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

   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。
论坛活动 E手掌握
微信扫一扫加关注
论坛活动 E手掌握
芯片资讯 锐利解读
微信扫一扫加关注
芯片资讯 锐利解读
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

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
富士通铁电随机存储器FRAM主题展馆
富士通铁电随机存储器FRAM主题展馆
馆内包含了 纵览FRAM、独立FRAM存储器专区、FRAM内置LSI专区三大部分内容。 
走,跟Molex一起去看《中国电子消费品趋势》!
走,跟Molex一起去看《中国电子消费品趋势》!
 
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 © 2005-2016 EEWORLD.com.cn, Inc. All rights reserved