張江濤+史朋波+張嫻

摘 要：文章講述了徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)的基本原理和算法，采用了小波包的故障特征提取的方法，將特征向量代入RBF神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和故障模式識(shí)別，將該模型應(yīng)用于齒輪箱故障診斷和識(shí)別，并且建立了齒輪箱的RBF網(wǎng)絡(luò)故障診斷模型，結(jié)果表明：RBF神經(jīng)網(wǎng)絡(luò)性能優(yōu)于一般的神經(jīng)網(wǎng)絡(luò)，具有較快的訓(xùn)練速度、精度較高和較強(qiáng)的非線性映射能力的故障識(shí)別能力，適用于齒輪箱的狀態(tài)監(jiān)測(cè)和故障診斷，該方法診斷效果良好，有廣泛的應(yīng)用前景。

關(guān)鍵詞：齒輪；故障診斷；小波包；徑向基神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP206 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2017）24-0069-02

1 小波包分析原理

當(dāng)小波分析方法出現(xiàn)了一些分析上不足的時(shí)候，小波包分析理論迅速地出現(xiàn)并發(fā)展起來(lái)，彌補(bǔ)小波分析理論的不足，同時(shí)在小波變換理論方法的基礎(chǔ)，進(jìn)一步地對(duì)振動(dòng)信號(hào)中的高頻信號(hào)成分研究和分解，此時(shí)我們得到的時(shí)-頻分辨率是比較理想的。因此，小波包分析可以應(yīng)用于一種非穩(wěn)態(tài)以及非線性的信號(hào)分析方法，同時(shí)該分析方法得到了廣泛的應(yīng)用[1]。

根據(jù)多分辨分析原理，并利用尺度因子j的不同，我們可以知道所有子空間的正交和就是Hilbert空間L2（R）分解所得到的結(jié)果。即我們可以把所得到的空間視為一種新的子空間，它能夠統(tǒng)一兩大子空間即小波子空間和表征尺度子空間，表達(dá)式如下所示：

小波包分析方法能夠?qū)j進(jìn)一步分解，實(shí)驗(yàn)便能夠取得的高頻部分的分辨率是比較優(yōu)越的，同時(shí)這時(shí)所呈現(xiàn)的時(shí)頻特性也是具有比較顯著的特點(diǎn)。與多分辨分析比較，該方法具有分解更加精細(xì)的特點(diǎn)[2]。

2 徑向基神經(jīng)網(wǎng)絡(luò)基本原理

1985年的時(shí)候，由Powell等人提出了徑向基函數(shù)的研究方法，之后在1988年，Broomhead等人又提出了多變量差值的徑向基函數(shù)的研究方法，同時(shí)將這種算法運(yùn)用到了神經(jīng)網(wǎng)絡(luò)，這就出現(xiàn)了我們所熟知且識(shí)別性能比較好的徑向基神經(jīng)網(wǎng)絡(luò)。

如圖1所示，該結(jié)構(gòu)圖顯示的是n-h-m型RBF神經(jīng)網(wǎng)絡(luò)模型，該模型表示的是輸入層神經(jīng)元為n個(gè)，隱含層神經(jīng)元有h個(gè)，輸出神經(jīng)元是m個(gè)。規(guī)定該RBF模型的輸入向量為x=（x1，x2，...xn，）T∈Rn，b=[b1，b1，...，bm]T為輸出單元的偏移，w∈Rh×m為輸出的權(quán)值矩陣，y=[y1，y1，...，ym]T為網(wǎng)絡(luò)的輸出量。

針對(duì)于每個(gè)輸出單元yj（j=1，2，...，m），最常用的徑向基函數(shù)是：

由上述的RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模式能夠看到評(píng)價(jià)該網(wǎng)絡(luò)的性能優(yōu)劣的重要因素在于，該網(wǎng)絡(luò)模型的隱含層的節(jié)點(diǎn)數(shù)目h合適合理，數(shù)據(jù)中心ci和寬度？滓i的選取是否符合數(shù)據(jù)的結(jié)構(gòu)特點(diǎn)，與此同時(shí)連接隱含層的輸出層的閾值和權(quán)值的初始值的選取也是會(huì)對(duì)模型的性能構(gòu)成影響[3]。

3 小波包與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的齒輪故障診斷

本文根據(jù)小波包分析的理論對(duì)信號(hào)進(jìn)行分解和提取特征信號(hào)，之后將提取到的信號(hào)特征向量代入RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行了大量的訓(xùn)練，經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)模型對(duì)齒輪故障狀態(tài)進(jìn)行識(shí)別。這種研究方法就是我們提出的小波包與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的齒輪故障診斷方法。關(guān)于該網(wǎng)絡(luò)的隱含層所含有的神經(jīng)元的數(shù)目確定方法是試湊法，在試驗(yàn)中我們一共構(gòu)建了53個(gè)神經(jīng)網(wǎng)絡(luò)，它們都是在[4，56]取值范圍內(nèi)，以1為步長(zhǎng)來(lái)構(gòu)建的網(wǎng)絡(luò)模型。最終我們選擇識(shí)別性能比較優(yōu)越的網(wǎng)絡(luò)隱含層所含有的神經(jīng)元數(shù)量作為我們最終模型中隱含層神經(jīng)元數(shù)量參數(shù)。通過(guò)實(shí)驗(yàn)，我們選出了54個(gè)作為隱含層神經(jīng)元個(gè)數(shù)以及0.1是SPREAD值的網(wǎng)絡(luò)模型。

利用轉(zhuǎn)子試驗(yàn)臺(tái)測(cè)得了70組實(shí)驗(yàn)數(shù)據(jù)，其中含有10組故障狀態(tài)各異的齒輪模型，我們利用實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了本次的實(shí)驗(yàn)研究，根據(jù)小波包分析的分解原理進(jìn)行振動(dòng)信號(hào)分解同時(shí)提取齒輪的故障特征，按照上述方法對(duì)10組實(shí)驗(yàn)數(shù)據(jù)逐一提取信號(hào)的特征向量，我們將其中的7組齒輪模型數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，另外的3組數(shù)據(jù)使用我們的測(cè)試樣本數(shù)據(jù)。在實(shí)驗(yàn)中進(jìn)行網(wǎng)絡(luò)訓(xùn)練輸入樣本的有49組數(shù)據(jù)，一共經(jīng)歷了54次的迭代計(jì)算，此時(shí)網(wǎng)絡(luò)的最小誤差開始呈現(xiàn)平穩(wěn)的狀態(tài)，表明了RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練階段已經(jīng)完成。

如表1為所建立的網(wǎng)絡(luò)模型的故障識(shí)別結(jié)果，即小波包與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的齒輪故障診斷模型的識(shí)別率，經(jīng)過(guò)網(wǎng)絡(luò)模型的計(jì)算診斷的點(diǎn)蝕故障的正確診斷率是0.667，磨損故障識(shí)別率是0.833，正常模式的識(shí)別率是0.667，斷齒故障正確識(shí)別率是0.833?？傮w的識(shí)別率是0.762，結(jié)果證明了我們所提出的研究方法在齒輪故障診斷的應(yīng)用方面是具有一定優(yōu)越性和可行性，由此證明本次實(shí)驗(yàn)所建立的齒輪故障識(shí)別的RBF神經(jīng)網(wǎng)絡(luò)是比較可行的方法，并且具有較好的容噪性同時(shí)也證明了RBF網(wǎng)絡(luò)在實(shí)踐應(yīng)用中的準(zhǔn)確性和可靠性。

4 結(jié)束語(yǔ)

在轉(zhuǎn)子試驗(yàn)臺(tái)故障診斷的研究中，本文根據(jù)小波包分析的理論對(duì)信號(hào)進(jìn)行分解和提取特征信號(hào)，將信號(hào)特征向量代入RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)模型對(duì)齒輪故障狀態(tài)進(jìn)行識(shí)別，提出小波包與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的齒輪故障診斷方法。并運(yùn)用大量的實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證診斷理論的正確性和可行性，最終網(wǎng)絡(luò)計(jì)算診斷識(shí)別率呈現(xiàn)的良好的結(jié)果證明了該研究方法比較適合用于齒輪的故障診斷，同時(shí)也證明在故障診斷方面該網(wǎng)絡(luò)模型要比一般網(wǎng)絡(luò)更具優(yōu)越性，能夠在訓(xùn)練時(shí)間比較短的情況下，完成最佳逼近、收斂速度快、精度高、全局最優(yōu)、同時(shí)隱層單元數(shù)比較少的故障識(shí)別和診斷。在故障樣本數(shù)足夠大情況下，小波包與RBF網(wǎng)絡(luò)診斷模型具有十分理想的故障分類效果，比較適合于機(jī)械故障的智能診斷。

參考文獻(xiàn)：

[1]孫振明.齒輪箱故障診斷中信號(hào)解調(diào)方法的研究[J].中國(guó)機(jī)械工程，2002，9.

[2]時(shí)建峰，程珩，許征程，等.小波包與改進(jìn)BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的齒輪箱故障識(shí)別[J].振動(dòng)、測(cè)試與診斷，2009，03：321-324+372.

[3]李志農(nóng)，丁啟全，吳昭同，等.雙相干譜和RBF網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J].機(jī)械強(qiáng)度，2003，25（4）：360-363.endprint