RBF和改进BP神经网络在水泵振动故障诊断中的应用比较

史丽萍，汤家升，张晓蕾，余鹏玺，刘 鹏



RBF和改进BP神经网络在水泵振动故障诊断中的应用比较

史丽萍，汤家升，张晓蕾，余鹏玺，刘 鹏

（中国矿业大学信息与电气工程学院，江苏徐州 221008）

针对水泵机组振动故障的复杂性，采用了应用较为成熟的基于改进误差反向传播（BP）和径向基（RBF）神经网络的故障诊断方法。依据归一化的故障特征量样本和目标期望输出，对两种诊断网络进行了达标训练。通过对工程现场提取的验证数据进行网络诊断测试和对比，证明RBF和改进BP两种神经网络的诊断方式均可以满足诊断基本要求，但是改进BP神经网络的诊断方式对故障定位更为快速精确。为水泵振动故障诊断技术的提升打下基础。

水泵机组；振动故障；改进BP神经网络；RBF神经网络

0 引言

矿井水泵机组是一个由流体、机械、电磁三部分互相耦合的复杂非线性系统，很多振动故障类型和故障现象之间往往没有非常明确的关系，各种故障的发生概率也不够确定，使得对其故障结果的诊断难度较大[1]。近年来，随着神经网络技术在信号处理、智能控制、模式识别、非线性优化等方面应用的日趋成熟，将神经网络用于水泵的振动故障诊断不失为一种有效的方法[2]。文中采用改进的误差反向传播（BP）神经网络和径向基（RBF）神经网络两种方法对枣庄大兴矿水泵的振动信号进行了实验诊断，并对诊断结果进行了详细的分析比较，为水泵故障诊断技术的完善和提高提供了一定的理论依据。

1 水泵故障特征的提取

矿井采用的水泵机组设备主要是卧式离心式水泵和高压异步电机，其主要工作原理是：异步电机带动水泵转子高速旋转，水泵高速旋转的叶轮叶片带动液体旋转，利用离心力将液体甩出，从而达到输送的目的[3]。由工作原理可见，转子作为水泵机组核心部件完成了水泵的主要功能，而振动信号能够实时反映出转子旋转时大多数振动故障的特征，因此对水泵振动信号的分析是水泵故障诊断的有效途径之一。结合旋转机械的特点，本文重点分析如下9种主要的水泵机组振动故障类型：转子不平衡，转子不对中，油膜振荡，泵内异物，水泵汽蚀，动静磨碰，轴承支撑系统连接松动，叶轮和转轴之间配合时效，转轴横向裂纹。其特征频率和常伴频率分别如表1所示。

表1 矿井水泵常见振动故障及对应频率特征

在故障诊断系统中，选取合适准确的特征量对以后进一步的智能诊断有着非常重要的作用。频率特性是旋转故障诊断中最重要的特征之一，大部分故障都可以从频率特性中诊断出来，因此，我们可以利用快速傅里叶变换提取信号在频域上的特征量，比如幅值等作为故障分析的特征量。

结合通用的J.Sohre提出的故障特征征兆表，选取X1=（<0.4f）、X2=（0.40~0.49）f、X3=0.5f、X4=（0.51~0.99）f、X5=1.0f、X6=2.0f、X7=（3.0~5.0f）、X8=（>5.0f）以及X9=奇数倍f等共9种具有代表性的频率成份作为特征频率。然后以各个频率段或者频率点处所对应平均振幅和最大振幅的比值作为振动故障特征量，按照公式1进行归一化，见表2。这样得到的故障特征量是9维的，其中故障样本号1至9对应于表格1中的9种相应的特征故障。

表2 水泵故障类型及其振动分布

式中n为所划分的特征频率段数目，（x）为第个节点的输入参数，归一化后（x）应该在0~1内。

2 BP神经网络的故障诊断实现

2.1 网络设计

BP网络的输入层和输出层是与外界联系的接口。由表2可知，每一种故障归一化后的振动特征量个数为9，选择输入层数为9。对于输出层，对应水泵机组9种特征故障，选择输出层数为9。样本目标输出见表3。其中故障样本号1至9对应于9种相应的特征故障：转子不平衡，转子不对中，油膜振荡，泵内异物，水泵汽蚀，动静磨碰，轴承支撑系统连接松动，叶轮和转轴之间配合时效，转轴横向裂纹。目标输出中1.00代表故障，0.00代表无故障。

表3 样本目标输出

由于一个3层的前向传播网络可以逼近和模拟任意精度的函数，故而实际应用中一般使用3层BP神经网络，因此，我们这里仅选择一个隐含层。在工程实际中，最佳的隐含层节点数的确定往往需要依靠工程技术人员的经验，并进行多次实验之后才能确定。隐含层如果节点数过少，网络模型比较粗糙，影响网络的学习和判断。而节点数过多，网络划分过细，抓不到样本的主要特征，且会增加训练时间[4-5]。这里我们可以先根据经验公式2，来确定一个隐含层节点数p。

2.2 网络训练

根据已经确定的输入输出向量，在MATLAB中进行编程仿真测试。输入节点的传递函数采用S型正切函数“tansig”，输出节点传递函数采用S型对数函数“logsig”。训练函数采用改进的动量及自适应lrBP的梯度递减训练函数“traingdx”[6-7]。“traingdx”算法可以更有效的处理局部极小点问题，并且能够网络训练步数设定为1000次，训练误差为0.0001，初始学习速率为0.05，学习速率增加比率为1.05，减少比率为0.68，阈值动量因子为0.9。网络训练过程中时刻变化的误差情况如图1所示，可以看出当训练步数达到686时，误差小于0.0001，此时训练结束。

该网络下的样本实际输出整理后见表4。

图1 BP网络的训练过程

表4 BP神经网络样本实际输出

从表4中可见，样本实际输出中的故障点已经接近与1，非故障点接近于0，网络的输出值与期望值很接近，误差已经小于规定数值，表明训练后的网络可行。

3 RBF神经网络的故障诊断实现

RBF神经网络可以有效改善传统BP神经网络难以确定网络结构，收敛速度慢，存在局部极小点等缺陷，而且更适合于样本数量比较多的情况。为验证改进BP神经网络的效果，本文同时采用RBF神经网络作为改善效果对比。RBF神经网络样本的输入与输出和改进BP神经网络相同。经过尝试，网络的散布常数值设定为0.6，仿真测试结果列表后见表5。

由表5可见，样本实际输出与期望输出几乎等同，相比于表4改进BP神经网络的实际输出结果更为精确一些。在仿真过程中，网络训练的时间相比于BP神经网络训练更为快速。

4 实验测试

为了验证两种网络对水泵故障诊断的准确性，我们从实验现场采集到两组已经确定转子不平衡和水泵汽蚀故障的特征量进行验证，振动频谱的实验数据归一化后见表6。

使用BP神经网络进行仿真验证，输出结果整理后见表7。

使用RBF神经网络进行仿真验证，输出结果整理后见表8。

表5 RBF神经网络样本实际输出

表6 振动频谱征兆实验数据

表7 改进BP神经网络验证输出结果

表8 RBF神经网络验证输出结果

由上表的网络诊断结果可以判断：

表7第一项0.9685和表8的第一项1.1129值最大，对应表3的样本期望输出，符合转子不平衡故障，0.9685相比于1.1129更接近于1；表7第五项0.9898和表8第五项0.9855值最大，对应表3的样本输出，符合水泵汽蚀故障，0.9898相比于0.9855更接近于1。对于非故障项，改进BP神经网络的诊断值相比于RBF神经网络的诊断值值更接近于0。可以看出，实测结果与诊断结果非常吻合，由此验证在改进BP网络和RBF网络均能够满足待检数据的故障模式分类要求情况下，改进后的BP神经网络的诊断数据相比于RBF神经网络更为精确，改进是有效的。

5 总结

水泵机组振动故障的诊断比较复杂，本文采用优异于传统BP神经网络的RBF神经网络和改进BP神经网络两种故障诊断方法完成诊断效果对比，虽然RBF神经网络样本输出更接近于期望值，但是改进BP神经网络的最终诊断结果更为精确。本文仅仅提取了九种常见故障的特征量作为诊断依据，具有一定的不全面性，在工程应用中还有很大提高余地。

[1] 卞绍顺. 矿井水泵机组状态监测与远程故障诊断[D]. 中国矿业大学硕士论文2013（06）：17-20.

[2] 朱凯, 王正林. 精通MATLAB神经网络[M]. 北京：电子工业出版社, 2010.

[3] 谭伟城. 离心式水泵振动监测与故障诊断[J]. 机械工程与自动化. 2011(3)：127-128.

[4] 游张平, 胡小平. 基于粒子群神经网络的气阀机构故障诊断[J]. 测控技术. 2011, 30（12）:102-105.

[5] 丛爽．面向MATLAB工具箱的神经网络理论与应用[M]．合肥：中国科学技术大学出版社, 1998：45-73．

[6] 王永华. 现代电气控制及PLC应用技术[M]. 北京: 北京航空航天大学出版社, 2009.

[7] You Z P，Li S Y，Li W L，et al．Modeling and simulation ofscrew axis based on PSO-BP neural network and orthogonalexperiment［A］．Proceedings of 2009 Second InternationalSymposium on Computational Intelligence and Design［C］．2009．

Comparison Between RBF Neural Network and Improved BP Neural Network in the Pump Vibration Fault Diagnosis

SHI Liping, TANG Jiasheng, ZHANG Xiaolei, YU Pengxi, Liu Peng

(School of Information and Electrical Engineering, China University of Mining and Technology, Xuzhou, 221008, China)

Considering the complexity of pump unit vibration fault, methods based on Radial Basic Function(RBF) neural network and an Improved BP neural network are given to fault diagnosis of pump vibration.According to the normalized failure characteristicssamples and desired output, two diagnosis networks are trained for the standard goal. By testing and comparing the data extracted from the project cite, the results showthat both the two methods meet the basic requirements of diagnosis，but Improved BP neural network is of higher precision and faster for identifying the fault location. The paper lays the foundation for bettering water pump vibration fault diagnosis technology.

pump unit; vibration fault;improved BP neural network; RBF neural network

TH318

B

1000-3983(2014)04-0059-04

2013-08-20

中国矿业大学青年科研基金资助项目（2008A020）

史丽萍(1964-)，2001年毕业于中国矿业大学获博士学位，现任中国矿业大学信电学院教授，主要研究方向为电气控制，电气设备的故障诊断以及电力系统无功补偿和谐波治理。

审稿人：朴秀日