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,therepositoryoffanfaultssystemisestablishedcombinedwithexperts5knowledge・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乙间的关系是高度非线性关系，很难用具冇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，以及口组织、口学习和并行处理能力，在故障诊断中得到了广泛应用。因此，木文提出采用神经网络來建立故障诊断模型，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M前故障诊断领域应用较多的一种网络。但是因为BP网络釆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，而口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学习算法那样兀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算法快儿十倍其至上白倍HJO1RBF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利谕向网络，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RBFo近年来的研究£3］表明：无论在逼近能力、分类能力(模式识别)和学习速度等方而RBF均优于BP网络。RBF网络的输出为Ny=K=\采用Gaussian函数作为径向基函数。|k-c.||24>K⑴=exp(-2/-)(2)卜-“||?)(1)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；Q是常数矢量，径向基函数的中心；0(x—c)就是径向基函数。Gaussian函数网络有3个学习参数：各RBF的中心、方差丢和输出单元的权值“K。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C7；(2)计算方差值b厶K式中U为最大的距离，K为CK的数量；(3)由输入心)计算刃3M刃S)=工叭处⑺)，CKS.k=l(4)更新网络参数W(n+1)=W(n)+“we(n)^(n)CKS+1)=CK(/?)+&""川人⑺0[XS)，CK5)QK][x(n)一CK(n)](6)*5)(yK(n+l)=(yK(n)+曲"⑷护(力0[兀(町,CK(n),cr^]|[x(n)-CK(n)]|2(7)式中00)={^[x(n),c}(n),cTj],^[x(n),c2(n),cr2(/{x(n\cN(n),aN]}r(8)^(/i)=y.(/?)一儿S)(9)yd(n)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)o2RBF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別，即rh特征空间映输入层隐藏层输出层图1RBF网络拓扑机构⑶⑷(5)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冇效的方法。已冇研究表明：旋转机...