RBF神经网络在变速箱齿轮故障诊断中的应用

2010-12-18 17:05:24来源: 微型机与应用 关键字:故障诊断  神经网络  RBF网络  变速箱齿轮

   由于汽车的特殊运行条件和环境,以及汽车行驶过程中经常性换档,使得变速箱中齿轮、轴、轴承等常发生故障。据统计,由齿轮失效引起的汽车变速箱故障占全部原因的60%。在这里,齿轮失效的主要形式有齿根裂痕和弯曲疲劳引起的断齿等。因而随着汽车技术的发展,对变速箱实施故障诊断、特别是对齿轮的诊断变得尤为重要。目前,故障诊断技术已进入到智能化阶段。对汽车变速器齿轮故障诊断的实施方法有很多种,如磨损残余物分析诊断法、振动监测技术诊断法、声发射技术诊断法、光纤传感技术诊断法、人工神经网络技术诊断法等[1]。

    神经网络技术的出现,为故障诊断问题提供了一种新的解决途径。近几年,RBF神经网络大量应用于机械故障诊断,如汽车发动机、压缩机、水轮机、内燃机等。在故障诊断的应用中,RBF神经网络的应用能准确、快速地判断故障类型和原因,对及早发现和排除故障发挥了很好的作用。在实际运行中,引起故障的原因很多,不同故障表现出的征兆有时具有相似性。针对故障原因与故障征兆之间的非线性关系,应用RBF神经网络进行故障诊断能准确、快速判断故障类型和原因,对于提高安全性具有重要的意义。

    本文提出了RBF网络应用于变速箱齿轮故障诊断的基本方法,利用Matlab神经网络工具箱对变速箱齿轮进行故障诊断仿真,并创建RBF神经网络与BP神经网络来进行故障诊断。

1 神经网络故障诊断原理[2]

    神经网络是由多个神经元按一定的拓扑结构相互连接而成。神经元之间的连接强度体现了信息的存储和相互关联程度,且连接强度可通过学习加以调节。神经元模型结构如图1所示。

    神经网络输入层从监控对象接收各种故障信息及现象,并经归一化处理,计算故障特征值为:X=[x1,x2,…,xn];中间层从输入得到的信息经内部学习和处理,转化为有针对性地解决办法,该层含有隐节点,一般可以完成输入模式到输出模式的非线性映射;输出层通过神经元输出与阈值的比较得出诊断结果。输出层节点数为故障模式的总数。若第j个模式的输出为:Yj=(0,0,…0,1,0…,0,0),即第j个节点的输出为1,其余输出均为0,它表示第j个故障存在(输出0表示无故障)。

    利用神经网络进行故障诊断的基本思想是:以故障特征作为神经网络输入,诊断结果作为神经网络输出。首先利用已有的故障诊断征兆和诊断结果对神经网络进行离线训练,使神经网络通过权值记忆故障征兆与诊断结果之间存在的对应关系;然后将得到的故障征兆加到神经网络的输入端,就可以利用训练后的神经网络进行故障诊断,并得到相应的诊断结果。

    可以看出,神经网络进行故障诊断是利用它的相似性、联想能力和通过学习不断调整权值来实现。给神经网络存入大量样本,神经网络就对这些样本进行学习。当n个类似样本被学习后,根据样本的相似性,把它们归一为同一类的权值分布。当第n+1个相似样本输入时,神经网络会通过学习来识别它的相似性,并经权值调整把这n+1个样本归入一类。神经网络的归类标准表现在权值的分布上。当部分信息丢失时,如n个样本中丢失了n1(n1

    设对神经网络输入具有对应关系的两组样本为X(p)→Y(p),X(p)代表输入的故障信息,Y(p)代表输出的解决策略。在这里,输入的样本越多,它的功能就越强。当有另一故障输入时,如X=X(r)+V,式中,X(r)是样本之一,V为偏差项。神经网络经过学习不断调整权值,就可以输出Y=Y(r),这样,当输入一个新的故障现象,神经网络经过学习总可以找到一个解决策略。

2 RBF神经网络

    径向基函数(Radial Basis Function)神经网络是由J.Moody和C.Darken在20世纪80年代末提出的一种神经网络,它是具有单隐层的三层前馈网络。RBF网络模拟了人脑中局部调整、相互覆盖接受域(或称感受域,Receptive Field)的神经网络结构,已证明RBF网络能任意精度逼近任意连续函数。RBF网络的学习过程与BP网络的学习过程类似,两者的主要区别在于各使用不同的作用函数。BP网络中隐含层使用的是Sigmoid函数,其值在输入空间中无限大的范围内为非零值,因而是一种全局逼近的神经网络;而RBF网络中的作用函数是高斯基函数,其值在输入空间中有限范围内为非零值,因而RBF网络是局部逼近的神经网络。RBF网络是一种三层前向网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的,前者是一个非线性优化的问题,求解方法较复杂,目前可选用的学习方式较多,主要有随机选取RBF中心(直接计算法)、无监督学习选取RBF中心(K-均值聚类法)、有监督学习选取中心(梯度下降法)和正交最小二乘法(OLS)等[3-5]。本文主要采用第一种方法。RBF网络结构如图2所示。

  

    在RBF网络训练中,隐含层神经元数量的确定是关键,一般选取与输入向量的元素相等。然而,在输入矢量很多时,过多的隐含层单元数使网络结构复杂化,影响训练时间。为此提出了改进方法:从0个神经元开始训练,通过检查输出误差使网络自动增加神经元。每次循环使用,使网络产生的最大误差所对应的输入向量作为权值向量w,产生一个新的隐含层神经元,然后检查新网络的误差,重复此过程直至达到误差要求或最大隐含层神经元数为止。

3 实验分析

3.1 RBF神经网络与BP神经网络训练过程

    表1为某汽车变速箱的齿轮啮合频率样本数据。这些数据都是经过归一化处理后的样本数据,共有9个实际样本,3种故障模式,每个样本有15个特征参数[6]。应用Matlab提供的神经网络工具箱构建RBF网络与BP网络,并用表1学习样本进行训练。因此,可按照如下的方式设计网络,网络的输入层神经元个数为15,输出层的个数为3个。由于齿轮包括3种故障模式,因此可以用如下形式表示输出:无故障(1,0,0);齿根裂纹(0,1,0);断齿(0,0,1)。

    利用函数newrb创建一个精确的RBF神经网络,该函数在创建RBF神经网络时,自动选择隐含层的节点数目,使得误差为0.001。代码为:

    net=newrb(x,y,0.001,0.9,15,1);

其中,x为输入向量,y为目标向量,它们可以从表1中得到。径向基函数的扩展速度SPREAD,经不同值的试验确定为0.9,神经元的最大数目为15,两次显示之间所添加的神经元数目为1。由于网络的建立过程就是训练过程,因此得到的网络已经是训练好了的。

    根据经验公式估计BP网络有10个隐层节点,其中隐含层神经元的传递函数为tansig,输出层神经元的传递函数为purelin,选用一种学习效果较好的动量及自适应学习率算法traingdm。两种网络的目标误差设为0.001,对应各自网络的误差平方和与训练步数的变化曲线如图3和图4所示。

    由图3、图4可知,在达到规定的期望误差平方和的前提下,BP网络所需的训练步数约1 847步,RBF网络只需8步。RBF网络训练速度快,可以在很短的时间内诊断出故障,完全能够达到实时诊断的要求。

    RBF网络的误差为:

    NEWRB,neurons=0,sse=3.617 45
    NEWRB,neurons=2,sse=2.755 72
    NEWRB,neurons=3,sse=1.223 87
    NEWRB,neurons=4,sse=0.537 735
    NEWRB,neurons=5,sse=0.179 913
    NEWRB,neurons=6,sse=0.092 184 5
    NEWRB,neurons=7,sse=0.035 904 2
    NEWRB,neurons=8,sse=3.155 44e-029

    BP网络的误差为:

    MSE=9.994 4e-004

    由误差结果可知:RBF训练过程中,隐含层的节点个数(neurons)是从0开始,中间通过检查输出误差(sse)与目标误差(goal)的偏差值,使建立的网络自动增加神经元个数(建立网络时设定每次只增加1个神经元),直到均方误差满足要求为止(sse=3.155 44e-029

3.2 故障诊断推理

    首先验证RBF网络的预测性能。代码为:

    ty=sim(net,tx)
   
其中tx为网络的测试样本。

    三层RBF神经网络进行故障诊断,采用数据驱动的正向推理策略,从初始状态出发,向前推理,到达目标状态为止。其故障诊断结果如表2所示。

    抽取表2所示的3组新数据作为输入数据,对已经训练好的网络进行测试。其测试结果为:

  

    也就是说,将第一组测试数据(无故障)输入网络时,网络输出有ty1=(1.007 3,-0.004 7,-0.002 6),所以网络诊断的结果为无故障;将第二组测试数据(齿根裂纹)输入网络时,网络的输出有ty2=(-0.032 4,0.993 8,0.038 6),所以网络诊断的结果为齿根裂纹;同样,将第三组测试数据(断齿)输入网络时网络的输出有ty3=(-0.008 9,0.004 7,1.004 2),所以网络诊断的结果为断齿。

    BP网络的测试结果为:

   

    从结果来看,应用RBF神经网络对变速箱的齿轮故障进行诊断明显优于应用BP神经网络,达到了应用RBF网络进行故障诊断研究的目的。

    仿真试验表明,RBF神经网络是一种性能良好的非线性逼近网络,对故障类型的识别十分准确。网络训练过程中,在采用相同的输入节点、输出节点,且在相同期望误差平方和的条件下,RBF网络的收敛速度明显高于优化的BP网络,不仅减少了样本的学习时间和复杂度,而且不容易出现局部极小值。通过对比可知,采用RBF网络对变速箱的齿轮进行故障诊断是可行的,并且RBF网络比BP网络诊断速度快且准确,更适用于进行故障诊断。这种故障诊断方法不仅可用于变速箱齿轮故障诊断,也完全可用于柴油机、大型旋转机组等的故障诊断,因而具有广泛的应用前景。

关键字:故障诊断  神经网络  RBF网络  变速箱齿轮

编辑:金海 引用地址:http://www.eeworld.com.cn/gykz/2010/1218/article_3708.html
本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。

上一篇:物联网中的M2M技术国内外标准进展
下一篇:电动自行车控制器的技术原理解析

关注eeworld公众号 快捷获取更多信息
关注eeworld公众号
快捷获取更多信息
关注eeworld服务号 享受更多官方福利
关注eeworld服务号
享受更多官方福利
推荐阅读
全部
故障诊断
神经网络
RBF网络
变速箱齿轮

小广播

独家专题更多

TI车载信息娱乐系统的音视频解决方案
TI车载信息娱乐系统的音视频解决方案
汇总了TI汽车信息娱乐系统方案、优质音频解决方案、汽车娱乐系统和仪表盘参考设计相关的文档、视频等资源
迎接创新的黄金时代 无创想,不奇迹
迎接创新的黄金时代 无创想,不奇迹
​TE工程师帮助将不可能变成可能,通过技术突破,使世界更加清洁、安全和美好。
TTI携TE传感器样片与你相见,一起传感未来
TTI携TE传感器样片与你相见,一起传感未来
TTI携TE传感器样片与你相见,一起传感未来
电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2017 EEWORLD.com.cn, Inc. All rights reserved