史麗萍，湯家升，張曉蕾，余鵬璽，劉 鵬

?

RBF和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在水泵振動(dòng)故障診斷中的應(yīng)用比較

史麗萍，湯家升，張曉蕾，余鵬璽，劉 鵬

（中國(guó)礦業(yè)大學(xué)信息與電氣工程學(xué)院，江蘇徐州 221008）

針對(duì)水泵機(jī)組振動(dòng)故障的復(fù)雜性，采用了應(yīng)用較為成熟的基于改進(jìn)誤差反向傳播（BP）和徑向基（RBF）神經(jīng)網(wǎng)絡(luò)的故障診斷方法。依據(jù)歸一化的故障特征量樣本和目標(biāo)期望輸出，對(duì)兩種診斷網(wǎng)絡(luò)進(jìn)行了達(dá)標(biāo)訓(xùn)練。通過對(duì)工程現(xiàn)場(chǎng)提取的驗(yàn)證數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)診斷測(cè)試和對(duì)比，證明RBF和改進(jìn)BP兩種神經(jīng)網(wǎng)絡(luò)的診斷方式均可以滿足診斷基本要求，但是改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的診斷方式對(duì)故障定位更為快速精確。為水泵振動(dòng)故障診斷技術(shù)的提升打下基礎(chǔ)。

水泵機(jī)組；振動(dòng)故障；改進(jìn)BP神經(jīng)網(wǎng)絡(luò)；RBF神經(jīng)網(wǎng)絡(luò)

0 引言

礦井水泵機(jī)組是一個(gè)由流體、機(jī)械、電磁三部分互相耦合的復(fù)雜非線性系統(tǒng)，很多振動(dòng)故障類型和故障現(xiàn)象之間往往沒有非常明確的關(guān)系，各種故障的發(fā)生概率也不夠確定，使得對(duì)其故障結(jié)果的診斷難度較大[1]。近年來，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)在信號(hào)處理、智能控制、模式識(shí)別、非線性優(yōu)化等方面應(yīng)用的日趨成熟，將神經(jīng)網(wǎng)絡(luò)用于水泵的振動(dòng)故障診斷不失為一種有效的方法[2]。文中采用改進(jìn)的誤差反向傳播（BP）神經(jīng)網(wǎng)絡(luò)和徑向基（RBF）神經(jīng)網(wǎng)絡(luò)兩種方法對(duì)棗莊大興礦水泵的振動(dòng)信號(hào)進(jìn)行了實(shí)驗(yàn)診斷，并對(duì)診斷結(jié)果進(jìn)行了詳細(xì)的分析比較，為水泵故障診斷技術(shù)的完善和提高提供了一定的理論依據(jù)。

1 水泵故障特征的提取

礦井采用的水泵機(jī)組設(shè)備主要是臥式離心式水泵和高壓異步電機(jī)，其主要工作原理是：異步電機(jī)帶動(dòng)水泵轉(zhuǎn)子高速旋轉(zhuǎn)，水泵高速旋轉(zhuǎn)的葉輪葉片帶動(dòng)液體旋轉(zhuǎn)，利用離心力將液體甩出，從而達(dá)到輸送的目的[3]。由工作原理可見，轉(zhuǎn)子作為水泵機(jī)組核心部件完成了水泵的主要功能，而振動(dòng)信號(hào)能夠?qū)崟r(shí)反映出轉(zhuǎn)子旋轉(zhuǎn)時(shí)大多數(shù)振動(dòng)故障的特征，因此對(duì)水泵振動(dòng)信號(hào)的分析是水泵故障診斷的有效途徑之一。結(jié)合旋轉(zhuǎn)機(jī)械的特點(diǎn)，本文重點(diǎn)分析如下9種主要的水泵機(jī)組振動(dòng)故障類型：轉(zhuǎn)子不平衡，轉(zhuǎn)子不對(duì)中，油膜振蕩，泵內(nèi)異物，水泵汽蝕，動(dòng)靜磨碰，軸承支撐系統(tǒng)連接松動(dòng)，葉輪和轉(zhuǎn)軸之間配合時(shí)效，轉(zhuǎn)軸橫向裂紋。其特征頻率和常伴頻率分別如表1所示。

表1 礦井水泵常見振動(dòng)故障及對(duì)應(yīng)頻率特征

在故障診斷系統(tǒng)中，選取合適準(zhǔn)確的特征量對(duì)以后進(jìn)一步的智能診斷有著非常重要的作用。頻率特性是旋轉(zhuǎn)故障診斷中最重要的特征之一，大部分故障都可以從頻率特性中診斷出來，因此，我們可以利用快速傅里葉變換提取信號(hào)在頻域上的特征量，比如幅值等作為故障分析的特征量。

結(jié)合通用的J.Sohre提出的故障特征征兆表，選取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=奇數(shù)倍f等共9種具有代表性的頻率成份作為特征頻率。然后以各個(gè)頻率段或者頻率點(diǎn)處所對(duì)應(yīng)平均振幅和最大振幅的比值作為振動(dòng)故障特征量，按照公式1進(jìn)行歸一化，見表2。這樣得到的故障特征量是9維的，其中故障樣本號(hào)1至9對(duì)應(yīng)于表格1中的9種相應(yīng)的特征故障。

表2 水泵故障類型及其振動(dòng)分布

式中n為所劃分的特征頻率段數(shù)目，（x）為第個(gè)節(jié)點(diǎn)的輸入?yún)?shù)，歸一化后（x）應(yīng)該在0~1內(nèi)。

2 BP神經(jīng)網(wǎng)絡(luò)的故障診斷實(shí)現(xiàn)

2.1 網(wǎng)絡(luò)設(shè)計(jì)

BP網(wǎng)絡(luò)的輸入層和輸出層是與外界聯(lián)系的接口。由表2可知，每一種故障歸一化后的振動(dòng)特征量個(gè)數(shù)為9，選擇輸入層數(shù)為9。對(duì)于輸出層，對(duì)應(yīng)水泵機(jī)組9種特征故障，選擇輸出層數(shù)為9。樣本目標(biāo)輸出見表3。其中故障樣本號(hào)1至9對(duì)應(yīng)于9種相應(yīng)的特征故障：轉(zhuǎn)子不平衡，轉(zhuǎn)子不對(duì)中，油膜振蕩，泵內(nèi)異物，水泵汽蝕，動(dòng)靜磨碰，軸承支撐系統(tǒng)連接松動(dòng)，葉輪和轉(zhuǎn)軸之間配合時(shí)效，轉(zhuǎn)軸橫向裂紋。目標(biāo)輸出中1.00代表故障，0.00代表無故障。

表3 樣本目標(biāo)輸出

由于一個(gè)3層的前向傳播網(wǎng)絡(luò)可以逼近和模擬任意精度的函數(shù)，故而實(shí)際應(yīng)用中一般使用3層BP神經(jīng)網(wǎng)絡(luò)，因此，我們這里僅選擇一個(gè)隱含層。在工程實(shí)際中，最佳的隱含層節(jié)點(diǎn)數(shù)的確定往往需要依靠工程技術(shù)人員的經(jīng)驗(yàn)，并進(jìn)行多次實(shí)驗(yàn)之后才能確定。隱含層如果節(jié)點(diǎn)數(shù)過少，網(wǎng)絡(luò)模型比較粗糙，影響網(wǎng)絡(luò)的學(xué)習(xí)和判斷。而節(jié)點(diǎn)數(shù)過多，網(wǎng)絡(luò)劃分過細(xì)，抓不到樣本的主要特征，且會(huì)增加訓(xùn)練時(shí)間[4-5]。這里我們可以先根據(jù)經(jīng)驗(yàn)公式2，來確定一個(gè)隱含層節(jié)點(diǎn)數(shù)p。

2.2 網(wǎng)絡(luò)訓(xùn)練

根據(jù)已經(jīng)確定的輸入輸出向量，在MATLAB中進(jìn)行編程仿真測(cè)試。輸入節(jié)點(diǎn)的傳遞函數(shù)采用S型正切函數(shù)“tansig”，輸出節(jié)點(diǎn)傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)“l(fā)ogsig”。訓(xùn)練函數(shù)采用改進(jìn)的動(dòng)量及自適應(yīng)lrBP的梯度遞減訓(xùn)練函數(shù)“traingdx”[6-7]?！皌raingdx”算法可以更有效的處理局部極小點(diǎn)問題，并且能夠網(wǎng)絡(luò)訓(xùn)練步數(shù)設(shè)定為1000次，訓(xùn)練誤差為0.0001，初始學(xué)習(xí)速率為0.05，學(xué)習(xí)速率增加比率為1.05，減少比率為0.68，閾值動(dòng)量因子為0.9。網(wǎng)絡(luò)訓(xùn)練過程中時(shí)刻變化的誤差情況如圖1所示，可以看出當(dāng)訓(xùn)練步數(shù)達(dá)到686時(shí)，誤差小于0.0001，此時(shí)訓(xùn)練結(jié)束。

該網(wǎng)絡(luò)下的樣本實(shí)際輸出整理后見表4。

圖1 BP網(wǎng)絡(luò)的訓(xùn)練過程

表4 BP神經(jīng)網(wǎng)絡(luò)樣本實(shí)際輸出

從表4中可見，樣本實(shí)際輸出中的故障點(diǎn)已經(jīng)接近與1，非故障點(diǎn)接近于0，網(wǎng)絡(luò)的輸出值與期望值很接近，誤差已經(jīng)小于規(guī)定數(shù)值，表明訓(xùn)練后的網(wǎng)絡(luò)可行。

3 RBF神經(jīng)網(wǎng)絡(luò)的故障診斷實(shí)現(xiàn)

RBF神經(jīng)網(wǎng)絡(luò)可以有效改善傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)難以確定網(wǎng)絡(luò)結(jié)構(gòu)，收斂速度慢，存在局部極小點(diǎn)等缺陷，而且更適合于樣本數(shù)量比較多的情況。為驗(yàn)證改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的效果，本文同時(shí)采用RBF神經(jīng)網(wǎng)絡(luò)作為改善效果對(duì)比。RBF神經(jīng)網(wǎng)絡(luò)樣本的輸入與輸出和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)相同。經(jīng)過嘗試，網(wǎng)絡(luò)的散布常數(shù)值設(shè)定為0.6，仿真測(cè)試結(jié)果列表后見表5。

由表5可見，樣本實(shí)際輸出與期望輸出幾乎等同，相比于表4改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出結(jié)果更為精確一些。在仿真過程中，網(wǎng)絡(luò)訓(xùn)練的時(shí)間相比于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練更為快速。

4 實(shí)驗(yàn)測(cè)試

為了驗(yàn)證兩種網(wǎng)絡(luò)對(duì)水泵故障診斷的準(zhǔn)確性，我們從實(shí)驗(yàn)現(xiàn)場(chǎng)采集到兩組已經(jīng)確定轉(zhuǎn)子不平衡和水泵汽蝕故障的特征量進(jìn)行驗(yàn)證，振動(dòng)頻譜的實(shí)驗(yàn)數(shù)據(jù)歸一化后見表6。

使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真驗(yàn)證，輸出結(jié)果整理后見表7。

使用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真驗(yàn)證，輸出結(jié)果整理后見表8。

表5 RBF神經(jīng)網(wǎng)絡(luò)樣本實(shí)際輸出

表6 振動(dòng)頻譜征兆實(shí)驗(yàn)數(shù)據(jù)

表7 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)驗(yàn)證輸出結(jié)果

表8 RBF神經(jīng)網(wǎng)絡(luò)驗(yàn)證輸出結(jié)果

由上表的網(wǎng)絡(luò)診斷結(jié)果可以判斷：

表7第一項(xiàng)0.9685和表8的第一項(xiàng)1.1129值最大，對(duì)應(yīng)表3的樣本期望輸出，符合轉(zhuǎn)子不平衡故障，0.9685相比于1.1129更接近于1；表7第五項(xiàng)0.9898和表8第五項(xiàng)0.9855值最大，對(duì)應(yīng)表3的樣本輸出，符合水泵汽蝕故障，0.9898相比于0.9855更接近于1。對(duì)于非故障項(xiàng)，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的診斷值相比于RBF神經(jīng)網(wǎng)絡(luò)的診斷值值更接近于0?？梢钥闯觯瑢?shí)測(cè)結(jié)果與診斷結(jié)果非常吻合，由此驗(yàn)證在改進(jìn)BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)均能夠滿足待檢數(shù)據(jù)的故障模式分類要求情況下，改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)的診斷數(shù)據(jù)相比于RBF神經(jīng)網(wǎng)絡(luò)更為精確，改進(jìn)是有效的。

5 總結(jié)

水泵機(jī)組振動(dòng)故障的診斷比較復(fù)雜，本文采用優(yōu)異于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的RBF神經(jīng)網(wǎng)絡(luò)和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)兩種故障診斷方法完成診斷效果對(duì)比，雖然RBF神經(jīng)網(wǎng)絡(luò)樣本輸出更接近于期望值，但是改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的最終診斷結(jié)果更為精確。本文僅僅提取了九種常見故障的特征量作為診斷依據(jù)，具有一定的不全面性，在工程應(yīng)用中還有很大提高余地。

[1] 卞紹順. 礦井水泵機(jī)組狀態(tài)監(jiān)測(cè)與遠(yuǎn)程故障診斷[D]. 中國(guó)礦業(yè)大學(xué)碩士論文2013（06）：17-20.

[2] 朱凱, 王正林. 精通MATLAB神經(jīng)網(wǎng)絡(luò)[M]. 北京：電子工業(yè)出版社, 2010.

[3] 譚偉城. 離心式水泵振動(dòng)監(jiān)測(cè)與故障診斷[J]. 機(jī)械工程與自動(dòng)化. 2011(3)：127-128.

[4] 游張平, 胡小平. 基于粒子群神經(jīng)網(wǎng)絡(luò)的氣閥機(jī)構(gòu)故障診斷[J]. 測(cè)控技術(shù). 2011, 30（12）:102-105.

[5] 叢爽．面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M]．合肥：中國(guó)科學(xué)技術(shù)大學(xué)出版社, 1998：45-73．

[6] 王永華. 現(xiàn)代電氣控制及PLC應(yīng)用技術(shù)[M]. 北京: 北京航空航天大學(xué)出版社, 2009.

[7] You Z P，Li S Y，Li W L，et al．Modeling and simulation ofscrew axis based on PSO-BP neural network and orthogonalexperiment［A］．Proceedings of 2009 Second InternationalSymposium on Computational Intelligence and Design［C］．2009．

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)

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.

pump unit; vibration fault;improved BP neural network; RBF neural network

TH318

B

1000-3983(2014)04-0059-04

2013-08-20

中國(guó)礦業(yè)大學(xué)青年科研基金資助項(xiàng)目（2008A020）

史麗萍(1964-)，2001年畢業(yè)于中國(guó)礦業(yè)大學(xué)獲博士學(xué)位，現(xiàn)任中國(guó)礦業(yè)大學(xué)信電學(xué)院教授，主要研究方向?yàn)殡姎饪刂?，電氣設(shè)備的故障診斷以及電力系統(tǒng)無功補(bǔ)償和諧波治理。

審稿人：樸秀日