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：TP11文献标识码：B：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(1)采用Gaussian函数作为径向基函数。(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、方差和输出单元的权值。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；（2）计算方差值(3)式中为最大的距离，K为的数量；（3）由输入计算(4)（4）更新网络参数(5)(6)(7)式中(8)输入层隐藏层输出层(9)为网络期望输出；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...