摘要：神經(jīng)網(wǎng)絡(luò)的自適應(yīng)、自學(xué)習(xí)和對(duì)非線性系統(tǒng)超強(qiáng)的分析能力使它成為故障診斷的常用方法。本文通過分析RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)成和特性，將塔式起重機(jī)身上關(guān)鍵位置的傳感器測(cè)量所得的形變量作為特征參數(shù)，運(yùn)用 RBF神經(jīng)網(wǎng)絡(luò)對(duì)塔式起重機(jī)的典型故障進(jìn)行診斷分析。實(shí)踐表明，RBF神經(jīng)網(wǎng)絡(luò)方法對(duì)于多征兆機(jī)械系統(tǒng)的故障診斷是有效、可行的。 關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；塔式起重機(jī)；故障診斷 0 引言 根據(jù)塔式起重機(jī) 處于不同的狀態(tài)所產(chǎn)生的信息不同的特點(diǎn)，把塔式起重機(jī)偏離正常運(yùn)行的運(yùn)行狀態(tài)稱為故障狀態(tài)。由故障診斷原理可知，故障診斷的過程就是將故障征兆集非線性映射到故障集的過程，被診斷設(shè)備的某一種故障類型往往引起多個(gè)故障征兆；某一故障征兆又可以由多種故障類型引發(fā)。因此，從本質(zhì)上講，故障診斷過程就是分類識(shí)別的過程 。該過程難以用明確的數(shù)學(xué)模型來描述，利用神經(jīng)網(wǎng)絡(luò)的方法使得這種分類識(shí)別成為可能。 神經(jīng)網(wǎng)絡(luò)作為一種新的方法體系，具有分布并行處理、非線性映射、自適應(yīng)學(xué)習(xí)和魯棒容錯(cuò)等特性，這使得它在模式識(shí)別、控制優(yōu)化、智能信息處理以及故障診斷等方面都有廣泛的應(yīng)用?，F(xiàn)今常用的神經(jīng)網(wǎng)絡(luò)模型主要有自適應(yīng)共振理論模型（ART）、誤差反向傳播模型（BP）、自組織映射模型（SOM）、徑向基函數(shù)網(wǎng)絡(luò)模型（RBF）等 ，目前應(yīng)用最廣泛的當(dāng)屬 BP網(wǎng)絡(luò)模型和 RBF網(wǎng)絡(luò)模型。 本文通過對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成和特性進(jìn)行分析，將塔式起重機(jī)身上關(guān)鍵位置的傳感器測(cè)量所得的形變量作為特征參數(shù)，運(yùn)用 RBF神經(jīng)網(wǎng)絡(luò)對(duì)塔式起重機(jī)的典型7種故障進(jìn)行診斷分析。實(shí)驗(yàn)結(jié)果表明，采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)于診斷多征兆機(jī)械系統(tǒng)的故障是有效、可行的。 [b]1 RBF神經(jīng)網(wǎng)絡(luò)模型 [/b] BP網(wǎng)絡(luò)是典型的全局逼近網(wǎng)絡(luò)，即對(duì)每一個(gè)輸入輸出數(shù)據(jù)時(shí)，網(wǎng)絡(luò)的所有參數(shù)均要調(diào)整。由于BP神經(jīng)網(wǎng)絡(luò)是基于梯度下降的誤差反向傳播算法進(jìn)行學(xué)習(xí)的，所以其網(wǎng)絡(luò)訓(xùn)練速度通常很慢，而且容易陷入局部極小點(diǎn)，盡管采用一些改進(jìn)快速算法可以較好地解決某些實(shí)際問題，但是在設(shè)計(jì)過程中往往要經(jīng)過反復(fù)的試湊和訓(xùn)練過程，無法嚴(yán)格保證每次訓(xùn)練時(shí)BP算法的收斂性和全局最優(yōu)性。此外，BP網(wǎng)絡(luò)隱層神經(jīng)元的作用機(jī)理及個(gè)數(shù)選擇也是BP網(wǎng)絡(luò)中難以確定的問題。而徑向基函數(shù)網(wǎng)絡(luò)模型（RBF）是以函數(shù)逼近理論為基礎(chǔ)而構(gòu)造的一類前向網(wǎng)絡(luò)，這類網(wǎng)絡(luò)學(xué)習(xí)等價(jià)于在多維空間中尋找訓(xùn)練數(shù)據(jù)的最佳擬合面，網(wǎng)絡(luò)的每個(gè)隱層神經(jīng)元傳遞函數(shù)都構(gòu)成了擬合平面的一個(gè)基函數(shù)。RBF網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)，對(duì)輸入空間的某一局部區(qū)域只有少數(shù)的神經(jīng)元用于決定網(wǎng)絡(luò)的輸出。由于二者的構(gòu)造本質(zhì)不同，RBF網(wǎng)絡(luò)與BP網(wǎng)絡(luò)相比規(guī)模通常較大一些，但學(xué)習(xí)速度較快，并且網(wǎng)絡(luò)的函數(shù)逼近能力、模式識(shí)別與分類能力都優(yōu)于前者。 1.1RBF神經(jīng)元模型 一個(gè)具有 維輸入的徑向基函數(shù)神經(jīng)元模型如圖1所示。圖中 的模塊表示求取輸入矢量和權(quán)值矢量的距離。此模型中采用高斯函數(shù)radbas作為徑向基神經(jīng)元的傳遞函數(shù)，其輸入 為輸入矢量 和權(quán)值矢量ｗ的距離乘以閾值，高斯函數(shù)radbas是典型的徑向基函數(shù)，其表達(dá)式為 其函數(shù)曲線如圖2所示。 [align=center] 圖1 具有R維輸入的徑向基函數(shù)神經(jīng)元[/align] [align=center] 圖2 高斯徑向基函數(shù)曲線[/align] 中心與寬度是徑向基函數(shù)神經(jīng)元的兩個(gè)重要參數(shù)。神經(jīng)元的權(quán)值矢量ｗ確定了徑向基函數(shù)的中心，當(dāng)輸入矢量 與ｗ重合時(shí)，徑向基函數(shù)神經(jīng)元的輸出達(dá)到最大值，當(dāng)輸入矢量 距離ｗ越遠(yuǎn)時(shí)，神經(jīng)元的輸出就越小。神經(jīng)元的閾值 確定了徑向基函數(shù)的寬度，當(dāng) 越大，則輸入矢量 在遠(yuǎn)離ｗ時(shí)函數(shù)的衰減幅度就越大。 1.2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 一個(gè)典型的徑向基函數(shù)網(wǎng)絡(luò)包括2層，即隱層和輸出層，如圖3所示。網(wǎng)絡(luò)的輸入維數(shù)為 ，隱層神經(jīng)元個(gè)數(shù)為 、輸出個(gè)數(shù)為 ,隱層神經(jīng)元采用高斯函數(shù)作為傳遞函數(shù)，輸出層的傳遞函數(shù)為線性函數(shù)。圖中 表示隱層輸出矢量 的第 個(gè)元素， 表示第 個(gè)隱層神經(jīng)元的權(quán)值矢量，即隱層神經(jīng)元矩陣w的第i行。 [align=center] 圖3 徑向基函數(shù)網(wǎng)絡(luò)結(jié)構(gòu)圖[/align] 2 塔式起重機(jī)常見故障診斷實(shí)例 經(jīng)過大量的實(shí)地考察了解和分析，塔式起重機(jī)的主要典型故障有 ：（1）起重量過大（A）；（2）塔機(jī) 剛度不夠（B）；（3）起重力矩大（C）；（4）起升高度大（D）；（5）起重幅度不合適（E）；（6）風(fēng)速大（F）；（7） 支撐點(diǎn)松動(dòng)（G）。通過對(duì)塔式起重機(jī)的故障進(jìn)行實(shí)地測(cè)試,通過安裝在塔身上關(guān)鍵位置的傳感器測(cè)量該處的形變量，經(jīng)數(shù)據(jù)采集系統(tǒng)和數(shù)據(jù)處理系統(tǒng)對(duì)塔式起重機(jī)的狀態(tài)進(jìn)行監(jiān)測(cè),共選取9個(gè)測(cè)試點(diǎn)作為檢測(cè)對(duì)象。對(duì)各個(gè)故障狀態(tài)分別進(jìn)行數(shù)據(jù)采集，形成標(biāo)準(zhǔn)樣本數(shù)據(jù)和待檢數(shù)據(jù)。 采集后的樣本數(shù)據(jù)經(jīng)過歸一化處理,用迭代方法設(shè)計(jì)RBF網(wǎng)絡(luò)對(duì) 70個(gè)（每種10個(gè)）訓(xùn)練樣本進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)訓(xùn)練更有效。該方法每迭代1次就增加1個(gè)神經(jīng)元，直到平方和誤差下降到目標(biāo)誤差以下時(shí)迭代停止。網(wǎng)絡(luò)設(shè)置中，目標(biāo)誤差為0.01，擴(kuò)展常數(shù)為0.5。其網(wǎng)絡(luò)訓(xùn)練過程如圖4所示。 [align=center] 圖4 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程[/align] 訓(xùn)練過程顯示，RBF算法迭代了15次即達(dá)到了目標(biāo)誤差的要求，這比BP算法動(dòng)則百次千次的迭代要快得多。 3實(shí)驗(yàn)結(jié)果 為了驗(yàn)證訓(xùn)練后的RBF神經(jīng)網(wǎng)絡(luò)對(duì)塔機(jī)故障的診斷性能，本文利用MATLAB進(jìn)行實(shí)驗(yàn)仿真 ，檢測(cè)結(jié)果如下所示，表1為待測(cè)的3組樣本,送入訓(xùn)練好的RBF網(wǎng)絡(luò)，檢測(cè)結(jié)果如表2所示。 表1 待測(cè)試樣本 表2 網(wǎng)絡(luò)診斷輸出結(jié)果 由表2中粗體數(shù)字可以看出，RBF網(wǎng)絡(luò)能有效地對(duì)3種情況進(jìn)行診斷。結(jié)果表明RBF網(wǎng)絡(luò)有唯一確定的解，不存在 BP網(wǎng)絡(luò)中所遇到的局部極小值問題，而且與BP網(wǎng)絡(luò)收斂速度慢的缺陷相反，RBF網(wǎng)絡(luò)學(xué)習(xí)速度快，適于在線實(shí)時(shí)監(jiān)測(cè)與診斷。 [b]4結(jié)論 [/b] 本文研究了基于 RBF神經(jīng)網(wǎng)絡(luò)的塔式起重機(jī)的故障診斷方法。在總結(jié)塔機(jī)故障規(guī)律的基礎(chǔ)上，采用 MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)來對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和仿真，以實(shí)現(xiàn)塔機(jī)的故障診斷，并通過檢測(cè)樣本的仿真實(shí)例表明該方法是有效可行的。