這篇故障診斷論文發(fā)表了轉(zhuǎn)子系統(tǒng)裂紋檢測(cè)定量識(shí)別，人工神經(jīng)網(wǎng)絡(luò)具有一定的非線性能力，本文利用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)和基于模型轉(zhuǎn)子系統(tǒng)診斷技術(shù)在非線性系統(tǒng)動(dòng)態(tài)辨識(shí)過(guò)程中的優(yōu)勢(shì)，提出了全新的轉(zhuǎn)子系統(tǒng)裂紋故障的診斷處理方式，最后對(duì)此方法進(jìn)行仿真，表示此方式有效。

　　【關(guān)鍵詞】故障診斷論文,徑向基函數(shù),神經(jīng)網(wǎng)絡(luò),轉(zhuǎn)子系統(tǒng),故障診斷

　　旋轉(zhuǎn)機(jī)械屬于工業(yè)領(lǐng)域中使用較為廣泛的機(jī)械設(shè)備，其核心就是轉(zhuǎn)子系統(tǒng)，具有多種振動(dòng)形式。轉(zhuǎn)子系統(tǒng)會(huì)因?yàn)橐幌盗械墓收蠈?duì)正常工作造成影響，嚴(yán)重還會(huì)出現(xiàn)機(jī)毀人亡的事故，造成了較大的損失。在轉(zhuǎn)子系統(tǒng)出現(xiàn)故障的過(guò)程中，轉(zhuǎn)子系統(tǒng)振動(dòng)信號(hào)和正常狀態(tài)的信號(hào)具有較大的差異，所以可以使用轉(zhuǎn)子系統(tǒng)振動(dòng)信號(hào)實(shí)現(xiàn)轉(zhuǎn)子系統(tǒng)故障的分析和診斷。

　　人工神經(jīng)網(wǎng)絡(luò)具有一定的非線性映射能力、容錯(cuò)能力和學(xué)習(xí)能力，被廣泛應(yīng)用到信號(hào)處理、故障診斷過(guò)程中。現(xiàn)代BP神經(jīng)網(wǎng)絡(luò)也被廣泛應(yīng)用到機(jī)械故障診斷過(guò)程中，但是因?yàn)榇怂惴ù嬖谝欢ǖ娜毕荩瑹o(wú)法在實(shí)際使用中推廣。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)相比，其能夠避免陷入最小局部的可能性，并且還具有較快的學(xué)習(xí)速度和收斂速度。基于此，本文就針對(duì)轉(zhuǎn)子系統(tǒng)裂紋故障，使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷處理。

　　1徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

　　徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)屬于局部逼近網(wǎng)絡(luò)，其具有較強(qiáng)的學(xué)習(xí)能力，并且結(jié)構(gòu)較為簡(jiǎn)單，具有較快的收斂速度，還能夠以任意精度逼近任意連續(xù)的函數(shù)。典型的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)主要包括隱層、輸入層、輸出層，輸入層節(jié)點(diǎn)的個(gè)數(shù)和輸入信號(hào)維數(shù)具有密切的聯(lián)系，隱層節(jié)點(diǎn)的個(gè)數(shù)和實(shí)際問(wèn)題的描述需求具有密切的聯(lián)系，輸出層主要是通過(guò)目標(biāo)輸出實(shí)現(xiàn)。

　　徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一種分布式核函數(shù)學(xué)習(xí)模型，輸入模式的分布將核作為中心。X表示網(wǎng)絡(luò)n維輸入，y表示m維輸入。對(duì)于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)i來(lái)說(shuō)，輸出值屬于n維輸入向量x和網(wǎng)絡(luò)隱層節(jié)點(diǎn)中心Ci的組合運(yùn)算，通過(guò)下式表示：qi=exp[-((x-Ci)T(x-Ci))/2σ2]其中qi表示隱層節(jié)點(diǎn)輸出，Ci表示隱層i節(jié)點(diǎn)中心。輸出層節(jié)點(diǎn)輸出值為隱層節(jié)點(diǎn)線性的組合，計(jì)算公式為：yk=wkiqi-θk其中yk表示輸出層k節(jié)點(diǎn)輸出值，θk表示輸出層k節(jié)點(diǎn)閥值。Wki表示qi到y(tǒng)k的連續(xù)權(quán)值。

　　2轉(zhuǎn)子系統(tǒng)裂紋動(dòng)力學(xué)模型

　　假如轉(zhuǎn)子系統(tǒng)包括具有多個(gè)節(jié)點(diǎn)的有限元模型，轉(zhuǎn)盤質(zhì)量及軸承質(zhì)量都在相對(duì)應(yīng)的節(jié)點(diǎn)中，將系統(tǒng)中單元質(zhì)量、阻尼、剛度和陀螺力矩相互結(jié)合，組成的轉(zhuǎn)子系統(tǒng)動(dòng)力學(xué)模型為：Mq2+Dq1+K(t)q=Fu(t)+Fgq2表示轉(zhuǎn)子系統(tǒng)節(jié)點(diǎn)位移矢量，q1表示轉(zhuǎn)子系統(tǒng)節(jié)點(diǎn)速度矢量，q表示轉(zhuǎn)子系統(tǒng)節(jié)點(diǎn)加速度矢量、M表示質(zhì)量矩陣，F(xiàn)u(t)表示不平衡激振力矢量，F(xiàn)g表示重力矢量。

　　本文研究過(guò)程中考慮到的轉(zhuǎn)子系統(tǒng)裂紋故障主要分為不同位置、不同幾何形狀及不同深度裂紋，通過(guò)力學(xué)原理表示，產(chǎn)生裂紋降低了轉(zhuǎn)子剛度，在轉(zhuǎn)子運(yùn)行過(guò)程中的李文面的應(yīng)力方向及大小都具有要一定的變化，剛度是在時(shí)間變化過(guò)程中不斷變化。裂紋轉(zhuǎn)子剛度模型較多，并且在不斷的完善，不同模型及條件中的轉(zhuǎn)子裂紋動(dòng)力學(xué)特性具有較大的差別。

　　因?yàn)榱鸭y的狀態(tài)特點(diǎn)差異都會(huì)導(dǎo)致轉(zhuǎn)子系統(tǒng)阻尼不同，所以使轉(zhuǎn)子系統(tǒng)裂紋位置系統(tǒng)動(dòng)態(tài)成為μ(q，q1)=-M-1(Dq1+Kq)，那么組成的轉(zhuǎn)子系統(tǒng)動(dòng)力學(xué)模型就為：q2=μ(q，q1)+M-1(Fu(t)+Fg)裂紋的深度、擴(kuò)展方向、偏心夾角、質(zhì)量偏心及轉(zhuǎn)速等多種因素的綜合作用中，轉(zhuǎn)子系統(tǒng)振動(dòng)信號(hào)為倍周期、周期及混沌，所以運(yùn)動(dòng)中的系統(tǒng)軌跡就是回歸軌跡。那么就可以將轉(zhuǎn)子系統(tǒng)在不同節(jié)點(diǎn)中的振動(dòng)信號(hào)作為觀測(cè)的值，假如轉(zhuǎn)子系統(tǒng)在出現(xiàn)故障前后狀態(tài)仍然有界，也就是q(t)，q1(t)∈Ω，Ω表示緊集。

　　3轉(zhuǎn)子系統(tǒng)裂紋故障的診斷

　　考慮多種裂紋故障的可能性，轉(zhuǎn)子系統(tǒng)的動(dòng)力學(xué)方程為：q2=μk(q，q1)+M-1(Fu(t)+Fg)μk(q，q1)為出現(xiàn)裂紋故障k時(shí)候的位置系統(tǒng)動(dòng)態(tài)，系統(tǒng)動(dòng)態(tài)能夠被精準(zhǔn)的辨識(shí)，并且在常數(shù)神經(jīng)網(wǎng)絡(luò)中存儲(chǔ)，如果轉(zhuǎn)子系統(tǒng)出現(xiàn)裂紋故障的時(shí)候，常數(shù)神經(jīng)網(wǎng)絡(luò)能夠在短時(shí)間內(nèi)回憶已經(jīng)學(xué)習(xí)的知識(shí)，從而為轉(zhuǎn)子系統(tǒng)動(dòng)態(tài)提供精準(zhǔn)的信息，也就是在系統(tǒng)軌跡局部區(qū)域中，轉(zhuǎn)子位置系統(tǒng)的動(dòng)態(tài)能夠被常數(shù)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)逼近。

　　在診斷轉(zhuǎn)子系統(tǒng)故障的過(guò)程中，不需要對(duì)系統(tǒng)進(jìn)行動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)辨識(shí)，能夠從已經(jīng)辨識(shí)的轉(zhuǎn)子系統(tǒng)裂紋動(dòng)態(tài)尋找目前被檢測(cè)的轉(zhuǎn)子系統(tǒng)相近的系統(tǒng)動(dòng)態(tài)，所以使用常數(shù)徑向基函數(shù)神經(jīng)系統(tǒng)創(chuàng)建和正常模式相對(duì)應(yīng)的動(dòng)態(tài)估計(jì)器：vk=-B(vk-q1)+WkTS(Z)+M-1(Fu(t)+Fg)q1表示轉(zhuǎn)子系統(tǒng)監(jiān)視時(shí)候的節(jié)點(diǎn)速度矢量，vk表示動(dòng)態(tài)估計(jì)器的狀態(tài)矢量，B表示正定設(shè)計(jì)矩陣，每個(gè)動(dòng)態(tài)估計(jì)器都相同，那么神經(jīng)網(wǎng)絡(luò)通過(guò)以下表示：WkTS(Z)=[W1kTS1(Z)...WnkTSn(Z)]T殘差系統(tǒng)使用分量表示為：vik=-bivik+WikTS(Z)-μi(q,q1)=-bivik+μi(q,q1)Vik表示殘差，μi(q,q1)表示檢測(cè)轉(zhuǎn)子系統(tǒng)和動(dòng)態(tài)估計(jì)器的系統(tǒng)動(dòng)態(tài)差異。

　　殘差能夠?qū)⒛壳稗D(zhuǎn)子系統(tǒng)的動(dòng)態(tài)變化直接的反映出來(lái)，從而利用殘差變化的檢測(cè)實(shí)現(xiàn)故障診斷。但是因?yàn)樵趧?dòng)態(tài)差異符號(hào)改變的過(guò)程中，動(dòng)態(tài)估計(jì)器不匹配就會(huì)產(chǎn)生接近0的殘差，從而出現(xiàn)誤判，所以就取殘差平均范數(shù)，表示為：||vik||=(1/T)|vik(τ)|dτ，t>TT表示轉(zhuǎn)子系統(tǒng)被檢測(cè)過(guò)程中的運(yùn)行周期。轉(zhuǎn)子系統(tǒng)裂紋故障檢測(cè)和診斷過(guò)程為自動(dòng)動(dòng)態(tài)匹配，故障檢測(cè)及分離為相互并行，那么轉(zhuǎn)子系統(tǒng)裂紋故障診斷的策略為：將被檢測(cè)的轉(zhuǎn)子系統(tǒng)和動(dòng)態(tài)估計(jì)器為0時(shí)候進(jìn)行對(duì)比，如果在任意時(shí)間t>T對(duì)i∈(1,...,n)，并且||vi0(t)||表示為檢測(cè)閾值，那么表示轉(zhuǎn)子系統(tǒng)正常。

　　4系統(tǒng)仿真

　　通過(guò)相應(yīng)運(yùn)行狀態(tài)的神經(jīng)網(wǎng)絡(luò)，創(chuàng)建動(dòng)態(tài)估計(jì)器。因?yàn)楸粰z測(cè)轉(zhuǎn)子系統(tǒng)在2s之前運(yùn)行正常，在2s之后出現(xiàn)帶偏角輕微裂痕，動(dòng)態(tài)估計(jì)器在X和Y方向中的速度殘差曲線詳見圖1.對(duì)圖1進(jìn)行分析，動(dòng)態(tài)估計(jì)器殘差在2s之前值最小，從而表示轉(zhuǎn)子系統(tǒng)運(yùn)行正常。在時(shí)間接近2s時(shí)候動(dòng)態(tài)估計(jì)器殘差不斷擴(kuò)大，并且超過(guò)了相應(yīng)閾值，從而表示轉(zhuǎn)子系統(tǒng)出現(xiàn)故障。

　　在3s時(shí)候動(dòng)態(tài)估計(jì)器殘差最小，從而表示系統(tǒng)出現(xiàn)了帶偏角輕微裂紋。部分原始網(wǎng)絡(luò)訓(xùn)練1倍頻的能量特征值為：正常16.9356;偏心1238.47;不平衡6062.52;彎曲1550.02。部分歸一化網(wǎng)絡(luò)訓(xùn)練1倍頻的能量特征值為：正常16.3774;偏心1231.81;不平衡6123.57;彎曲193.5211。神經(jīng)網(wǎng)絡(luò)歸一化的特點(diǎn)就是對(duì)同一樣本統(tǒng)計(jì)的分布進(jìn)行歸納，將歸一化訓(xùn)練樣本融入到神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，目標(biāo)誤差為0.網(wǎng)絡(luò)目標(biāo)輸出為：轉(zhuǎn)子正常1;轉(zhuǎn)子偏心2，轉(zhuǎn)子不平衡3，轉(zhuǎn)子彎曲4。神經(jīng)網(wǎng)絡(luò)通過(guò)多次迭代，訓(xùn)練進(jìn)度為10-29，訓(xùn)練結(jié)果為表示輸出結(jié)果和網(wǎng)絡(luò)目標(biāo)輸出值相通，訓(xùn)練結(jié)果正確率為100%，表示在轉(zhuǎn)子系統(tǒng)故障診斷中使用神經(jīng)網(wǎng)絡(luò)可行。

　　5結(jié)束語(yǔ)

　　本文針對(duì)轉(zhuǎn)子系統(tǒng)裂紋故障，提出了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)下的轉(zhuǎn)子系統(tǒng)裂紋故障診斷處理方式，使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)轉(zhuǎn)子系統(tǒng)裂紋的精準(zhǔn)識(shí)別，并且通過(guò)已經(jīng)辨識(shí)的信息實(shí)現(xiàn)裂紋故障的在線監(jiān)測(cè)及診斷。和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)故障診斷方式相比，此方法能夠通過(guò)常數(shù)神經(jīng)網(wǎng)絡(luò)的方式存儲(chǔ)，能夠在故障診斷過(guò)程中使用。

　　參考文獻(xiàn)

　　[1]熊國(guó)江,石東源,朱林.基于多輸出衰減徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷[J].電力系統(tǒng)保護(hù)與控制,2013(21):38-45.

　　[2]吳玉香,張景,王聰.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)子系統(tǒng)裂紋故障診斷[J].控制理論與應(yīng)用,2014,31(08):1061-1068.

　　[3]沈艷霞,季凌燕,紀(jì)志成.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)故障觀測(cè)器的風(fēng)能轉(zhuǎn)換系統(tǒng)容錯(cuò)控制器設(shè)計(jì)[J].信息與控制,2015,44(03):359-366.

　　[4]熊國(guó)江,石東源,朱林等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的電網(wǎng)模糊元胞故障診斷[J].電力系統(tǒng)自動(dòng)化,2014,38(05):59-65.

　　[5]曹保鈺,陳國(guó)安,李偉等.基于RBF神經(jīng)網(wǎng)絡(luò)的多轉(zhuǎn)子故障類型診斷[J].現(xiàn)代制造工程,2013(05):126-130.

　　[6]石東源,熊國(guó)江,陳金富等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊積分融合的電網(wǎng)分區(qū)故障診斷[J].中國(guó)電機(jī)工程學(xué)報(bào),2014,34(04):562-569.

　　[7]張景.基于確定學(xué)習(xí)的轉(zhuǎn)子系統(tǒng)故障診斷[D].華南理工大學(xué),2014.

　　作者：賈文雅

　　推薦閱讀：化工機(jī)械運(yùn)轉(zhuǎn)故障防控方案策劃

　　設(shè)備安裝質(zhì)量是企業(yè)內(nèi)技術(shù)管理、人員素質(zhì)、綜合效能、計(jì)量檢測(cè)手段等諸多因素的綜合反映。