這篇故障診斷論文發表了轉子系統裂紋檢測定量識別，人工神經網絡具有一定的非線性能力，本文利用徑向基函數(RBF)神經網絡和基于模型轉子系統診斷技術在非線性系統動態辨識過程中的優勢，提出了全新的轉子系統裂紋故障的診斷處理方式，最后對此方法進行仿真，表示此方式有效。

　　【關鍵詞】故障診斷論文,徑向基函數,神經網絡,轉子系統,故障診斷

　　旋轉機械屬于工業領域中使用較為廣泛的機械設備，其核心就是轉子系統，具有多種振動形式。轉子系統會因為一系列的故障對正常工作造成影響，嚴重還會出現機毀人亡的事故，造成了較大的損失。在轉子系統出現故障的過程中，轉子系統振動信號和正常狀態的信號具有較大的差異，所以可以使用轉子系統振動信號實現轉子系統故障的分析和診斷。

　　人工神經網絡具有一定的非線性映射能力、容錯能力和學習能力，被廣泛應用到信號處理、故障診斷過程中。現代BP神經網絡也被廣泛應用到機械故障診斷過程中，但是因為此算法存在一定的缺陷，無法在實際使用中推廣。徑向基函數神經網絡和BP神經網絡相比，其能夠避免陷入最小局部的可能性，并且還具有較快的學習速度和收斂速度。基于此，本文就針對轉子系統裂紋故障，使用徑向基函數神經網絡進行診斷處理。

　　1徑向基函數神經網絡

　　徑向基函數(RBF)神經網絡屬于局部逼近網絡，其具有較強的學習能力，并且結構較為簡單，具有較快的收斂速度，還能夠以任意精度逼近任意連續的函數。典型的徑向基函數神經網絡主要包括隱層、輸入層、輸出層，輸入層節點的個數和輸入信號維數具有密切的聯系，隱層節點的個數和實際問題的描述需求具有密切的聯系，輸出層主要是通過目標輸出實現。

　　徑向基函數神經網絡是一種分布式核函數學習模型，輸入模式的分布將核作為中心。X表示網絡n維輸入，y表示m維輸入。對于徑向基函數神經網絡隱層節點i來說，輸出值屬于n維輸入向量x和網絡隱層節點中心Ci的組合運算，通過下式表示：qi=exp[-((x-Ci)T(x-Ci))/2σ2]其中qi表示隱層節點輸出，Ci表示隱層i節點中心。輸出層節點輸出值為隱層節點線性的組合，計算公式為：yk=wkiqi-θk其中yk表示輸出層k節點輸出值，θk表示輸出層k節點閥值。Wki表示qi到yk的連續權值。

　　2轉子系統裂紋動力學模型

　　假如轉子系統包括具有多個節點的有限元模型，轉盤質量及軸承質量都在相對應的節點中，將系統中單元質量、阻尼、剛度和陀螺力矩相互結合，組成的轉子系統動力學模型為：Mq2+Dq1+K(t)q=Fu(t)+Fgq2表示轉子系統節點位移矢量，q1表示轉子系統節點速度矢量，q表示轉子系統節點加速度矢量、M表示質量矩陣，Fu(t)表示不平衡激振力矢量，Fg表示重力矢量。

　　本文研究過程中考慮到的轉子系統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，通過力學原理表示，產生裂紋降低了轉子剛度，在轉子運行過程中的李文面的應力方向及大小都具有要一定的變化，剛度是在時間變化過程中不斷變化。裂紋轉子剛度模型較多，并且在不斷的完善，不同模型及條件中的轉子裂紋動力學特性具有較大的差別。

　　因為裂紋的狀態特點差異都會導致轉子系統阻尼不同，所以使轉子系統裂紋位置系統動態成為μ(q，q1)=-M-1(Dq1+Kq)，那么組成的轉子系統動力學模型就為：q2=μ(q，q1)+M-1(Fu(t)+Fg)裂紋的深度、擴展方向、偏心夾角、質量偏心及轉速等多種因素的綜合作用中，轉子系統振動信號為倍周期、周期及混沌，所以運動中的系統軌跡就是回歸軌跡。那么就可以將轉子系統在不同節點中的振動信號作為觀測的值，假如轉子系統在出現故障前后狀態仍然有界，也就是q(t)，q1(t)∈Ω，Ω表示緊集。

　　3轉子系統裂紋故障的診斷

　　考慮多種裂紋故障的可能性，轉子系統的動力學方程為：q2=μk(q，q1)+M-1(Fu(t)+Fg)μk(q，q1)為出現裂紋故障k時候的位置系統動態，系統動態能夠被精準的辨識，并且在常數神經網絡中存儲，如果轉子系統出現裂紋故障的時候，常數神經網絡能夠在短時間內回憶已經學習的知識，從而為轉子系統動態提供精準的信息，也就是在系統軌跡局部區域中，轉子位置系統的動態能夠被常數徑向基函數神經網絡逼近。

　　在診斷轉子系統故障的過程中，不需要對系統進行動態神經網絡辨識，能夠從已經辨識的轉子系統裂紋動態尋找目前被檢測的轉子系統相近的系統動態，所以使用常數徑向基函數神經系統創建和正常模式相對應的動態估計器：vk=-B(vk-q1)+WkTS(Z)+M-1(Fu(t)+Fg)q1表示轉子系統監視時候的節點速度矢量，vk表示動態估計器的狀態矢量，B表示正定設計矩陣，每個動態估計器都相同，那么神經網絡通過以下表示：WkTS(Z)=[W1kTS1(Z)...WnkTSn(Z)]T殘差系統使用分量表示為：vik=-bivik+WikTS(Z)-μi(q,q1)=-bivik+μi(q,q1)Vik表示殘差，μi(q,q1)表示檢測轉子系統和動態估計器的系統動態差異。

　　殘差能夠將目前轉子系統的動態變化直接的反映出來，從而利用殘差變化的檢測實現故障診斷。但是因為在動態差異符號改變的過程中，動態估計器不匹配就會產生接近0的殘差，從而出現誤判，所以就取殘差平均范數，表示為：||vik||=(1/T)|vik(τ)|dτ，t>TT表示轉子系統被檢測過程中的運行周期。轉子系統裂紋故障檢測和診斷過程為自動動態匹配，故障檢測及分離為相互并行，那么轉子系統裂紋故障診斷的策略為：將被檢測的轉子系統和動態估計器為0時候進行對比，如果在任意時間t>T對i∈(1,...,n)，并且||vi0(t)||表示為檢測閾值，那么表示轉子系統正常。

　　4系統仿真

　　通過相應運行狀態的神經網絡，創建動態估計器。因為被檢測轉子系統在2s之前運行正常，在2s之后出現帶偏角輕微裂痕，動態估計器在X和Y方向中的速度殘差曲線詳見圖1.對圖1進行分析，動態估計器殘差在2s之前值最小，從而表示轉子系統運行正常。在時間接近2s時候動態估計器殘差不斷擴大，并且超過了相應閾值，從而表示轉子系統出現故障。

　　在3s時候動態估計器殘差最小，從而表示系統出現了帶偏角輕微裂紋。部分原始網絡訓練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。部分歸一化網絡訓練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。神經網絡歸一化的特點就是對同一樣本統計的分布進行歸納，將歸一化訓練樣本融入到神經網絡中訓練，目標誤差為0.網絡目標輸出為：轉子正常1;轉子偏心2，轉子不平衡3，轉子彎曲4。神經網絡通過多次迭代，訓練進度為10-29，訓練結果為表示輸出結果和網絡目標輸出值相通，訓練結果正確率為100%，表示在轉子系統故障診斷中使用神經網絡可行。

　　5結束語

　　本文針對轉子系統裂紋故障，提出了徑向基函數神經網絡下的轉子系統裂紋故障診斷處理方式，使用徑向基函數神經網絡實現轉子系統裂紋的精準識別，并且通過已經辨識的信息實現裂紋故障的在線監測及診斷。和傳統神經網絡故障診斷方式相比，此方法能夠通過常數神經網絡的方式存儲，能夠在故障診斷過程中使用。

　　參考文獻

　　[1]熊國江,石東源,朱林.基于多輸出衰減徑向基函數神經網絡的電網故障診斷[J].電力系統保護與控制,2013(21):38-45.

　　[2]吳玉香,張景,王聰.基于徑向基函數神經網絡的轉子系統裂紋故障診斷[J].控制理論與應用,2014,31(08):1061-1068.

　　[3]沈艷霞,季凌燕,紀志成.基于徑向基函數神經網絡故障觀測器的風能轉換系統容錯控制器設計[J].信息與控制,2015,44(03):359-366.

　　[4]熊國江,石東源,朱林等.基于徑向基函數神經網絡的電網模糊元胞故障診斷[J].電力系統自動化,2014,38(05):59-65.

　　[5]曹保鈺,陳國安,李偉等.基于RBF神經網絡的多轉子故障類型診斷[J].現代制造工程,2013(05):126-130.

　　[6]石東源,熊國江,陳金富等.基于徑向基函數神經網絡和模糊積分融合的電網分區故障診斷[J].中國電機工程學報,2014,34(04):562-569.

　　[7]張景.基于確定學習的轉子系統故障診斷[D].華南理工大學,2014.

　　作者：賈文雅

　　推薦閱讀：化工機械運轉故障防控方案策劃

　　設備安裝質量是企業內技術管理、人員素質、綜合效能、計量檢測手段等諸多因素的綜合反映。