基于改进的RBFNN在线故障诊断专家系统设计
基于RBF神经网络专家系统的断路器故障诊断
●●Байду номын сангаас 人机接口
Ｉ 数据库
ｔｔ
●
解释系统
ｔ
图１系统结构图
其中部分功能为： （１）数据库：数据库通常由动态数据库和静态数据库 两部分构成。静态数据库是设备的自有参数，而动态数 据库则是运行过程中所产生的一系列参数，如电压、功 率等。
８５
（２）知识库：知识库…包含各种信息，反映系统的因果 关系，可以进行故障推理。能否解决问题的关键取决于 其知识量的内容。
选择ＲＢＦ进行网络诊断时，输入为８个输入量，隐 含层数为１层，隐含节点数［６１由系统自动生成，直到满 足系统要求的误差为止。经过多次的训练之后。网络的 输出已经达到预先设定的要求，输出曲线比较光滑，且 训练速度快，本文设定输出值大于０．５时，表明有此故 障类型。从输出的数据即能得到基于ＲＢＦ网络的专家 系统可以准确地分辨出与训练样本具有相似健康状况 规律的健康状况，而且准确度较高。
运行状态，断路器是否出现故障及其故障类型，并根据其产生的故障原理，针对出现的问题进行相应
的操作。
关键词：知识库；开关柜；归一化；采样值；测试样本
中图分类号：ＴＰｌ３
文献标识码：Ａ
文章编号：０２５８—７９９８（２０１４）０７—００８５—０３
Ｃｉｒｃｕｉｔ ｂｒｅａｋｅｒｓ’ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｂａｓｅｄ ｏｎ ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｅｘｐｅｒｔ ｓｙｓｔｅｍ
基于ＲＢＦ神经网络专家系统的断路器故障诊断
刘增环，李真真 （河北工程大学信电学院，河北邯郸０５６０３８）
摘要：设计了基于ＲＢＦ神经网络的故障诊断专家系统，克服了在知识获取和表达上的薄弱环
节，只需要领域专家解决问题的实例或范例来训练神经网络，使其在同样输入的情况下神经网络能
基于RBF神经网络的故障诊断 - 副本
基于RBF神经网络的故障诊断摘要:RBF 神经网络即径向基函数神经网络（Radical Basis Function）。
径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。
同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。
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。
通过对比诊断结果，证明RBF网络在诊断精度，诊断速度上均优于BP网络，说明RBF网络应用于齿轮的故障诊断准确、可靠,在机械故障诊断方面具有广泛的应用前景。
关键词:神经网络；故障诊断；Matlab神经网络工具箱；RBF网络；引言由于汽车的特殊运行条件和运行环境,以及汽车行驶过程中经常性换档,使得变速箱常发生故障.具体有:1.(1)异响的原因:①齿轮间隙过大;②轴承磨损松旷，③挂挡齿轮滑键槽与滑键轴磨损松旷;④轴承漏油或壳体漏油以致滑油减少，或变速箱底部放油堵脱落，以致滑油全部漏完，⑤金属小铁件混入变速箱体内;⑥滑油粘度不适当或品质不佳，⑦齿轮与轴的间隙过大以致松旷，⑧变速器与飞轮壳连接螺栓松动;⑨发动机与飞轮壳连接螺栓松动。
2.①挂挡齿轮与被挂齿轮、套牙同套齿都在齿长方向磨成锥形或短缺;②闸叉锁止螺钉松脱，闸叉变形，叉部磨损;③闸轨凹槽磨损，定位钢球磨损，弹簧弹力减弱或折断，④轴承磨损松旷，⑤齿轮间隙过大。
3.①滑油不够或不适当，致使齿轮磨损，②变速箱内混有泥砂污物，致使齿轮磨损，③中间轴变形;④中间轴轴承松旷，致使啮合各齿发生拢击，⑥第二轴常啮合齿轮滚针轴承碎裂或定位圈卡簧破碎，甚至被轧入两啮合齿轮之间。
据统计由齿轮失效引起的汽车变速箱故障占全部原因的10%。
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。
基于RBF神经网络的动力电池故障诊断系统研究
基于RBF神经网络的动力电池故障诊断系统研究古昂;张向文【摘要】纯电动车动力电池在性能、成本、寿命、安全性上的局限是制约电动车普及的关键问题.基于RBF神经网络,设计了一套电池故障诊断系统,对动力电池组的故障进行预防和诊断.首先,利用dSPACE中的电池模型,模拟电池的故障,进行神经网络的学习训练,然后,利用三组测试数据对故障诊断系统进行测试.测试结果显示,设计的系统可以准确诊断电池故障类型与故障级别.【期刊名称】《电源技术》【年(卷),期】2016(040)010【总页数】3页(P1943-1945)【关键词】纯电动汽车;动力电池;RBF神经网络;dSPACE;故障诊断【作者】古昂;张向文【作者单位】桂林电子科技大学电子工程与自动化学院,广西桂林541004;桂林电子科技大学电子工程与自动化学院,广西桂林541004;广西自动检测技术与仪器重点实验室(桂林电子科技大学),广西桂林541004【正文语种】中文【中图分类】TM912纯电动汽车是解决目前的环保和能源问题的主要途径，但是，动力电池的性能限制了纯电动汽车的大面积推广和应用，因此，如何提高动力电池的性能和安全度具有非常重要的意义。
要提高动力电池的性能，需要实时地检测电池的各种参数，对电池的故障进行及时的诊断和处理。
动力电池具有电化学结构，一旦出现严重故障往往不可修复，需要预防和避免动力电池发生故障[1-3]，因此，对动力电池故障诊断系统的研究具有重要的理论与应用价值。
目前使用的动力电池管理系统，利用硬件电路检测电池实时数据，通过上位机系统判断电池电压和电流数据的阈值[4]，来对电池进行故障诊断。
这种故障诊断系统诊断类型少，诊断准确率低，容易引起误诊断。
动力电池是一种实时变化的非线性系统，系统性能受到多种参数变化的影响。
神经网络是一种处理多输入非线性实变系统的重要工具[5-8]，因此，本文基于RBF神经网络，利用dSPACE电池模型，进行动力电池故障诊断技术的研究，设计了一套纯电动汽车动力电池故障诊断系统，并进行了实际测试，测试结果显示，设计的系统可以准确地实现故障诊断。
基于RBF神经网络的模拟电路智能故障诊断
基于RBF神经网络的模拟电路智能故障诊断乔维德【摘要】对于模拟电路故障诊断问题,传统的故障诊断方法计算复杂,存在明显缺陷.运用小波包变换(WPT)提取故障特征信号,建立故障识别的神经网络模型,采取果蝇-粒子群算法优化RBF神经网络的结构参数,提出一种基于小波包变换和RBF神经网络的模拟电路故障识别方法.仿真结果表明,该方法具有识别速度快、准确性高等优点.【期刊名称】《温州职业技术学院学报》【年(卷),期】2018(018)001【总页数】5页(P47-51)【关键词】RBF;神经网络;故障诊断;小波包变换;果蝇-粒子群算法【作者】乔维德【作者单位】无锡开放大学科研与质量控制处,江苏无锡 214011【正文语种】中文【中图分类】TN710;TP1830 引言由于电子技术的迅速发展，现代电子设备的集成化程度越来越高，也带动了集成电路的快速发展。
数模混合电路属于集成电路的重要组成部分，数模混合电路中出现的故障直接影响集成电路的正常运行，所以广大科技工作者及学者更关注数模混合电路的故障问题。
据统计，集成电路器件或设备中，数字电路占数模混合电路的八成左右，数字电路因为数字电子器件自身的稳定性，一般不易发生故障，但集成电路器件或设备中80%的故障来自模拟电路部分。
针对模拟电路故障诊断，学者提出了相应的技术方案，如利用节点电压灵敏度比值法、基于改进马氏距离等传统故障诊断方法。
许多学者一直关注人工智能技术在模拟电路故障诊断中的研究，先后提出将BP神经网络、小波神经网络、径向基函数（RBF）神经网络用于故障诊断的方法，并利用粒子群算法、遗传算法、果蝇算法、蚁群算法、狼群算法优化模拟电路故障诊断的神经网络模型[1-6]。
以上方法在模拟电路故障的实际诊断中都取得了一定效果，但仍存在明显缺陷。
BP算法、遗传算法在优化训练过程中收敛速度慢，计算量大，易陷入局部极小；粒子群算法易出现“早熟”，且在没有完全搜索前易陷入局部极值；果蝇算法前期搜索能力强、收敛速度快，但后期局部搜索能力弱；蚁群算法寻优时搜索时间较长、过程较慢，易产生停滞现象；狼群算法全局收敛速度快，但极易陷入局部极值；小波分析只是分解故障信号低频部分，却忽略故障信号中高频部分，导致高频分量中有用信息丢失，易造成模拟电路故障的误诊断。
基于小波包分析与RBF神经网络的模拟电路故障诊断
据信号特征 , 自适应地选择频带 , 使之与信号频谱 相匹配 ,以提高时间 2 频率分辨率 中 ,Φ 和 Ψ 满足二尺度方程 : Φ ( t) = Ψ ( t) =
k ∈Z
[8]
。在多分辨分析
2
, 而成为继 B P 神经
[ 2 —7 ]
网络后 ( BPNN ) 的又一研究热点
。标准的 B P
∑h Φ ( 2 t k
- 01000 0 - 01000 0 - 01000 2 - 01003 8 01991 1
标称值的 10% , 各元件的标称值均已在图中标出 。 在输入节点加一个幅度为 5 V ,脉宽为 10 μs的脉冲 电压 , 然后对正常状态和 R3 , C2 , R2 , C1 四种元件故 障 (单故障 ) 状态进行仿真实验 。在 RBF 网络的输 出端有 5 个节点 ,分别对应 1 个正常状态和 4 个故 障状态 ,网络的期望输出表如表 1 所示 ,其中 y0 —y4
障特征向量输入到 RBF神经网络进行故障诊断 。仿真结果表明本方法能够对模拟电路的故障进行有效诊断和定位 。 关键词 小波包分析 模拟电路 故障诊断 RBF神经网络 中图法分类号 TP277; 文献标志码 A
在故障诊断中 , RB F神经网络 ( RBFNN ) 因具有 较强的模式识别能力 , 以及自学习 、 并行处理 、 分布 式存储以及联想记忆等优点
0 0 1 0 0
0 0 0 1 0
0 0 0 0 1
∑p
i =1
i
n w i + e n , n = 1, 2, …N; i = 1, 2, …, M 。
C1 故障 C2 故障 R 2 故障 R 3 故障
其中 M 是隐含层单元数 , pi ( n ) 为模型的回归算子 , 是网络隐含层的输出响应 , w i 为模型参数 , 是隐含 层至输出层的连接权 , e n 为残差 。再将上式表示 成矩阵形式 : y d n = PW + E 其中 y d n 是所有训练样 本的预期输出 , P 是回归矩阵 , W 为权重矩阵 , E 为
基于RBF神经网络的故障诊断
典型的基于神经网络模式识别 功能的诊断系统结构如下图所示。
基故诊断过据特断故系用二上于障断，程和征输障在为图、一”网诊。训选入诊一神中定 数 络 断 在 练 择 和 断 起 经基，/数 据 ； 的 学 样 训 是 的 网提基于量 集 其 过 习 本 练 两 。 络取于的 ） 次 程 和 数 样 种 如 诊等神神训对，即诊据本不采断，经练神根为断进。同用提经目网样经据利之行此的小供的络诊本网当用前适外诊波可是的集络前神，当，断分以断为诊（进诊经通的尽方析利诊断系通行断网常处管法等用断过常训输络需理神，数的统网程称练入进要，经但据特络分结为 ， 行 对 包 网 两 征对处提为“ 得 前 诊 括 络 者 向系 理供构两征 到 向 断 预 和 是 量统 方合步兆 期 计 原 处 传 紧 。进 法适。—望 算 始 理 统 密行 ，的首—的 的 数 和 的 联诊 可诊先， 输神可M测闻神一在 供如R上三输0⑴分飞上⑴分别如9统M在供拖发 本出0基 北三二测而输网9输可测统⑴对上 首0而三对分别 输神求神求测典分别闻09090BAA经以试新经、学合采图、3析思图别准采8计学合拉动例正4于京、、试且络8以试计于图先4且、于别准经的经的试型别准新训 训 训FTT17676出 出 出 出 出网网 根 创 ,网 神 习适 用 中 基 结 科 中 在 则 用 表 习 适 机 机采 确 R:基 基 结 网 的 根 结 表 齿 中， 网 基 齿 在 则网 决 网 决 结 的 在 则 ,LL周练练练周电BAA络络据建络经和 的小，于果技，无看小明和的变故 用的齿于于果络特据果明轮， 基齿络于轮无看 络策络策果基无看露无过过过露子FBB结结结结结断断主神理对的的网诊 诊波基R发产基故是波：诊诊速障 的诊根R神可性对：的基 于根可R的故是 作区作区于故是神神,故的的的,工李李BBB齿齿要经论象R自络断 断分于现品于障否分齿断断箱以 样断裂经以由象齿故于 一裂以故障否 为域为域神障否经经障神神神果果果果果业FFF翔翔B包网网网网与的适用之 输析神，研神、出析轮之输是外 本。纹诊连其的轮障神 定纹连障、出 一。一。经、出网网经经经出F,,张张含络网络络络日应与前 入等经网发经齿了等箱前入整的 量断续拓日箱，经 数续，齿了 种种网齿了M络络网网网版宝宝隐的络的的的A常、故， 和数网络中网根故数故，和机其 比系学扑常故这网 量学这根故 自自络根故仿仿络络络社T伟伟含故齿齿齿自障通 训据络成心络裂障据障通训进他 较统习结障里络 的习里裂障 适适模裂障真真L能能能.数数A..层障轮轮轮学诊常练处的功的纹处中常练行所少结，构中选的训，选纹应应式纹....与与存存存B据据和诊箱箱箱习断需 样理诊地诊和理有需样减有 ，构如、有取诊 练如取和的的识和应应7储储储训训实输断故故故和的要 本方断诊断断方要本速故 这果神了断 样果了断模模别断故故6故故6故用用有有有练0练0现出障障障对优对 。法过断过齿法对。增障 样环经频过 本环频齿式式功齿障障%障障%障..关关关网网.左左层诊诊诊非点诊 ，程出程时，诊扭的 一境元域程 集境域时识识能时类类类类类过过过络络右右，断断断线断 可分了分进可断的来发特中分 （发中进别别的进别别5别别别程程程，，9都都其性原 用为所为行用原部，生性的为 通生的行技技诊行%的的的然然~是是中系始 为两有两测为始件故改、几两 常改几测术术断测知知知7后后由由0隐统数 神步故步量神数，障变学个步 称变个量，，系量识识识%将将齿齿含超据 经。障。，经据它诊，习特。 为，特，并并统，。，，，此此轮轮层强和 网。得网和受断这和征这征得不不结得“能能能信 信导导的的训 络到络训扭的种训量种量到需需构到征直直直息息致致传分练 诊各诊练转数映练。映。各要要如各兆接接接与与的的递析样 断参断样和据射规射参预预下参—从从从当当，，函能本 提数提本拉范关则关数先先图数—前前故故故所所数力数 供的供数压围系所系的给给所的故测测障障障以以为注据 可值可据两就还决还值出出示值障量量信信信这这r定进 以，以进种不可定可，有有。，”a数数d息息息里里它行 利将利行载会以。以将关关将数a据据s中中中只只，可适 用这用适荷很自自这模模这据进进学学学研研输以当 的些的当的大适适些式式些集行行习习习究究出在的 特数特的综，应应数的的数）比比。。。齿齿层齿处 征据征处合对地地据经经据对较较轮轮的轮理 向作向理作于进进作验验作神，，故故传箱， 量为量，用那行行为知知为经以以障障递的包 。输。包，些调调输识识输网确确的的函故括 入括据和整整入和和入络定定诊诊数障预 向预统训。。向判判向进故故断断为诊处 量处计练量别别量行障障。。纯断理 ，理，样，函函，训的的线中和 利和以本利数数利练类类性大特 用特齿数用，，用，型型函显 征仿 征 轮 据 仿 它 它 仿得。。数身选 真选为相真通通真到p手择 函择代差函过过函期ur。数表很数自自数望//提 提el计的大计身身计的i取 取n。算变的算的的算诊等 等网速数网学学网断， ，络箱据络习习络网目 目输故，输机机输络的 的出障网出制制出；是 是，发络，自自，为 为通生可通动动通诊 诊过率能过形形过断 断故占无故成成故网 网障据法障所所障络 络判除做判要要判提 提
一种基于RBF神经网络的转台分系统故障诊断方法
０ 引 言 在径 向基 函数（ ｄ ａｅｆｎｔ ｎ Ｒ Ｆ 神 经 网络中 ， ａ ａ ｒ ｉ ｂｓ ｕ ｃｏ ， Ｂ ） ｌ ｉ
是动态调节 的， ， ＿ 如 Ｋ 均值聚类法 、Ｏ Ｍ法 、 ＳＦ 梯度下降法等 。 以上这些方法各有 其优缺 点 ， ｌ类 方法算 法容 易实 第 现， 且能在权值学 习的 同时确定 隐含层 节点数 目， 并且 ， 保 证学 习误差不大于给定值 ， 数据 中心从 样本 中选取 是否 但 合理 ， 算法本身无法判 断 ； ２类方 法 中， ＿ 第 Ｋ 均值 聚类 法能 根据各 聚类 中心之 问的距 离 确定 各 隐含 层节 点 的扩展 常
Ａｂ ｔ ａ ｔ Ａ ｏ ａ ａ ｌ ｄ ａ ｎ ｓｎ ｐ ｒ ａ ｈ ｂ ｓ ｄ ｏ Ｆ ｎ ｕ ａ ｅｗｏｋ ｓ ｐ ｅ ｅ ｔｄ ｆ ｒｔ ｅ ｒ ｑ ｉ ｍｅ ｔｏ ｓｒ ｃ ： ｌ ｃ ｌｆｕ ｔ ｉｇ ｏ ｉ ｇ ａ ｐ ｏ ｃ ａ ｅ ｎ ＲＢ ｅ ｒ ｌｎ ｔ ｒ ｓ ｉ ｒ ｓ ｎｅ ｏ ｈ ｅ ｕｒ ｅ ｎ ｆ ｓ ｂ ｙ ｔｍ ａ ｌ ｄ ａ ｎ ｓｓ ｏ － ｘｓ ｐ ｅ ｉ ｏ ｅ ｔｔ ｒ ｔｂ ｅ Ｆｉ ｔ ｔ ｅ ｃ ｒ ｓ ｏ ｄ ｎ ｔ ｃｕ ｅ ｏ ｈ Ｆ ｎ ｕ ａ ｕ ｓ ｓｅ ｆ ｕ ｔ ｉｇ ｏ ｉ ｆ３ ａ ｉ ｒｃ ｓ ｎ ｔｓ ｕ ｎ ａ ｌ ． ｒ ， ｈ ｏ ｒ ｐ ｎ ｉ ｇ ｓｒ ｔ ｒ ｆｔ ｅ ＲＢ ｅ ｒ ｌ ｉ ｓ ｅ ｕ
ｎｔｏｋ ｖｎ ｔ ｅｈｒ ｉ ｏ ｉｅ ａｎｎ ｌｏ ｔｍ ｂ ｓｄｏ ｅｕ ｉ Ｓ Ｔ ｅ ｓａｐｉ ｏｔｅ ｅｗ ｒｓｉ ｇ ｅ ， ｇｔｅ ｔ ａｍ ｄｆ ｄｌ ｒｉｇａ ｒｈ ａｅ ｎｒｃｒ ｖ Ｌ Ｍ． ｈｎｉ ｉ ｐｌ ｄｔ ｈ ｓｉ ｏ ｗｈ ｉ ｅ ｇｉ ｓ ｅ ｔ ｅ
基于RBF神经网络的控制系统传感器故障诊断方法
基于RBF神经网络的控制系统传感器故障诊断方法
彭继慎;董晶
【期刊名称】《现代电子技术》
【年(卷),期】2009(32)12
【摘要】针对现行研究中压铸机实时检测与控制系统中相关传感器的常见故障问题,通过对人工神经网络理论与方法的学习,建立了一种基于径向量基函数神经网络RBFNN的控制系统传感器故障诊断观测器模型.通过来自压铸机的实测参数进行模型训练,采用模糊K均值聚类算法选取聚类中心,利用该观测器确定传感器输出值与传感器实际输出值之间的残差,以此判断传感器是否发生故障.仿真结果表
明,RBFNN观测器具有较强的非线性处理和任意函数逼近的能力,预测精度高,学习时间短,网络运算速度快,性能稳定,可满足传感器故障诊断的要求.
【总页数】4页(P179-182)
【作者】彭继慎;董晶
【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,125105;辽宁工程技术大学,电气与控制工程学院,辽宁,葫芦岛,125105
【正文语种】中文
【中图分类】TP212
【相关文献】
1.基于HPSO-RBF神经网络的瓦斯传感器故障诊断 [J], 王婷;李国勇;吕世轩
2.基于RBF神经网络的燃气轮机转速传感器故障诊断研究 [J], 朱嵘嘉;孟东;曹丹
丹
3.基于小波包和RBF神经网络的瓦斯传感器故障诊断∗ [J], 单亚峰;孙璐;付华;訾海
4.一种基于RBF神经网络的传感器故障诊断方法 [J], 李尔国;俞金寿
5.基于RBF神经网络的汽车传感器故障诊断方法研究 [J], 李涵武;赵玉春;迟秋玲因版权原因，仅展示原文概要，查看原文内容请购买。
《基于深度学习的故障诊断系统设计与实现》
《基于深度学习的故障诊断系统设计与实现》一、引言在现代工业生产过程中，设备故障诊断是一个关键环节。
传统的方法往往依赖于专业人员的经验和技能，这无疑限制了诊断的准确性和效率。
因此，为了实现高效、精准的故障诊断，我们设计并实现了一个基于深度学习的故障诊断系统。
该系统能够自动分析设备运行数据，快速定位故障原因，为维护和修复提供有力支持。
二、系统设计1. 数据预处理在深度学习系统中，数据的质量和格式对模型的训练和性能具有重要影响。
因此，在数据输入系统之前，我们需要对原始数据进行预处理。
预处理过程包括数据清洗、归一化、特征提取等步骤。
我们使用专业的数据处理工具，对数据进行格式转换和异常值处理，确保数据的质量和一致性。
2. 模型选择与构建在模型选择上，我们采用了深度卷积神经网络（CNN）和循环神经网络（RNN）的组合模型。
这种模型可以同时捕捉设备的静态特征和动态特征，提高故障诊断的准确性。
我们使用Python 的深度学习框架（如TensorFlow或PyTorch）进行模型构建。
3. 数据标签与训练我们使用无监督学习和半监督学习方法对数据进行标签。
首先，我们使用无监督学习对数据进行聚类，初步确定故障类型。
然后，我们使用半监督学习对聚类结果进行修正和优化，为每个故障类型打上准确的标签。
在模型训练过程中，我们使用交叉验证和梯度下降等优化技术，提高模型的训练速度和性能。
三、系统实现1. 硬件环境我们的系统采用分布式计算架构，可以充分利用服务器集群的计算资源。
硬件环境包括高性能服务器、存储设备和网络设备等。
我们使用Docker等容器化技术进行部署和管理，确保系统的稳定性和可扩展性。
2. 软件环境在软件环境方面，我们采用Python作为主要编程语言，使用TensorFlow或PyTorch等深度学习框架进行模型构建和训练。
此外，我们还使用了数据预处理工具、数据库管理系统等软件工具，确保系统的功能和性能。
四、实验与结果分析我们在多个设备上进行了实验，并与其他传统故障诊断方法进行了对比。
基于RBFNN的高压断路器机械故障诊断系统
Ｚ
图 １ 径 向基 函 数神 经 网络 模 型
Ｆｉ． Ｍｏ ｅ ｆ ｇ１ ｄ ｌ ｏ ＲＢＦ ＮＮ
并 且 故 障 的发 生 要 经 历 一 个 由量 变 到 质 变 的 中间 过 渡 ． 给 故 障 诊 断 带 来 了 一 定 的 困 难 ［２ 本 文 将 径 这 １］ －
向基 函数 神 经 网 络 （ Ｆ ＲＢ ＮＮ． ｄ ａ ａ ｉ ｕ ｃ ｉｎ Ｒａ ｉ ｌ ｓｓＦ ｎ ｔ Ｂ ｏ
Ｚ＝ ， ， ， ］ 输 出 节 点 ｙ ［ ｙ ， ，，］ ［ … 和 － ｙ，：… 】 。 网 络 中 第 １层 ． 点 传 输 函 数 为 满 足 Ｐ ｒｅ 节 ａｚ ｎ窗 函 数 的 径 向 基 函 数 ； 为 第 １隐 层 节 点 个 数 。 设 连
合 正 常 和 故 障 电 流 高 压 断 路 器 的 可 靠 运 行 对 电 力 系 统 安 全 、 定 至 关 重 要 。随 着 电 子 技 术 的 进 步 稳
ｙ
和 传 感 器 技 术 、 纤 技 术 、 算 机 技 术 、 息 处 理 光 计 信
等 的 发展 以及 故 障机 理 、特 征 信 号提 取 方 法 的深 入 研 究 ．在 线 监 测 和 故 障 诊 断 技 术 逐 步 进 入 了 实
收 稿 日期 ：２ ０ ．７２ ０ ９０ ．０
作 者 简 介 ：骆
平 （ ９ ３ ） 女 ， 江诸 暨 人 ， 士 研 究 生 ， 审 ， 事 电力 系 统 技 术 研究 。Ｅ ｍａ ｐｎ ｌ ＠ ｇ ｃ Ｏ ｃ １ ６一 ， 浙 博 编 从 － ｉ ｉｇ ｏ ｓｃ ． Ｂ． ｈ ｕ Ｃ ｎ
径 向 基 函 数 神 经 网 络 是 ２层 网 络 ． 如 图 １所
- 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)。
ａ ｒ ｔ ｉ ｉ ｆ ｃ ｉ ｌ ａ ｎ ｅ ｕ ｒ ￣ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｗａ ｓ ｄ ｅ ｓ ｉ ｇ ｎ ｅ ｄ ｂ ｙ ａ ｎ ａ ｌ ｙ ｚ ｉ ｎ ｇ ｔ ｈ ｅ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ａ ｎ ｄ ｓ ｈ ｏ ￣ ａ ｇ ｅ ｏ ｆ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ａ ｎ ｄ ｅ ｘ ｐ ｅ ｔ ｒ ｓ ｙ ｓ — ｔ ｅ ｍ．Ｔ ｈ ｅ ｐ ａ ｐ ｅ ｒ ｃ ｈ ｏ ｓ ｅ Ｒ ＢＦ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｔ ｈ ｅ ｃ ｏ ｍｐ ａ ｒ ａ ｔ ｉ ｖ ｅ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ｏ ｆ ｓ ｅ ｖ ｅ ｒ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｓ ，ｕ ｓ ｅ ｄ ａ ｈ ｙ ｂ ｒ ｉ ｄ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ｏ ｆ ｓ ｕ ｂ ｔ ｒ ａ ｃ ｔ ｉ ｖ ｅ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ｇ ａ ｎ ｄ ｋ － ｍｅ ａ ｎ ｓ ｃ ｌ ｕ ｓ ｔ ｅ ｉ ｒ ｎ ｇ ｔ ｏ ｏ ｐ ｔ ｉ ｍｉ ｚ ｅ ｔ ｈ ｅ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ｏ ｆ ＲＢ Ｆ ＮＮ，ａ ｃ ｃ ｅ ｓ ｓ ｅ ｄ ｔ ｏ ｂ ｕ ｉ ｌ ｄ ｅ ｘ ｐ ｌ ｉ ｃ ｉ ｔ ａ ｎ ｄ ｉ ｍｐ ｌ ｉ ｃ ｉ ｔ ｋ ｎ ｏ ｗ ｌ ｅ ｄ ｇ ｅ ｂ ａ ｓ ｅ ，ａ ｄ ｏ ｐ ｔ ｅ ｄ ｐ ｒ ｏ ｄ ｕ ｃ ｔ ｉ ｏ ｎ ｒ ｕ ｌ ｅ ｓ ｗｉ ｔ ｈ ｃ ｒ ｅ ｄ ｉ ｂ ｉ ｌ ｉ ｔ ｙ ｆ ａ ｃ ｔ ｏ ｒ ｔ ｏ ｒ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｋ ｎ ｏ ｗｌ ｅ ｄ ｇ ｅ ， ａ ｎ ｄ ｕ ｔ ｉ ｌ ｉ ｚ ｅ ｄ ＡＤ Ｏ ｍｅ ｔ ｈ ｏ ｄ ｔ ｏ ｍａ ｎ ａ ｇ ｅ ｋ ｎ ｏ ｗｌ ｅ ｄ ｇ ｅ ｂ ａ ｓ ｅ ．Ａｎ ｄ ｔ ｈ ｅ ｎ ｔ ｈ ｅ ｈ ｙ ｂ ｉ ｒ ｄ ｐ ｒ ｏ ｇ ｒ ａ ｍｍｉ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ ｏ ｆ Ｖｉ ｓ ｕ ｌ ａ Ｃ＋＋ ａ ｎ ｄ Ｍａ ｌ ｆ ａ ｂ ｗｅ ｒ ｅ ｕ ｓ ｅ ｄ ｔ ｏ ｂ ｕ ｉ ｌ ｄ ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ｓ ｙ ｓ ｔ ｅ ｍ．Ｆ ｉ ｎ ｌｌ ａ ｙ ，ｔ ｈ ｅ ｓ ｙ ｓ ｔ ｅ ｍ ｐ ｒ ｅ ｆ ｅ ｒ ａ ｂ ｌ ｙ ｒ ｅ ｓ ｏ ｌ ｖ ｅ ｄ ｏ ｎ — ｌ ｉ ｎ ｅ ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｎｏ ｇ ｓ ｉ ｓ ｐ ｒ ｏ ｂ — ｌ ｅ ｍ ｏ ｆ ａ ｓ ｅ ｒ ｖ ｏ ｄ ｅ ｖ ｉ ｃ ｅ ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ｅ ｘ ｐ ｅ ｉ ｒ ｍｅ ｎ ｔ ． ＫＥＹＷ ＯＲＤＳ： Ｅ ｘ ｐ ｅ ｒ ｔ ｓ ｙ ｓ ｔ ｅ ｍ ；ＲＢ Ｆ Ｎｅ ｕ ｒ ａ ｌ Ｎｅ ｔ ｗ ｏ ｒ ｋ；Ｓ ｕ ｂ ｔ ｒ ａ ｃ ｔ ｉ ｖ ｅ ｃ ｌ ｕ ｓ ｔ ｅ ｉ ｒ ｎ ｇ；Ｋｎ ｏ ｗ ｌ ｅ ｄ ｇ ｅ ｂ ａ ｓ ｅ ；Ｈｙ ｂ ｉ ｒ ｄ ｐ ｒ ｏ ｒａ ｇ ｍｍｉ ｎ ｇ
编程 的方法 ， 实现 了诊断系统组建 ； 最后在某随动装置在线故障诊断中仿真验证 ， 构建系统很好地解决 了在线 快速故 障诊 断
的 问题 。
关键词 ： 专 家系统 ； 径 向基 函数神经 网络 ； 减聚类 ； 知识库 ； 混合编程
中图分 类号 ： Ｔ Ｐ ２ ７ ７ 文献标识码 ： Ａ
第３ ０ 卷 第３ 期
文章编号 ： １ ０ ０ ６ ～ ９ ３ ４ ８ （ ２ ０ １ ３ ） ０ ３ — ０ ２ ９ ０ — ０ ４
计
算
机
ቤተ መጻሕፍቲ ባይዱ
仿
真
２ ０ １ ３ 年３ 月
基 于 改进 的 Ｒ Ｂ Ｆ Ｎ Ｎ在 线故 障诊 断 专 家 系统 设 计
玛 唆。 聃 车
（ 军械工程学院导弹工程系 ， 河北 石家庄 ０ ５ ０ ０ ０ ３ ） 摘要 ： 针对在线故 障诊断需求 ， 通过分析神经网络和专家系统的各 自特点和不足。为解 决上述 问题 ， 构建 了神经网络 的在线 故障诊断专家系统 。通过对 比分析选择径 向基函数（ Ｒ Ｂ Ｆ ） 神经网络 ， 采用 减聚类 和 ｋ － ｍｅ ａ ｎ ｓ聚类混合算法求 取 Ｒ Ｂ Ｆ参数 ； 建立 了显示与 隐式知识库 ， 采用带可信度的产生式规则表示知识 ， 运用 Ａ Ｄ Ｏ方法管理知识库和应用 Ｖ ｉ ｓ ｕ ａ ｌ ｃ ＋ ＋ 、 Ｍａ ｔ ｌ ａ ｂ混合
Ｄｅ ｓ ｉ ｇ ｎ ｏ ｆ Ｏｎ－Ｌｉ ｎ ｅ Ｆａ ｕ ｌ ｔ Ｄｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ Ｅｘ ｐｅ ｒ ｔ Ｓ ｙ ｓ ｔ ｅ ｍ
Ｂａ ｓ ｅ ｄ ｏ ｎ Ｉ ｍ ｐｒ ｏ ｖ ｅ ｄ ＲＢＦ Ｎｅ ｕｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ
ＭＡ Ｊ ｕ ｎ ． Ｙ Ｎ Ｇ ｕ ａ ｎ ｇ － ｊ ｕ ｎ
（ Ｄ ｅ ｐ ｔ ｏ ｆ Ｍ ｉ ｓ ｓ ｉ ｌ ｅ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ ， Ｏ ｒ ｄ ｎ ａ ｎ ｃ ｅ Ｅ ｎ ｉ ｇ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ，Ｓ ｈ ｉ ｊ ｉ ａ ｚ ｈ ｕ ａ ｎ ｇ Ｈ ｅ ｂ ｅ ｉ ０ ５ ０ ０ ０ ３ ，Ｃ ｈ ｉ ｎ ａ ）