這篇故障診斷論文發(fā)表了轉子系統(tǒng)裂紋檢測定量識別，人工神經(jīng)網(wǎng)絡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)絡和基于模型轉子系統(tǒng)診斷技術在非線性系統(tǒng)動態(tài)辨識過程中的優(yōu)勢，提出了全新的轉子系統(tǒng)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(shù),神經(jīng)網(wǎng)絡,轉子系統(tǒng),故障診斷

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

　　人工神經(jīng)網(wǎng)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(xiàn)代BP神經(jīng)網(wǎng)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(shù)神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)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(tǒng)裂紋故障，使用徑向基函數(shù)神經(jīng)網(wǎng)絡進行診斷處理。

　　1徑向基函數(shù)神經(jīng)網(wǎng)絡

　　徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡屬于局部逼近網(wǎng)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(xù)的函數(shù)。典型的徑向基函數(shù)神經(jīng)網(wǎng)絡主要包括隱層、輸入層、輸出層，輸入層節(jié)點的個數(shù)和輸入信號維數(shù)具有密切的聯(lián)系，隱層節(jié)點的個數(shù)和實際問題的描述需求具有密切的聯(lián)系，輸出層主要是通過目標輸出實現(xiàn)。

　　徑向基函數(shù)神經(jīng)網(wǎng)絡是一種分布式核函數(shù)學習模型，輸入模式的分布將核作為中心。X表示網(wǎng)絡n維輸入，y表示m維輸入。對于徑向基函數(shù)神經(jīng)網(wǎng)絡隱層節(jié)點i來說，輸出值屬于n維輸入向量x和網(wǎng)絡隱層節(jié)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(jié)點輸出，Ci表示隱層i節(jié)點中心。輸出層節(jié)點輸出值為隱層節(jié)點線性的組合，計算公式為：yk=wkiqi-θk其中yk表示輸出層k節(jié)點輸出值，θk表示輸出層k節(jié)點閥值。Wki表示qi到y(tǒng)k的連續(xù)權值。

　　2轉子系統(tǒng)裂紋動力學模型

　　假如轉子系統(tǒng)包括具有多個節(jié)點的有限元模型，轉盤質量及軸承質量都在相對應的節(jié)點中，將系統(tǒng)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(tǒng)動力學模型為：Mq2+Dq1+K(t)q=Fu(t)+Fgq2表示轉子系統(tǒng)節(jié)點位移矢量，q1表示轉子系統(tǒng)節(jié)點速度矢量，q表示轉子系統(tǒng)節(jié)點加速度矢量、M表示質量矩陣，F(xiàn)u(t)表示不平衡激振力矢量，F(xiàn)g表示重力矢量。

　　本文研究過程中考慮到的轉子系統(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，通過力學原理表示，產(chǎn)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(tài)特點差異都會導致轉子系統(tǒng)阻尼不同，所以使轉子系統(tǒng)裂紋位置系統(tǒng)動態(tài)成為μ(q，q1)=-M-1(Dq1+Kq)，那么組成的轉子系統(tǒng)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(tǒng)振動信號為倍周期、周期及混沌，所以運動中的系統(tǒng)軌跡就是回歸軌跡。那么就可以將轉子系統(tǒng)在不同節(jié)點中的振動信號作為觀測的值，假如轉子系統(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轉子系統(tǒng)裂紋故障的診斷

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

　　在診斷轉子系統(tǒng)故障的過程中，不需要對系統(tǒng)進行動態(tài)神經(jīng)網(wǎng)絡辨識，能夠從已經(jīng)辨識的轉子系統(tǒng)裂紋動態(tài)尋找目前被檢測的轉子系統(tǒng)相近的系統(tǒng)動態(tài)，所以使用常數(shù)徑向基函數(shù)神經(jīng)系統(tǒng)創(chuàng)建和正常模式相對應的動態(tài)估計器：vk=-B(vk-q1)+WkTS(Z)+M-1(Fu(t)+Fg)q1表示轉子系統(tǒng)監(jiān)視時候的節(jié)點速度矢量，vk表示動態(tài)估計器的狀態(tài)矢量，B表示正定設計矩陣，每個動態(tài)估計器都相同，那么神經(jīng)網(wǎng)絡通過以下表示：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)表示檢測轉子系統(tǒng)和動態(tài)估計器的系統(tǒng)動態(tài)差異。

　　殘差能夠將目前轉子系統(tǒng)的動態(tài)變化直接的反映出來，從而利用殘差變化的檢測實現(xiàn)故障診斷。但是因為在動態(tài)差異符號改變的過程中，動態(tài)估計器不匹配就會產(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表示轉子系統(tǒng)被檢測過程中的運行周期。轉子系統(tǒng)裂紋故障檢測和診斷過程為自動動態(tài)匹配，故障檢測及分離為相互并行，那么轉子系統(tǒng)裂紋故障診斷的策略為：將被檢測的轉子系統(tǒng)和動態(tài)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(tǒng)正常。

　　4系統(tǒng)仿真

　　通過相應運行狀態(tài)的神經(jīng)網(wǎng)絡，創(chuàng)建動態(tài)估計器。因為被檢測轉子系統(tǒng)在2s之前運行正常，在2s之后出現(xiàn)帶偏角輕微裂痕，動態(tài)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(tài)估計器殘差在2s之前值最小，從而表示轉子系統(tǒng)運行正常。在時間接近2s時候動態(tài)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(tǒng)出現(xiàn)故障。

　　在3s時候動態(tài)估計器殘差最小，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(wǎng)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(jīng)網(wǎng)絡歸一化的特點就是對同一樣本統(tǒng)計的分布進行歸納，將歸一化訓練樣本融入到神經(jīng)網(wǎng)絡中訓練，目標誤差為0.網(wǎng)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(jīng)網(wǎng)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(wǎng)絡目標輸出值相通，訓練結果正確率為100%，表示在轉子系統(tǒng)故障診斷中使用神經(jīng)網(wǎng)絡可行。

　　5結束語

　　本文針對轉子系統(tǒng)裂紋故障，提出了徑向基函數(shù)神經(jīng)網(wǎng)絡下的轉子系統(tǒng)裂紋故障診斷處理方式，使用徑向基函數(shù)神經(jīng)網(wǎng)絡實現(xiàn)轉子系統(tǒng)裂紋的精準識別，并且通過已經(jīng)辨識的信息實現(xiàn)裂紋故障的在線監(jiān)測及診斷。和傳統(tǒng)神經(jīng)網(wǎng)絡故障診斷方式相比，此方法能夠通過常數(shù)神經(jīng)網(wǎng)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(shù)神經(jīng)網(wǎng)絡的電網(wǎng)故障診斷[J].電力系統(tǒng)保護與控制,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)絡的轉子系統(tǒng)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(shù)神經(jīng)網(wǎng)絡故障觀測器的風能轉換系統(tǒng)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(shù)神經(jīng)網(wǎng)絡的電網(wǎng)模糊元胞故障診斷[J].電力系統(tǒng)自動化,2014,38(05):59-65.

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

　　[6]石東源,熊國江,陳金富等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡和模糊積分融合的電網(wǎng)分區(qū)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(tǒng)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(yè)內(nèi)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。