《基于rbf神经网络的故障诊断》由会员分享,可在线阅读,更多相关《基于rbf神经网络的故障诊断(14页珍藏版)》请在金锄头文库上搜索。
1、基于RBF神经网络的故障诊断 一、神经网络用与故障诊断的优点 训练过的神经网络能存储有关过程的知识,能直 接从历史故障信息中学习。可以根据对象的日常 历史数据训练网络,然后将此信息与当前测量数 据进行比较,以确定故障的类型。 神经网络具有滤除噪声及在有噪声情况下的出正 确结论的能力,可以训练人工神经网络来识别故 障信息,使其能在噪声环境中有效地工作,这种 滤除噪声的能力使得人工神经网络适合在线故障 检测和诊断。 神经网路具有分辨故障原因及故障类型的能力。二、基于神经网络诊断系统结构 神经网络作为一种自适应的模式识别技术 ,并不需要预先给出有关模式的经验知识和 判别函数,它通过自身的学习机制自动
2、形成 所要求的决策区域。网络的特性由其拓扑结 构、神经元特性、学习和训练规则所决定。 它可以充分利用状态信息,对来自于不同状 态的信息逐一进行训练而获得某种映射关系 。而且网络可以连续学习,如果环境发生改 变,这种映射关系还可以自适应地进行调整 。 典型的基于神经网络模式识别 功能的诊断系统结构如下图所示。 二、基于神经诊断系统结构 上图中,基于神经网络的诊断过程分为两步。首先 ,基于一定数量的训练样本集(通常称为“征兆 故障”数据集)对神经网络进行训练,得到期望 的诊断网络;其次,根据当前诊断输入对系统进行 诊断,诊断的过程即为利用神经网络进行前向计算 的过程。在学习和诊断之前,通常需要对诊
3、断原始 数据和训练样本数据进行适当的处理,包括预处理 和特征选择/提取等,目的是为诊断网络提供合适的 诊断输入和训练样本。此外,尽管神经网络和传统 的故障诊断是两种不同的诊断方法,但两者是紧密 联系在一起的。如采用小波分析等数据处理方法, 可用为神经网络诊断提供可以利用的特征向量。 三、基于RBF网络的齿轮箱故障诊断 1、问题描述 拖拉机变速箱是整机进行减速增扭的部件,它受扭转 和拉压两种载荷的综合作用,据统计,以齿轮为代表的 变速箱故障发生率占据除发动机故障以外的其他所有故 障的59%70%。在非拆卸状态下,传统的齿轮箱故障 诊断手段往往依赖于专家的经验判断。但是,由于齿轮 箱是一种非常复杂
4、的传动机构,它的故障模式和特征量 之间是一种非常复杂的非线性关系,再加上齿轮箱在不 同工况下的随机因素,所以专家的经验并不能解决所有 的诊断问题。而应用神经网络可以有效地避免这个问题 。神经网络的自适应、自学习和对非线性系统超强的分 析能力注定它可以在齿轮箱的故障诊断中大显身手。 2、输征兆/故障样本集的收集与设计 神经网络输入的确定实际上就是特征量的 提取,对于特征量的选取,主要考虑它是否 与故障有比较确定的因果关系,如果输入 输出征兆参数和故障没有任何关系,就不能 建立它们之间的联系。统计表明:齿轮箱故障中有60%左右都是由 齿轮导致的,所以这里只研究齿轮故障的诊 断。对于齿轮的故障,这里
5、选取了频域中的 几个特征量。频域中齿轮故障比较明显的是 在啮合频率处的边缘带上。3、RBF网络设计 RBF网络主要包含隐含层和输出层,其中隐含层 的传递函数为radas,输出层的传递函数为纯线 性函数purelin。如图2所示,RBF网络的隐含层 有S1个神经元,输出层有S2个神经 元。3、RBF网络设计神经网络工具箱中用于创建RBF网络 的函数为newrbe,在设计过程中,最重 要的参数是经向基函数的分布常数。由 于本例中的样本数目不是很大,将分布 常数设定为1.2。测试创建的RBF网络接下来通过一组实际数据对网络进行测 试,看网络是否可以正确诊断出齿轮的故 障。如果正确诊断出故障,则网络可
6、以投 入使用。分别在无故障、齿根裂纹和断齿 时进行测量,得到各参数的值,将这些数 据作为输入向量,利用仿真函数计算网络 输出,通过故障判别准则看是否出了故障 .。测试数据测试结果输 出 结 果 故障类别 w 0.9750,0.0010,0.0031 无故障 w 0.0008,0.9873,0.0046 齿根裂纹 w 0.0016,0.0034,0.9987 断齿结果分析分析结果发现,网络成功地诊断出了所有故障 。因此,可以将网络投入实际工程应用了。本例采用的样本量比较少,这样一来,故障 诊断的数据范围就不会很大,对于那些和训练 样本数据相差很大的数据,网络可能无法做出 正确的诊断。在这种情况下,如果想提高网络 的故障识别准确率,建议采用大容量的训练样 本。 参考文献w1. 飞思科技产品研发中心. 神经网络理论与 MATLAB7实现.北京:电子工业出版社.2006 w2. 闻新,周露,李翔,张宝伟.MATLAB神经网络仿 真与应用.北京:科学出版社.2003,7 w3. Kevin M. Passino, Stephen Yurkovich, Fuzzy Control模糊控制,北京:清华大学出版社 ,2001