RBF和改进BP神经网络在水泵振动故障诊断中的应用比较_史丽萍_汤家升_张晓蕾_
基于PLC的BP神经网络在轴承故障诊断中的研究与应用
基于PLC的BP神经网络在轴承故障诊断中的研究与应用王忠峰1，汤伟1，2，黄俊梅1，赵艳子1，王孟效1，2(1.陕西科技大学电气与信息工程学院，陕西西安，710021；2.陕西西微测控工程有限公司，陕西咸阳，712081)[摘要] 本文采用了基于PLC的BP神经网络方法对滚动轴承进行故障检测，由于BP神经网络的小样本，非线性和自学习特点以及PLC的硬件支持，为高浓磨浆机滚动轴承的故障检测过程提供了可行性的依据。
仿真结果表明，此方法具有高精度、可靠性和快速性等优点。
关键词：BP神经网络，PLC，滚动轴承，高浓磨浆机Abstract: In this paper, the method of detecting rolling bearing is presented, since BP Neural Network has the characteristic of small sample, nonlinearity and self-learning, as well as PLC support, it provides the feasible basis for the fault diagnosing of rolling bearing. The simulation result shows that the method has high-precision, reliability and rapidity.Keywords:BP Neural Network, PLC, rolling bearing, High Consistency Refiner1 引言高浓磨浆机是APMP制浆系统关键设备之一，大部分高浓磨浆机是高压电机，且转速非常高，一旦出现故障将造成严重的生产事故，给企业带来巨大的经济损失。
因此，对APMP 高浓磨浆机的故障诊断显得尤为重要。
磨浆机的故障有30%是来自滚动轴承，因此对滚动轴承故障诊断成了研究中心之一。
RBF和改进BP神经网络在水泵振动故障诊断中的应用比较_史丽萍_汤家升_张晓蕾_
基金项目：中国矿业大学青年科研基金资助项目（2008A020）
60
RBF 和改进 BP 神经网络在水泵振动故障诊断中的应用比较
2014.№4
泵内异物，水泵汽蚀，动静磨碰，轴承支撑系统连接 松动，叶轮和转轴之间配合时效，转轴横向裂纹。其 特征频率和常伴频率分别如表 1 所示。 表1
特征项 转子不平衡 转子不对中 油膜振荡 泵内异物 水泵汽蚀 动静磨碰 轴承支撑系统连接松动 叶轮和转轴之间配合时效 转轴横向裂纹
p nm r
（2）
其中，p 为隐含层节点数，n 为输入节点，m 为输 出节点数，r 为 1~10 间的任意整数。代入 n=9，m=9，
2014.№4 大 电 机 技 术
[摘 要] 针对水泵机组振动故障的复杂性，采用了应用较为成熟的基于改进误差反向传播（BP）和径向基
（RBF）神经网络的故障诊断方法。依据归一化的故障特征量样本和目标期望输出，对两种诊断网络进行了 达标训练。通过对工程现场提取的验证数据进行网络诊断测试和对比，证明 RBF 和改进 BP 两种神经网络的 诊断方式均可以满足诊断基本要求，但是改进 BP 神经网络的诊断方式对故障定位更为快速精确。为水泵振动 故障诊断技术的提升打下基础。 [关键词] 水泵机组；振动故障；改进 BP 神经网络；RBF 神经网络 [中图分类号] TH318 [文献标识码] B [文章编号] 1000-3983(2014)04-0059-04
结合专家知识改进BP网络在故障诊断中的应用
结合专家知识改进BP网络在故障诊断中的应用
孟凡强;许克明
【期刊名称】《贵州工业大学学报（自然科学版）》
【年(卷),期】2003(032)005
【摘要】针对BP网络利用知识和表达知识的方式单一,忽略专家知识的缺点,提出了一种结合专家知识的改进BP网络,并应用于故障诊断.它分别利用了神经网络和专家系统的优点,利用专家系统和BP网络的结合来取长补短.实例结果表明,该算法学习收敛较快,故障识别效果也优于标准BP网络.
【总页数】5页(P49-53)
【作者】孟凡强;许克明
【作者单位】贵州工业大学电工学院,贵州,贵阳,550003;贵州工业大学电工学院,贵州,贵阳,550003
【正文语种】中文
【中图分类】TP182
【相关文献】
1.RBF和改进BP神经网络在水泵振动故障诊断中的应用比较 [J], 史丽萍;汤家升;张晓蕾;余鹏玺;刘鹏
2.BP网络结合遗传算法在故障诊断中的应用 [J], 杨凡;米根锁
3.基于免疫遗传算法改进的BP神经网络在装甲车辆电路板故障诊断中的应用 [J], 李光升;梁靖聪;谢永成;李国强;王天祺
4.改进的BP神经网络算法在汽车发动机故障诊断中的应用 [J], 周学伟;
5.改进dynFWA优化BP神经网络在加工中心主轴故障诊断中的应用 [J], 张洪;李开杰;王通德
因版权原因，仅展示原文概要，查看原文内容请购买。
信息熵和RBF神经网络的发动机故障诊断
信息熵和RBF神经网络的发动机故障诊断司景萍;牛家骅;郭丽娜;马继昌【期刊名称】《噪声与振动控制》【年(卷),期】2015(000)001【摘要】针对汽车发动机气门间隙异常故障，探讨了应用小波分解后求各尺度小波系数信息熵，和RBF神经网络对发动机进行不解体故障诊断的方法。
由此，对某汽油发动机进行了故障模拟试验，分别在正常工况和三种故障工况下测取了缸盖表面振动信号。
对所采集信号进行Stein无偏估计消噪处理，利用小波系数信息熵提取特征向量，进行归一化处理，然后用RBF神经网络对处理后的振动信号进行分类识别。
发动机气门间隙故障的诊断实例表明，在不同工况下利用小波系数信息熵提取故障特征向量、进行基于RBF神经网络的故障诊断方法现实可行，对实现发动机不解体故障诊断具有一定的应用价值。
【总页数】6页(P214-218,239)【作者】司景萍;牛家骅;郭丽娜;马继昌【作者单位】内蒙古工业大学，呼和浩特 010051;内蒙古工业大学，呼和浩特010051;内蒙古工业大学，呼和浩特 010051;内蒙古工业大学，呼和浩特 010051【正文语种】中文【中图分类】TB53;TP206+;TK413.4;U472.42【相关文献】1.基于RBF神经网络的发动机怠速抖动故障诊断 [J], 胡俊;吴士力2.BP与RBF神经网络在航空发动机气路故障诊断中的应用 [J], 赵国昌;徐昂;宋丽萍;郑里鹫;段朝鹏3.基于差分进化算法优化的RBF神经网络的发动机故障诊断研究 [J], 周亨;彭涛;邓维敏4.基于信息熵属性约简的航空发动机故障诊断 [J], 文莹;肖明清;王邑;赵亮亮5.基于RBF神经网络的电控发动机故障诊断研究 [J], 王书提;巴寅亮;郭增波因版权原因，仅展示原文概要，查看原文内容请购买。
基于RBF神经网络的变频调速水泵故障诊断
基于RBF神经网络的变频调速水泵故障诊断
高迎慧; 王佳; 刘宾
【期刊名称】《《微计算机信息》》
【年(卷),期】2011(027)005
【摘要】为解决变频调速水泵振动故障问题,给出一种基于径向基函数(RBF)神经网络应用于变频水泵故障诊断的方法。
对变频水泵常见故障进行分析,依据征兆诊断法,提取信号频谱中各阶倍频和分频的信号作为故障样本,对RBF神经网络进行训练,并应用于测试样本的诊断。
仿真结果表明,与BP网络相比,RBF神经网络识别精度高,诊断速度快且拟合能力强,能有效提高变频调速水泵故障诊断的精度和效率。
【总页数】3页(P47-49)
【作者】高迎慧; 王佳; 刘宾
【作者单位】辽宁工程技术大学电气与控制工程学院辽宁葫芦岛125000
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于RBF神经网络的矿井主排水泵故障诊断 [J], 汤其建
2.风机水泵压缩机变频调速节能技术讲座（六）第二讲水泵变频调速节能技术（1） [J], 徐甫荣
3.风机水泵压缩机变频调速节能技术讲座（八）第三讲水泵变频调速节能效果的计算方法 [J], 徐甫荣
4.风机水泵压缩机变频调速节能技术讲座（九）第二讲水泵变频调速节能技术
（4） [J], 徐甫荣
5.变频调速水泵智能故障诊断方法 [J], 舒服华
因版权原因，仅展示原文概要，查看原文内容请购买。
基于粗糙集的BP神经网络在震例中的应用研究
基于粗糙集的BP神经网络在震例中的应用研究作者：董晓娜苏道磊李希亮曲利张慧峰吴晨来源：《地震研究》2012年第02期摘要：采用《中国震例》作为数据源，通过初步整理分析和预处理，构建了较完备的震例研究样本集。
尝试将粗糙集与BP神经网络相结合的方法引入到震例研究中，用基于粗糙集的属性约简算法从众多复杂的地震异常指标中筛选出对最终分类起决定作用的核心异常作为输入，震级作为输出，构建了泛化能力强的BP神经网络模型来模拟异常与地震之间的不确定关系。
仿真测试结果表明：地震震级预测精度误差基本控制在-～级之间。
关键词：粗糙集；神经网络；震例研究；地震异常指标中图分类号：P315文献标识码：A文章编号：1000-0666（2012）02-0251-090引言地震预测是世界性科学难题，因为地震的孕育和发生是很复杂的自然现象。
在研究探索中，人们发现地震发生前会出现大量异常现象，且异常现象出现的种类多少、持续时间与地震之间有一定的关系，但这种关系具有很强的不确定性，是一种非线性映射关系，很难通过简单的解析表达式来描述，这使得地震预测具有较高的难度。
神经网络可以通过学习大量样本得到输入与输出之间高度非线性映射关系，这与一些学者从历史震例中总结出某些规律的地震预测思路相一致。
但在实际信息处理时，一旦输入信息量过大，神经网络结构就会变复杂，使得训练时间大大延长，实效性变差。
粗糙集可以解决这个问题，它可以通过发现数据之间的内在关系、去掉冗余、抽取核心属性从而简化输入。
因此，本文尝试将粗糙集与BP神经网络相结合应用于震例研究中，通过粗糙集属性约简算法对震例数据进行处理，将众多地震异常中筛选出的核心异常作为输入，将震级作为输出，构建泛化能力强的神经网络模型来模拟异常与地震之间的不确定关系，为地震预测研究提供更客观的指导。
1理论基础粗糙集概述粗糙集理论（Rough Set，简称RS），是波兰学者Pawlak（1982）提出的一种能够定量分析处理不精确、不一致、不完整信息与知识的理论方法。
基于改进的BP神经网络的柴油发动机故障诊断
基于改进的BP神经网络的柴油发动机故障诊断巴寅亮;王书提;谢鑫【摘要】Diesel engine with high pressure common rail fuel injection technology, improves the com-prehensive performance of diesel engine, but the high pressure common rail diesel engine electronic con-trolled system is more complex, increasing the difficulty of diesel engine fault diagnosis. This paper intro-duce the BP neural network and LM algorithm, and carry on the research on fault diagnosis of engine e-lectronic controlled system based on improved BP neural network. Taking the Great Wall Harvard GW 2. 8TC engine as the experimental object, keeping the engine at idle speed condition, setting up some fault assumption for the engine, collecting the failure data flow of the engine by kinder KT600 fault diag-nosis instrument, using improved BP neural network to establish diagnosis model. The diagnosis results show that the convergence rate of improved BP neural network is quickly, it is effective to diagnose elec-tronic controlled system fault of diesel engine by improved BP neural network.%柴油发动机采用高压共轨燃油喷射技术，提高了柴油机的综合性能，但高压共轨柴油机电控系统比较复杂，增大了柴油机故障诊断的难度。
基于RBF神经网络的往复泵泵阀故障诊断研究
石 油 矿 场 机 械
ＯＩ Ｆ ＥＬ Ｌ Ｉ Ｄ ＥＱＵＩ Ｍ ＥＮＴ Ｐ
文 章 编 号 ：０ １ ０卜３ ８２ ２ １ ０ － ０ ４ ０ ４ （ ０ｌ ） １ ０ ２ — ４
基 于 Ｒ Ｆ神 经 网络 的 往 复 泵 泵 阀 故 障 诊 断 研 究 Ｂ
Ｗ ＡＮＧ ａ ｇ ｚ ｏ ｇ Ｌ ｅ～ ｉｇ 。 Ｕ ｈ ｎ —ｕ Ｃｈ ｎ —ｈ ｎ 。 ＩＷ ｉ ｎ Ｗ ｐ Ｚ ｅ ｇｊ ｎ
（ ． ａｑ ｎ Ｖｏ ａｔｏｎ ｌｅ １Ｄ ｉ ｇ ｃ ｉ ａｌＣｏ ｌ ｇｅ， ａ ｎｇ １６ ００ Ｃｈｉ Ｄ ｑｉ ３ ０， ｎａ；
振 源 类 型 多 ， 动 信 号 中 既 有 各 种 随机 振 动 成 分 ， 振 又
－—
＋
“－ ＋ ＋－
“＋
”＋
“ ＋
”＋
”＋
一－ － —＋ “＋
一— ” —
参 考 文献 ：
油 矿 场 机 械 ， ０ ６， ５ ４ ： ４ ４ ． ２ ０ ３ （ ） ４ — ６
［］ 李树 国 ， １ 史
王 长 忠 李 伟 平 吴 正 军 ， ，
（ ． 庆 职业 学 院 ， 龙 江 大 庆 １ ３ ０ ； ． 庆 油 田 采 油 六 厂 ， 龙 江 大 庆 １ ３ ０ ） １大 黑 ６０ ０ ２ 大 黑 ６ ０ ０
摘 要 ： 据 小波 包分 析 ， 根 获得 了各 频带 能量 的分布 规律 ， 构造 了泵 阀状 态特 征 向 量 ， 练 了 Ｒ Ｆ神 训 Ｂ
中图分类 号 ： Ｔ ｓ Ａｐｐ ｏ ｃ ｓ ｄ ｏ ｕｔ ａ ｎｏ ｉ ｒ ａ ｈ Ｂａ ｅ ｎ ＲＢＦ ｕ ａ ｔ ｒ ｏ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ ｆ ｒ Ｖ ａ ｖ ｓ ｏ ｃ ｐｒ ｃ ｔｎ ｍ ｐ ｌ ｅ ｆ Ｒｅ ｉ ０ ａ ｉ ｇ Ｐｕ ｓ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
61
则 P 9 9 r ，即 p 为 5~15。，通过多次递增加 1 试验，隐含层的神经元个数最终确定为 14 个。 网络训练 根据已经确定的输入输出向量， 在 MATLAB 中进 行编程仿真测试。输入节点的传递函数采用 S 型正切 函数“tansig”，输出节点传递函数采用 S 型对数函数 “logsig”。 训练函数采用改进的动量及自适应 lrBP 的梯 度递减训练函数“traingdx”[6-7]。 “traingdx”算法可以更有 效的处理局部极小点问题，并且能够网络训练步数设 定为 1000 次，训练误差为 0.0001，初始学习速率为 0.05，学习速率增加比率为 1.05，减少比率为 0.68，阈 值动量因子为 0.9。 网络训练过程中时刻变化的误差情 况如图 1 所示，可以看出当训练步数达到 686 时，误 差小于 0.0001，此时训练结束。 该网络下的样本实际输出整理后见表 4。 表4
2014.№4 大 电 机 技 术
59
RBF 和改进 BP 神经网络在水泵振动 故障诊断中的应用比较
史丽萍，汤家升，张晓蕾，余鹏玺，刘 鹏 （中国矿业大学 信息与电气工程学院，江苏 徐州 221008）
p nm r
（2）
其中，p 为隐含层节点数，n 为输入节点，m 为输 出节点数，r 为 1~10 间的任意整数。代入 n=9，m=9，
2014.№4 大 电 机 技 术
样本目标输出
输出节点
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00
故障 类型 1 2 3 4 5 6 7 8 9 X1 0.00 0.00 0.10 0.00 0.55 0.10 0.30 0.00 0.00 X2 0.00 0.00 0.81 0.00 0.33 0.10 0.00 0.70 0.00 X3 0.00 0.00 0.00 0.00 0.00 0.10 0.00 0.20 0.00 X4 0.00 0.00 0.10 0.02 0.00 0.10 0.00 0.00 0.00
水泵故障类型及其振动分布
频谱征兆 X5 0.89 0.26 0.00 0.98 0.04 0.20 0.40 0.00 0.41 X6 0.06 0.65 0.00 0.00 0.04 0.10 0.10 0.00 0.21 X7 0.05 0.10 0.00 0.00 0.04 0.10 0.10 0.00 0.27 X8 0.00 0.00 0.00 0.00 0.00 0.10 0.00 0.10 0.11 X9 0.00 0.00 0.00 0.00 0.00 0.10 0.10 0.00 0.00
Comparison Between RBF Neural Network and Improved BP Neural Network in the Pump Vibration Fault Diagnosis SHI Liping, TANG Jiasheng, ZHANG Xiaolei, YU Pengxi, Liu Peng (School of Information and Electrical Engineering, China University of Mining and Technology, Xuzhou, 221008, China) Abstract: Considering the complexity of pump unit vibration fault, methods based on Radial Basic Function(RBF) neural network and an Improved BP neural network are given to fault diagnosis of pump vibration.According to the normalized failure characteristicssamples and desired output, two diagnosis networks are trained for the standard goal. By testing and comparing the data extracted from the project cite, the results showthat both the two methods meet the basic requirements of diagnosis，but Improved BP neural network is of higher precision and faster for identifying the fault location. The paper lays the foundation for bettering water pump vibration fault diagnosis technology. Key words: pump unit; vibration fault;improved BP neural network; RBF neural network 行了详细的分析比较，为水泵故障诊断技术的完善和 0 引言 提高提供了一定的理论依据。 矿井水泵机组是一个由流体、机械、电磁三部分 1 水泵故障特征的提取 互相耦合的复杂非线性系统，很多振动故障类型和故 障现象之间往往没有非常明确的关系，各种故障的发 矿井采用的水泵机组设备主要是卧式离心式水泵 生概率也不够确定，使得对其故障结果的诊断难度较 和高压异步电机，其主要工作原理是：异步电机带动 [1] 大 。近年来，随着神经网络技术在信号处理、智能控 水泵转子高速旋转，水泵高速旋转的叶轮叶片带动液 体旋转，利用离心力将液体甩出，从而达到输送的目 制、模式识别、非线性优化等方面应用的日趋成熟， 的[3]。 将神经网络用于水泵的振动故障诊断不失为一种有效 由工作原理可见， 转子作为水泵机组核心部件完 [2] 的方法 。文中采用改进的误差反向传播（BP）神经 成了水泵的主要功能，而振动信号能够实时反映出转 子旋转时大多数振动故障的特征，因此对水泵振动信 网络和径向基（RBF）神经网络两种方法对枣庄大兴 号的分析是水泵故障诊断的有效途径之一。结合旋转 矿水泵的振动信号进行了实验诊断，并对诊断结果进 机械的特点，本文重点分析如下 9 种主要的水泵机组 振动故障类型：转子不平衡 xi （ / x j） ( i , j 1, 2 , .. ., n )
j 1
n
（1）
矿井水泵常见振动故障及对应频率特征
特征频率 1 倍频 2 倍频 0.4~0.9 倍频 1 倍频 低频 广泛 2 倍频 多频谐波 1 倍频 常伴频率 2 或 3 倍频 1 倍频或高频 低频 无 1 或 2 倍频 1 倍频 3 倍频到高频 1 或 2 倍频 2,3 或 5 倍频
BP 网络的输入层和输出层是与外界联系的接口。 由表 2 可知，每一种故障归一化后的振动特征量个数 为 9，选择输入层数为 9。对于输出层，对应水泵机组 9 种特征故障，选择输出层数为 9。样本目标输出见表 3。 其中故障样本号 1 至 9 对应于 9 种相应的特征故障： 转子不平衡，转子不对中，油膜振荡，泵内异物，水 泵汽蚀，动静磨碰，轴承支撑系统连接松动，叶轮和 转轴之间配合时效，转轴横向裂纹。目标输出中 1.00 代表故障，0.00 代表无故障。 表3
基金项目：中国矿业大学青年科研基金资助项目（2008A020）
60
RBF 和改进 BP 神经网络在水泵振动故障诊断中的应用比较
2014.№4
泵内异物，水泵汽蚀，动静磨碰，轴承支撑系统连接 松动，叶轮和转轴之间配合时效，转轴横向裂纹。其 特征频率和常伴频率分别如表 1 所示。 表1
特征项 转子不平衡 转子不对中 油膜振荡 泵内异物 水泵汽蚀 动静磨碰 轴承支撑系统连接松动 叶轮和转轴之间配合时效 转轴横向裂纹
由于一个 3 层的前向传播网络可以逼近和模拟任 意精度的函数， 故而实际应用中一般使用 3 层 BP 神经 网络，因此，我们这里仅选择一个隐含层。在工程实 际中，最佳的隐含层节点数的确定往往需要依靠工程 技术人员的经验，并进行多次实验之后才能确定。隐 含层如果节点数过少，网络模型比较粗糙，影响网络 的学习和判断。而节点数过多，网络划分过细，抓不 到样本的主要特征，且会增加训练时间[4-5]。这里我们 可以先根据经验公式 2，来确定一个隐含层节点数 p。
式中 n 为所划分的特征频率段数目，μ（xi）为第 i 个节点的输入参数，归一化后 μ（xi）应该在 0~1 内。
2
2.1
BP 神经网络的故障诊断实现
网络设计
在故障诊断系统中，选取合适准确的特征量对以 后进一步的智能诊断有着非常重要的作用。频率特性 是旋转故障诊断中最重要的特征之一，大部分故障都 可以从频率特性中诊断出来，因此，我们可以利用快 速傅里叶变换提取信号在频域上的特征量，比如幅值 等作为故障分析的特征量。 结合通用的 J.Sohre 提出的故障特征征兆表，选取 X1= （ <0.4f ）、 X2= （ 0.40~0.49 ） f 、 X3=0.5f 、 X4= （0.51~0.99）f、X5=1.0f、X6=2.0f、X7=（3.0~5.0f）、 X8=（>5.0f）以及 X9=奇数倍 f 等共 9 种具有代表性 的频率成份作为特征频率。然后以各个频率段或者频 率点处所对应平均振幅和最大振幅的比值作为振动故 障特征量，按照公式 1 进行归一化，见表 2。这样得到 的故障特征量是 9 维的，其中故障样本号 1 至 9 对应 于表格 1 中的 9 种相应的特征故障。 表2