基于神经网络的机械旋转故障诊断方法研究

《基于神经网络的机械旋转故障诊断方法研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于神经网络的机械旋转故障诊断方法研究摘要：在本文中，提出一种新的结合自适应共鸣理论（ART）与基于Kohonen神经网络策略研究（KNN）的机械旋转故障诊断的神经网络（NN）。新的情况发生时,向神经网络的库输入相应的数据以便分析。但是，“掉线”的神经网络无法自动适应，必须通过使用完成的数拯库包括新的数拯重新训练。自适应共鸣理论网络可以解决可集性与稳定性的矛盾。也就是它能在不忘记之前的训练模式（稳定训练）下实施“在线”训练；它可以对之前的训练种类重新编码以适应环境的变化并且口组织。ART-KNN也囊括这些特点而且比初始的ART更适合于机械的故障诊断。为了测验已捉出的网

2、络，考虑到简易性，准确性，和高效性可选取振动作为初态输入。在相同的条件下，通过与其他神经网络的比较，例如自组织特征映射（SOFMs）,学习向量量化（LVQ）与径向基函数（RBF）网络，实验结果都证明已提出网络的性能。ART-Kohonen网络的诊断成功率为100%。然而，SOFM,LVQ与RBF网络各口的成功率为93%,93%以及89%。1.引言当前，随着虚拟神经网络（NNs）的广泛应用故障诊断日趋智能化。但是，”掉线”的NNs不能很好的适应环境中的突然变化。而且，在行的故障发生时，要加载用來训练网络的数据库。这时，“掉线”的网络需耍用已完成的库重新训练。这将导致时间

3、的耗费与昂贵的程序。现实世界里，尽管可以捕捉到部分故障信号,但很难组建训练库再现所有故障的特征。没人知道下一刻会发生什么。这些特性限制“掉线”NNs在故障诊断领域的应用。NNs的机械故障诊断需要在运行的过程中不断接受新的信息并且在接受新的信息期间不损失之前的只是的情况下，自动适应持续拓展的信息。人的大脑可以不必忘记以丽反生过的事情而接受新的事件。因此，我们需要一种能适应“上线”环境变化的智能系统，这种系统应具备处理所谓的稳定性-可塑性的矛盾。也就是说，为了能以一种连续性方式学习新事物，系统设计应具有一定程度的可蜩性并且足够稳定的保存之前的信息而且阻止新事件破坏先前的记

4、忆训练。为了解决这问题，开发了自适应共振（ART）网络并已成功运用于实时训练与分类。ART网络是一种以响应任意输入序列模式的自组织稳定实时识别代码网络，也是生物大脑基本行为功能的数学模式描述的向量分类，比如学习，并行与分布式信息存储，短期和氏期记忆及模式认可。Kohonen神经网络（KNN算法）也被称为自组织特征映射网络（S0FM网络）;它定义前两层神经网络，实现了特色的从感官或其他输入信号的高维空间到低维数组神经元实现了特色的非线性投影。KNN算法包括三个主要步骤：竞争，合作和适应。网络屮的第一步是根据选择鉴别功能比较输出值与输入向量。在输出神经元中，挑选唯一与输入

5、向量关系最紧密的神经元，并标记获胜（最佳匹配）神经元。获胜神经元一旦选出，下一步就是在神经元屮选择已定义的邻居。只有这些神经元的权重定义范围在拓扑获胜神经元附近的将被更新。外神经元的突触权重附近将保持不变。作为获胜神经元的最佳匹配输入向量，在欧式距离感上的学习策略是把突触分配向量移动到输入向量的分配。在本文屮，我们捉出了一个故障诊断网络，自适应共振理论，Kohonen神经网络（ART-KNN算法），它不会破坏最初的学习，并能适应附加的训练数据，适合于旋转机械故障诊断。通过实验结果证明了ART-KNN算法研究的有效性。2.ART-Kohonen神经网络算法（ART-KN

6、N算法）ART网络的特点是适用于状态监测和故障诊断。ART网络有三种通用的类型:ART1,ART2和ART3。ART1是二进制模式的分类，而ART2和ART3是二进制与十进制输入模式。但是ART网络故障诊断冇一些缺点。在输入模式输入层正常化Z前，需通过介于输入层与鉴别层定义的口适应滤波器。由于输入信号的绝对值仅代表图像亮度与音量，图像和声音的分类级别，正常化的相对值对分析图像和声咅区别是很重要的。但是，振动信号的绝对值是故障诊断的重要信息。当它被正常化一些重要的检测故障信息很可能会丢失。同时，ART2和ART3适当的控制输入信号的噪声过滤后，最初信号变得繁琐。所以故障

7、信号功能在一定程度上被破坏。在本文中，提出的ART-KNN神经网络结合ART网络理论与Kohonen的学习策略实现机械故障诊断oART-KNN算法的体系结构如图1.除自适应滤波器外与ATR1的结构很相似。注意系统罰定向系统)00000