摘要：神經(jīng)網(wǎng)絡(luò)的自適應(yīng)、自學(xué)習(xí)和對非線性系統(tǒng)超強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，將塔式起重機身上關(guān)鍵位置的傳感器測量所得的形變量作為特征參數(shù)，運用 RBF神經(jīng)網(wǎng)絡(luò)對塔式起重機的典型故障進行診斷分析。實踐表明，RBF神經(jīng)網(wǎng)絡(luò)方法對于多征兆機械系統(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；故障診斷 0 引言 根據(jù)塔式起重機 處于不同的狀態(tài)所產(chǎn)生的信息不同的特點，把塔式起重機偏離正常運行的運行狀態(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)和魯棒容錯等特性，這使得它在模式識別、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RBF神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成和特性進行分析，將塔式起重機身上關(guān)鍵位置的傳感器測量所得的形變量作為特征參數(shù)，運用 RBF神經(jīng)網(wǎng)絡(luò)對塔式起重機的典型7種故障進行診斷分析。實驗結(jié)果表明，采用RBF神經(jīng)網(wǎng)絡(luò)對于診斷多征兆機械系統(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)，即對每一個輸入輸出數(shù)據(jù)時，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，盡管采用一些改進快速算法可以較好地解決某些實際問題，但是在設(shè)計過程中往往要經(jīng)過反復(fù)的試湊和訓(xùn)練過程，無法嚴格保證每次訓(xùn)練時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)元的作用機理及個數(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)的每個隱層神經(jīng)元傳遞函數(shù)都構(gòu)成了擬合平面的一個基函數(shù)。RBF網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)，對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、模式識別與分類能力都優(yōu)于前者。 1.1RBF神經(jīng)元模型 一個具有 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，徑向基函數(shù)神經(jīng)元的輸出達到最大值，當(dāng)輸入矢量 距離ｗ越遠時，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 在遠離ｗ時函數(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)元個數(shù)為 、輸出個數(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 個元素， 表示第 個隱層神經(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 塔式起重機常見故障診斷實例 經(jīng)過大量的實地考察了解和分析，塔式起重機的主要典型故障有 ：（1）起重量過大（A）；（2）塔機 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） 支撐點松動（G）。通過對塔式起重機的故障進行實地測試,通過安裝在塔身上關(guān)鍵位置的傳感器測量該處的形變量，經(jīng)數(shù)據(jù)采集系統(tǒng)和數(shù)據(jù)處理系統(tǒng)對塔式起重機的狀態(tài)進行監(jiān)測,共選取9個測試點作為檢測對象。對各個故障狀態(tài)分別進行數(shù)據(jù)采集，形成標準樣本數(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RBF網(wǎng)絡(luò)對 70個（每種10個）訓(xùn)練樣本進行訓(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個神經(jīng)元，直到平方和誤差下降到目標誤差以下時迭代停止。網(wǎng)絡(luò)設(shè)置中，目標誤差為0.01，擴展常數(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次即達到了目標誤差的要求，這比BP算法動則百次千次的迭代要快得多。 3實驗結(jié)果 為了驗證訓(xùn)練后的RBF神經(jīng)網(wǎng)絡(luò)對塔機故障的診斷性能，本文利用MATLAB進行實驗仿真 ，檢測結(jié)果如下所示，表1為待測的3組樣本,送入訓(xùn)練好的RBF網(wǎng)絡(luò)，檢測結(jié)果如表2所示。 表1 待測試樣本 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3種情況進行診斷。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，適于在線實時監(jiān)測與診斷。 [b]4結(jié)論 [/b] 本文研究了基于 RBF神經(jīng)網(wǎng)絡(luò)的塔式起重機的故障診斷方法。在總結(jié)塔機故障規(guī)律的基礎(chǔ)上，采用 MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)來對網(wǎng)絡(luò)進行訓(xùn)練和仿真，以實現(xiàn)塔機的故障診斷，并通過檢測樣本的仿真實例表明該方法是有效可行的。