基于RBF的某型發(fā)動機故障診斷

秦福星 呂飛 童大鵬

（海軍蚌埠士官學校機電系 安徽蚌埠 233012）

1 引言

徑向基（RBF）網(wǎng)絡是以函數(shù)逼近理論為基礎構(gòu)造的一類前向網(wǎng)絡。徑向基函數(shù)網(wǎng)絡是一個只有兩層的網(wǎng)絡。在中間層，它以對局部響應的徑向基函數(shù)代替?zhèn)鹘y(tǒng)的全局響應的激發(fā)函數(shù)。由于局部響應的特性，它對函數(shù)的逼近是最優(yōu)的，而且訓練過程很短。由于它具有簡單的結(jié)構(gòu)、快速的訓練過程及與初始權(quán)值無關(guān)的優(yōu)良特性，在多維曲面擬合和大型設備故障診斷等領(lǐng)域有著較多的應用。

2 RBF在發(fā)動機故障診斷中的應用

2.1 特征參數(shù)的選擇

發(fā)動機故障的發(fā)生通常呈現(xiàn)出頻譜分布的特點，由此，考慮將頻率范圍進行劃分，將故障頻率劃分為低于1倍頻部分（0.01-0.4f, 0.41-0.5f,0.51-0.99f）和1倍頻、2倍頻、3-5倍頻等。通常，低于1倍頻的頻率部分主要反映齒輪、轉(zhuǎn)子特性，如轉(zhuǎn)子彎曲、齒輪故障、油膜渦動等；1倍頻頻率部分反映轉(zhuǎn)子不平衡狀態(tài)；2倍頻頻率部分對轉(zhuǎn)子不對中狀態(tài)等情況比較敏感；3-5倍頻頻率部分能反映出軸松動等情況。將上述6個頻段上的譜峰能量進行歸一化處理，將處理后的矢量值作為特征參數(shù)來建立故障樣本數(shù)據(jù)，如表1(f為工頻)所示。同時，根據(jù)現(xiàn)場試驗和對歷史數(shù)據(jù)的分析，可以采集到該型發(fā)動機發(fā)生故障時的振動信號，并將其6個頻段上的不同頻率的譜峰能量值歸一化處理，得到表3故障樣本數(shù)據(jù)。

應用上述診斷系統(tǒng)，對某型發(fā)動機中常出現(xiàn)的6種故障進行了診斷，利用6個頻段上的歸一化幅值作為特征參數(shù)，如表1所示。

2.2 故障模式的描述

利用0、1格式描述這6種故障模式，如表2所示。

2.3 網(wǎng)絡的建立與訓練

利用這些故障樣本數(shù)據(jù)作為訓練樣本，創(chuàng)建一個診斷用RBF神經(jīng)網(wǎng)絡。

首先檢驗網(wǎng)絡對訓練數(shù)據(jù)的分類情況：

RBF神經(jīng)網(wǎng)絡輸出結(jié)果與故障模式對應描述是一致的，表明網(wǎng)絡可以成功將故障模式分成6類。

用表3中采集到的故障數(shù)據(jù)，檢驗網(wǎng)絡的性能，程序代碼為：

表1 故障樣本數(shù)據(jù)

表2 故障模式分類

由此可見，網(wǎng)絡用于故障診斷是正確的。

3 結(jié)論

基于 RBF的故障診斷方法可以最大限度的利用故障先驗知識，在Bayes最小風險準則下進行單故障的診斷，網(wǎng)絡訓練速度快，有較高的診斷準確率。

表3 測試樣本數(shù)據(jù)

[1] 張鈴，張抜.人工神經(jīng)網(wǎng)絡理論及應用[M].浙江：浙江科學技術(shù)出版社，1997.

[2] neural network toolbox. mathworks，2007.

[3] 李學橋.神經(jīng)網(wǎng)絡工程應用[M].重慶：重慶大學出版社，1997.

[4] 葛哲學，孫志強.神經(jīng)網(wǎng)絡理論與MATLAB R2007實現(xiàn)[M].北京：電子工業(yè)出版社, 2008.

[5] 莫劍東，徐章遂，米東.RBF神經(jīng)網(wǎng)絡診在船用低速柴油機故障診斷中的應用研究[J].華北工學院測試技術(shù)學報，2001, (1).

[6] 張定會，邵惠鵬.基于神經(jīng)網(wǎng)絡的故障診斷推理方法[J].上海交通大學學報, 1999, (8).

[7] Salama A E，Starzyk J A，Bandler J W.A unified decomposition approach for fault location in large analognetworks[J]. Intelligent Systems and Signal.Proce- ssing. 1984, 31.