层组成，如图2所示每个输入神经元和输入向量X的元素相对应。中间层由n个神经元组成。每个输入神经元与中间层神经元相连接，每个中间神经元计算一个核函数，通常为高斯函数。

图2 RBF神经网络结构

旋转机械故障诊断过程中实测的振动信号经常是相互作用和相互干扰的多畔故障信号的叠加，这给正确的故障识别造成很大的困难。故障诊断过程中，分类器的分类规则固然重要，但是，如果所基于的故障特征没有包含足够的待识别信息或未能提取反映機器故障特征的信息，则诊断的结果肯定不准确。旋转机械的故障模式样本的输入往往是高度非线性重叠的，因而很难用常规的模式分类方法将其分开，必须使用某种非线性的方法将其变换到更高维的空间里，以利于线性分类。用神经网络进行故障诊断基本上以BP网络为基础.不可避免地存在收敛速度慢，容易陷入局部极小点等缺点，而近些年来，越来越多的RBF网络应用于故障诊断，结果表明径向基函数能够使人工神经网络更好地处理训练数据以外的测试实例，并且训练速度大大加快。

4.RBF神经网络多参数诊断法的应用步骤

1）利用转子实验台获得不平衡、不对中故障、碰摩故障、松动故障和转轴裂纹五种典型的旋转机械故障的试验数据。

2）利用振动信号频谱中的8个频段上的不同频率的频谱的谱峰能量作为特征值，具体数值见表1。

3）进行RBF神经网络设计，确定神经元的个数、网络半径、中心以及调节权值。

4）将旋转机械的各种故障状态进行编码，并用相应的特征参数组成训练样本，对网络进行训练，确定各单元间的连接权值以及偏差。

如表1所示，RBF神经网络的期望输出根据旋转机械的5种工作状态确定状态码为不平衡故障（0，0，0，0，1），转轴裂纹（0，0，0，1，0），松动故障（0，0，1，0，0），不对中故障（0，1，0，0，0）碰摩故障（1，0，0，0，0）。

5）利用训练好的神经网络对旋转机械进行状态识别，根据输出确定旋转机械的状态类别。

6）把使用过程中发现的错误判断按实际输入和期望输出加入训练样本集，对网络进一步训练。

表2可以看到对于单一的故障，如故障1到故障4所示的碰摩、不平衡、不对中、裂纹和松动，对应的网络输出结点数值都大于0.76，而其他位置数值都比较小，所以RBF网络能很准确地辨识出这些单一故障。而对于耦合故障6，节点1和节点2的数值都大于0.5，其他节点的数值接近于0，说明此时系统同时存在碰摩和不对中两种故障，也就是说对于耦合故障，神经网络也能比较正确地辨别。

参考文献

[1]陈进.机械设备振动监测与故障诊断[M].上海：上海交通大学出版社，1999.

[2]盛兆顺.设备状态监测与故障诊断技术及应用[M].北京：化学工业出版社，2003.

[3]何正嘉.机械故障诊断理论及应用[M].北京：高等教育出版社，2010.

[4]尹朝庆.人工智能与专家系统[M].北京：中国水利水电出版社，2002.

[5]王万林.人工智能原理及其应用[M].北京：电子工业出版社，2000.

[6]胡伍生.神经网络理论及其工程应用[M].北京：测绘出版社，2006.

作者简介：

张灿辉（1987—），男，河南伊川人，学士，洛阳铜加工集团有限责任公司助理工程师，研究方向：机械设备。

梁长友（1984—），男，安徽太和人，学士，上海市建设机电安装公司助理工程师，研究方向：机械设备。