RBF和改进BP神经网络在水泵振动故障诊断中的应用比较_史丽萍_汤家升_张晓蕾_
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
故障 类型 1 2 3 4 5 6 7 8 9 X1 0.00 0.00 0.10 0.00 0.55 0.10 0.30 0.00 0.00 X2 0.00 0.00 0.81 0.00 0.33 0.10 0.00 0.70 0.00 X3 0.00 0.00 0.00 0.00 0.00 0.10 0.00 0.20 0.00 X4 0.00 0.00 0.10 0.02 0.00 0.10 0.00 0.00 0.00
基金项目：中国矿业大学青年科研基金资助项目（2008A020）
60
RBF 和改进 BP 神经网络在水泵振动故障诊断中的应用比较
2014.№4
泵内异物，水泵汽蚀，动静磨碰，轴承支撑系统连接 松动，叶轮和转轴之间配合时效，转轴横向裂纹。其 特征频率和常伴频率分别如表 1 所示。 表1
特征项 转子不平衡 转子不对中 油膜振荡 泵内异物 水泵汽蚀 动静磨碰 轴承支撑系统连接松动 叶轮和转轴之间配合时效 转轴横向裂纹
p nm r
（2）
其中，p 为隐含层节点数，n 为输入节点，m 为输 出节点数，r 为 1~10 间的任意整数。代入 n=9，m=9，
2014.№4 大 电 机 技 术
[摘 要] 针对水泵机组振动故障的复杂性，采用了应用较为成熟的基于改进误差反向传播（BP）和径向基
（RBF）神经网络的故障诊断方法。依据归一化的故障特征量样本和目标期望输出，对两种诊断网络进行了 达标训练。通过对工程现场提取的验证数据进行网络诊断测试和对比，证明 RBF 和改进 BP 两种神经网络的 诊断方式均可以满足诊断基本要求，但是改进 BP 神经网络的诊断方式对故障定位更为快速精确。为水泵振动 故障诊断技术的提升打下基础。 [关键词] 水泵机组；振动故障；改进 BP 神经网络；RBF 神经网络 [中图分类号] TH318 [文献标识码] B [文章编号] 1000-3983(2014)04-0059-04
水泵故障类型及其振动分布
频谱征兆 X5 0.89 0.26 0.00 0.98 0.04 0.20 0.40 0.00 0.41 X6 0.06 0.65 0.00 0.00 0.04 0.10 0.10 0.00 0.21 X7 0.05 0.10 0.00 0.00 0.04 0.10 0.10 0.00 0.27 X8 0.00 0.00 0.00 0.00 0.00 0.10 0.00 0.10 0.11 X9 0.00 0.00 0.00 0.00 0.00 0.10 0.10 0.00 0.00
BP 网络的输入层和输出层是与外界联系的接口。 由表 2 可知，每一种故障归一化后的振动特征量个数 为 9，选择输入层数为 9。对于输出层，对应水泵机组 9 种特征故障，选择输出层数为 9。样本目标输出见表 3。 其中故障样本号 1 至 9 对应于 9 种相应的特征故障： 转子不平衡，转子不对中，油膜振荡，泵内异物，水 泵汽蚀，动静磨碰，轴承支撑系统连接松动，叶轮和 转轴之间配合时效，转轴横向裂纹。目标输出中 1.00 代表故障，0.00 代表无故障。 表3
Comparison Between RBF Neural Network and Improved BP Neural Network in the Pump Vibration Fault Diagnosis SHI Liping, TANG Jiasheng, ZHANG Xiaolei, YU Pengxi, Liu Peng (School of Information and Electrical Engineering, China University of Mining and Technology, Xuzhou, 221008, China) Abstract: Considering the complexity of pump unit vibration fault, methods based on Radial Basic Function(RBF) neural network and an Improved BP neural network are given to fault diagnosis of pump vibration.According to the normalized failure characteristicssamples and desired output, two diagnosis networks are trained for the standard goal. By testing and comparing the data extracted from the project cite, the results showthat both the two methods meet the basic requirements of diagnosis，but Improved BP neural network is of higher precision and faster for identifying the fault location. The paper lays the foundation for bettering water pump vibration fault diagnosis technology. Key words: pump unit; vibration fault;improved BP neural network; RBF neural network 行了详细的分析比较，为水泵故障诊断技术的完善和 0 引言 提高提供了一定的理论依据。 矿井水泵机组是一个由流体、机械、电磁三部分 1 水泵故障特征的提取 互相耦合的复杂非线性系统，很多振动故障类型和故 障现象之间往往没有非常明确的关系，各种故障的发 矿井采用的水泵机组设备主要是卧式离心式水泵 生概率也不够确定，使得对其故障结果的诊断难度较 和高压异步电机，其主要工作原理是：异步电机带动 [1] 大 。近年来，随着神经网络技术在信号处理、智能控 水泵转子高速旋转，水泵高速旋转的叶轮叶片带动液 体旋转，利用离心力将液体甩出，从而达到输送的目 制、模式识别、非线性优化等方面应用的日趋成熟， 的[3]。 将神经网络用于水泵的振动故障诊断不失为一种有效 由工作原理可见， 转子作为水泵机组核心部件完 [2] 的方法 。文中采用改进的误差反向传播（BP）神经 成了水泵的主要功能，而振动信号能够实时反映出转 子旋转时大多数振动故障的特征，因此对水泵振动信 网络和径向基（RBF）神经网络两种方法对枣庄大兴 号的分析是水泵故障诊断的有效途径之一。结合旋转 矿水泵的振动信号进行了实验诊断，并对诊断结果进 机械的特点，本文重点分析如下 9 种主要的水泵机组 振动故障类型：转子不平衡，转子不对中，油膜振荡，
式中 n 为所划分的特征频率段数目，μ（xi）为第 i 个节点的输入参数，归一化后 μ（xi）应该在 0~1 内。
2
2.1
BP 神经网络的故障诊断实现
网络设计
在故障诊断系统中，选取合适准确的特征量对以 后进一步的智能诊断有着非常重要的作用。频率特性 是旋转故障诊断中最重要的特征之一，大部分故障都 可以从频率特性中诊断出来，因此，我们可以利用快 速傅里叶变换提取信号在频域上的特征量，比如幅值 等作为故障分析的特征量。 结合通用的 J.Sohre 提出的故障特征征兆表，选取 X1= （ <0.4f ）、 X2= （ 0.40~0.49 ） f 、 X3=0.5f 、 X4= （0.51~0.99）f、X5=1.0f、X6=2.0f、X7=（3.0~5.0f）、 X8=（>5.0f）以及 X9=奇数倍 f 等共 9 种具有代表性 的频率成份作为特征频率。然后以各个频率段或者频 率点处所对应平均振幅和最大振幅的比值作为振动故 障特征量，按照公式 1 进行归一化，见表 2。这样得到 的故障特征量是 9 维的，其中故障样本号 1 至 9 对应 于表格 1 中的 9 种相应的特征故障。 表2
2014.№4 大 电 机 技 术
59
RBF 和改进 BP 神经网络在水泵振动 故障诊断中的应用比较
史丽萍，汤家升，张晓蕾，余鹏玺，刘 鹏 （中国矿业大学 信息与电气工程学院，江苏 徐州 221008）
由于一个 3 层的前向传播网络可以逼近和模拟任 意精度的函数， 故而实际应用中一般使用 3 层 BP 神经 网络，因此，我们这里仅选择一个隐含层。在工程实 际中，最佳的隐含层节点数的确定往往需要依靠工程 技术人员的经验，并进行多次实验之后才能确定。隐 含层如果节点数过少，网络模型比较粗糙，影响网络 的学习和判断。而节点数过多，网络划分过细，抓不 到样本的主要特征，且会增加训练时间[4-5]。这里我们 可以先根据经验公式 2，来确定一个隐含层节点数 p。
(xi ) xi （ / x j） ( i , j 1, 2 , .. ., n )
j 1
n
（1）
矿井水泵常见振动故障及对应频率特征
特征频率 1 倍频 2 倍频 0.4~0.9 倍频 1 倍频 低频 广泛 2 倍频 多频谐波 1 倍频 常伴频率 2 或 3 倍频 1 倍频或高频 低频 无 1 或 2 倍频 1 倍频 3 倍频到高频 1 或 2 倍频 2,3 或 5 倍频
样本目标输出
输出节点
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00
实验测试为了验证两种网络对水泵故障诊断的准确性我们从实验现场采集到两组已经确定转子不平衡和水泵汽蚀故障的特征量进行验证振动频谱的实验数据归一化后见表使用bp神经网络进行仿真验证输出结果整理后见表使用rbf神经网络进行仿真验证输出结果整理后见表62rbf和改进bp神经网络在水泵振动故障诊断中的应用比较20144rbf神经网络样本实际输出输出节点故障样本号1000000000000001000000000000000000000000000000000000000000000000000000000000000000000100000000000000100000000000000000000000000000000000000000000000000000000000000000000010000000000000000000000000000000000000000000000000000000000010000000000000010000000000000000000000000000000000000000000000000000000000000000010000振动频谱征兆实验数据频谱征兆故障类型x1x2x3x4x5x6x7x8x9i1000000000001086005006000000i2053032000000003004004000000验证输出节点输出096850000600002001940000200008000010000000084000800001400317000000989800000000010000000000rbf神经网络验证输出结果验证输出输出节点0194200137000530003900009015150172300072098550016700580001240023700039000130010500491由上表的网络诊断结果可以判断
61
则 P 9 9 r ，即 p 为 5~15。，通过多次递增加 1 试验，隐含层的神经元个数最终确定为 14 个。 网络训练 根据已经确定的输入输出向量， 在 MATLAB 中进 行编程仿真测试。输入节点的传递函数采用 S 型正切 函数“tansig”，输出节点传递函数采用 S 型对数函数 “logsig”。 训练函数采用改进的动量及自适应 lrBP 的梯 度递减训练函数“traingdx”[6-7]。 “traingdx”算法可以更有 效的处理局部极小点问题，并且能够网络训练步数设 定为 1000 次，训练误差为 0.0001，初始学习速率为 0.05，学习速率增加比率为 1.05，减少比率为 0.68，阈 值动量因子为 0.9。 网络训练过程中时刻变化的误差情 况如图 1 所示，可以看出当训练步数达到 686 时，误 差小于 0.0001，此时训练结束。 该网络下的样本实际输出整理后见表 4。 表4
故障 样本 号 1 2 3 4 5 6 7 8 9 1 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2 0.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 3 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00 4 5 6 7 8 9 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00
基金项目：中国矿业大学青年科研基金资助项目（2008A020）
60
RBF 和改进 BP 神经网络在水泵振动故障诊断中的应用比较
2014.№4
泵内异物，水泵汽蚀，动静磨碰，轴承支撑系统连接 松动，叶轮和转轴之间配合时效，转轴横向裂纹。其 特征频率和常伴频率分别如表 1 所示。 表1
特征项 转子不平衡 转子不对中 油膜振荡 泵内异物 水泵汽蚀 动静磨碰 轴承支撑系统连接松动 叶轮和转轴之间配合时效 转轴横向裂纹
p nm r
（2）
其中，p 为隐含层节点数，n 为输入节点，m 为输 出节点数，r 为 1~10 间的任意整数。代入 n=9，m=9，
2014.№4 大 电 机 技 术
[摘 要] 针对水泵机组振动故障的复杂性，采用了应用较为成熟的基于改进误差反向传播（BP）和径向基
（RBF）神经网络的故障诊断方法。依据归一化的故障特征量样本和目标期望输出，对两种诊断网络进行了 达标训练。通过对工程现场提取的验证数据进行网络诊断测试和对比，证明 RBF 和改进 BP 两种神经网络的 诊断方式均可以满足诊断基本要求，但是改进 BP 神经网络的诊断方式对故障定位更为快速精确。为水泵振动 故障诊断技术的提升打下基础。 [关键词] 水泵机组；振动故障；改进 BP 神经网络；RBF 神经网络 [中图分类号] TH318 [文献标识码] B [文章编号] 1000-3983(2014)04-0059-04
水泵故障类型及其振动分布
频谱征兆 X5 0.89 0.26 0.00 0.98 0.04 0.20 0.40 0.00 0.41 X6 0.06 0.65 0.00 0.00 0.04 0.10 0.10 0.00 0.21 X7 0.05 0.10 0.00 0.00 0.04 0.10 0.10 0.00 0.27 X8 0.00 0.00 0.00 0.00 0.00 0.10 0.00 0.10 0.11 X9 0.00 0.00 0.00 0.00 0.00 0.10 0.10 0.00 0.00
BP 网络的输入层和输出层是与外界联系的接口。 由表 2 可知，每一种故障归一化后的振动特征量个数 为 9，选择输入层数为 9。对于输出层，对应水泵机组 9 种特征故障，选择输出层数为 9。样本目标输出见表 3。 其中故障样本号 1 至 9 对应于 9 种相应的特征故障： 转子不平衡，转子不对中，油膜振荡，泵内异物，水 泵汽蚀，动静磨碰，轴承支撑系统连接松动，叶轮和 转轴之间配合时效，转轴横向裂纹。目标输出中 1.00 代表故障，0.00 代表无故障。 表3
Comparison Between RBF Neural Network and Improved BP Neural Network in the Pump Vibration Fault Diagnosis SHI Liping, TANG Jiasheng, ZHANG Xiaolei, YU Pengxi, Liu Peng (School of Information and Electrical Engineering, China University of Mining and Technology, Xuzhou, 221008, China) Abstract: Considering the complexity of pump unit vibration fault, methods based on Radial Basic Function(RBF) neural network and an Improved BP neural network are given to fault diagnosis of pump vibration.According to the normalized failure characteristicssamples and desired output, two diagnosis networks are trained for the standard goal. By testing and comparing the data extracted from the project cite, the results showthat both the two methods meet the basic requirements of diagnosis，but Improved BP neural network is of higher precision and faster for identifying the fault location. The paper lays the foundation for bettering water pump vibration fault diagnosis technology. Key words: pump unit; vibration fault;improved BP neural network; RBF neural network 行了详细的分析比较，为水泵故障诊断技术的完善和 0 引言 提高提供了一定的理论依据。 矿井水泵机组是一个由流体、机械、电磁三部分 1 水泵故障特征的提取 互相耦合的复杂非线性系统，很多振动故障类型和故 障现象之间往往没有非常明确的关系，各种故障的发 矿井采用的水泵机组设备主要是卧式离心式水泵 生概率也不够确定，使得对其故障结果的诊断难度较 和高压异步电机，其主要工作原理是：异步电机带动 [1] 大 。近年来，随着神经网络技术在信号处理、智能控 水泵转子高速旋转，水泵高速旋转的叶轮叶片带动液 体旋转，利用离心力将液体甩出，从而达到输送的目 制、模式识别、非线性优化等方面应用的日趋成熟， 的[3]。 将神经网络用于水泵的振动故障诊断不失为一种有效 由工作原理可见， 转子作为水泵机组核心部件完 [2] 的方法 。文中采用改进的误差反向传播（BP）神经 成了水泵的主要功能，而振动信号能够实时反映出转 子旋转时大多数振动故障的特征，因此对水泵振动信 网络和径向基（RBF）神经网络两种方法对枣庄大兴 号的分析是水泵故障诊断的有效途径之一。结合旋转 矿水泵的振动信号进行了实验诊断，并对诊断结果进 机械的特点，本文重点分析如下 9 种主要的水泵机组 振动故障类型：转子不平衡，转子不对中，油膜振荡，
式中 n 为所划分的特征频率段数目，μ（xi）为第 i 个节点的输入参数，归一化后 μ（xi）应该在 0~1 内。
2
2.1
BP 神经网络的故障诊断实现
网络设计
在故障诊断系统中，选取合适准确的特征量对以 后进一步的智能诊断有着非常重要的作用。频率特性 是旋转故障诊断中最重要的特征之一，大部分故障都 可以从频率特性中诊断出来，因此，我们可以利用快 速傅里叶变换提取信号在频域上的特征量，比如幅值 等作为故障分析的特征量。 结合通用的 J.Sohre 提出的故障特征征兆表，选取 X1= （ <0.4f ）、 X2= （ 0.40~0.49 ） f 、 X3=0.5f 、 X4= （0.51~0.99）f、X5=1.0f、X6=2.0f、X7=（3.0~5.0f）、 X8=（>5.0f）以及 X9=奇数倍 f 等共 9 种具有代表性 的频率成份作为特征频率。然后以各个频率段或者频 率点处所对应平均振幅和最大振幅的比值作为振动故 障特征量，按照公式 1 进行归一化，见表 2。这样得到 的故障特征量是 9 维的，其中故障样本号 1 至 9 对应 于表格 1 中的 9 种相应的特征故障。 表2
2014.№4 大 电 机 技 术
59
RBF 和改进 BP 神经网络在水泵振动 故障诊断中的应用比较
史丽萍，汤家升，张晓蕾，余鹏玺，刘 鹏 （中国矿业大学 信息与电气工程学院，江苏 徐州 221008）
由于一个 3 层的前向传播网络可以逼近和模拟任 意精度的函数， 故而实际应用中一般使用 3 层 BP 神经 网络，因此，我们这里仅选择一个隐含层。在工程实 际中，最佳的隐含层节点数的确定往往需要依靠工程 技术人员的经验，并进行多次实验之后才能确定。隐 含层如果节点数过少，网络模型比较粗糙，影响网络 的学习和判断。而节点数过多，网络划分过细，抓不 到样本的主要特征，且会增加训练时间[4-5]。这里我们 可以先根据经验公式 2，来确定一个隐含层节点数 p。
(xi ) xi （ / x j） ( i , j 1, 2 , .. ., n )
j 1
n
（1）
矿井水泵常见振动故障及对应频率特征
特征频率 1 倍频 2 倍频 0.4~0.9 倍频 1 倍频 低频 广泛 2 倍频 多频谐波 1 倍频 常伴频率 2 或 3 倍频 1 倍频或高频 低频 无 1 或 2 倍频 1 倍频 3 倍频到高频 1 或 2 倍频 2,3 或 5 倍频
样本目标输出
输出节点
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00
实验测试为了验证两种网络对水泵故障诊断的准确性我们从实验现场采集到两组已经确定转子不平衡和水泵汽蚀故障的特征量进行验证振动频谱的实验数据归一化后见表使用bp神经网络进行仿真验证输出结果整理后见表使用rbf神经网络进行仿真验证输出结果整理后见表62rbf和改进bp神经网络在水泵振动故障诊断中的应用比较20144rbf神经网络样本实际输出输出节点故障样本号1000000000000001000000000000000000000000000000000000000000000000000000000000000000000100000000000000100000000000000000000000000000000000000000000000000000000000000000000010000000000000000000000000000000000000000000000000000000000010000000000000010000000000000000000000000000000000000000000000000000000000000000010000振动频谱征兆实验数据频谱征兆故障类型x1x2x3x4x5x6x7x8x9i1000000000001086005006000000i2053032000000003004004000000验证输出节点输出096850000600002001940000200008000010000000084000800001400317000000989800000000010000000000rbf神经网络验证输出结果验证输出输出节点0194200137000530003900009015150172300072098550016700580001240023700039000130010500491由上表的网络诊断结果可以判断
61
则 P 9 9 r ，即 p 为 5~15。，通过多次递增加 1 试验，隐含层的神经元个数最终确定为 14 个。 网络训练 根据已经确定的输入输出向量， 在 MATLAB 中进 行编程仿真测试。输入节点的传递函数采用 S 型正切 函数“tansig”，输出节点传递函数采用 S 型对数函数 “logsig”。 训练函数采用改进的动量及自适应 lrBP 的梯 度递减训练函数“traingdx”[6-7]。 “traingdx”算法可以更有 效的处理局部极小点问题，并且能够网络训练步数设 定为 1000 次，训练误差为 0.0001，初始学习速率为 0.05，学习速率增加比率为 1.05，减少比率为 0.68，阈 值动量因子为 0.9。 网络训练过程中时刻变化的误差情 况如图 1 所示，可以看出当训练步数达到 686 时，误 差小于 0.0001，此时训练结束。 该网络下的样本实际输出整理后见表 4。 表4
故障 样本 号 1 2 3 4 5 6 7 8 9 1 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2 0.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 3 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00 4 5 6 7 8 9 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00