摘要：神經網絡的自適應、自學習和對非線性系統超強的分析能力使它成為故障診斷的常用方法。本文通過分析RBF神經網絡的構成和特性，將塔式起重機身上關鍵位置的傳感器測量所得的形變量作為特征參數，運用 RBF神經網絡對塔式起重機的典型故障進行診斷分析。實踐表明，RBF神經網絡方法對于多征兆機械系統的故障診斷是有效、可行的。 關鍵詞：RBF神經網絡；塔式起重機；故障診斷 0 引言 根據塔式起重機 處于不同的狀態所產生的信息不同的特點，把塔式起重機偏離正常運行的運行狀態稱為故障狀態。由故障診斷原理可知，故障診斷的過程就是將故障征兆集非線性映射到故障集的過程，被診斷設備的某一種故障類型往往引起多個故障征兆；某一故障征兆又可以由多種故障類型引發。因此，從本質上講，故障診斷過程就是分類識別的過程 。該過程難以用明確的數學模型來描述，利用神經網絡的方法使得這種分類識別成為可能。 神經網絡作為一種新的方法體系，具有分布并行處理、非線性映射、自適應學習和魯棒容錯等特性，這使得它在模式識別、控制優化、智能信息處理以及故障診斷等方面都有廣泛的應用。現今常用的神經網絡模型主要有自適應共振理論模型（ART）、誤差反向傳播模型（BP）、自組織映射模型（SOM）、徑向基函數網絡模型（RBF）等 ，目前應用最廣泛的當屬 BP網絡模型和 RBF網絡模型。 本文通過對RBF神經網絡模型的構成和特性進行分析，將塔式起重機身上關鍵位置的傳感器測量所得的形變量作為特征參數，運用 RBF神經網絡對塔式起重機的典型7種故障進行診斷分析。實驗結果表明，采用RBF神經網絡對于診斷多征兆機械系統的故障是有效、可行的。 [b]1 RBF神經網絡模型 [/b] BP網絡是典型的全局逼近網絡，即對每一個輸入輸出數據時，網絡的所有參數均要調整。由于BP神經網絡是基于梯度下降的誤差反向傳播算法進行學習的，所以其網絡訓練速度通常很慢，而且容易陷入局部極小點，盡管采用一些改進快速算法可以較好地解決某些實際問題，但是在設計過程中往往要經過反復的試湊和訓練過程，無法嚴格保證每次訓練時BP算法的收斂性和全局最優性。此外，BP網絡隱層神經元的作用機理及個數選擇也是BP網絡中難以確定的問題。而徑向基函數網絡模型（RBF）是以函數逼近理論為基礎而構造的一類前向網絡，這類網絡學習等價于在多維空間中尋找訓練數據的最佳擬合面，網絡的每個隱層神經元傳遞函數都構成了擬合平面的一個基函數。RBF網絡是一種局部逼近網絡，對輸入空間的某一局部區域只有少數的神經元用于決定網絡的輸出。由于二者的構造本質不同，RBF網絡與BP網絡相比規模通常較大一些，但學習速度較快，并且網絡的函數逼近能力、模式識別與分類能力都優于前者。 1.1RBF神經元模型 一個具有 維輸入的徑向基函數神經元模型如圖1所示。圖中 的模塊表示求取輸入矢量和權值矢量的距離。此模型中采用高斯函數radbas作為徑向基神經元的傳遞函數，其輸入 為輸入矢量 和權值矢量ｗ的距離乘以閾值，高斯函數radbas是典型的徑向基函數，其表達式為 其函數曲線如圖2所示。 [align=center] 圖1 具有R維輸入的徑向基函數神經元[/align] [align=center] 圖2 高斯徑向基函數曲線[/align] 中心與寬度是徑向基函數神經元的兩個重要參數。神經元的權值矢量ｗ確定了徑向基函數的中心，當輸入矢量 與ｗ重合時，徑向基函數神經元的輸出達到最大值，當輸入矢量 距離ｗ越遠時，神經元的輸出就越小。神經元的閾值 確定了徑向基函數的寬度，當 越大，則輸入矢量 在遠離ｗ時函數的衰減幅度就越大。 1.2 RBF神經網絡結構 一個典型的徑向基函數網絡包括2層，即隱層和輸出層，如圖3所示。網絡的輸入維數為 ，隱層神經元個數為 、輸出個數為 ,隱層神經元采用高斯函數作為傳遞函數，輸出層的傳遞函數為線性函數。圖中 表示隱層輸出矢量 的第 個元素， 表示第 個隱層神經元的權值矢量，即隱層神經元矩陣w的第i行。 [align=center] 圖3 徑向基函數網絡結構圖[/align] 2 塔式起重機常見故障診斷實例 經過大量的實地考察了解和分析，塔式起重機的主要典型故障有 ：（1）起重量過大（A）；（2）塔機 剛度不夠（B）；（3）起重力矩大（C）；（4）起升高度大（D）；（5）起重幅度不合適（E）；（6）風速大（F）；（7） 支撐點松動（G）。通過對塔式起重機的故障進行實地測試,通過安裝在塔身上關鍵位置的傳感器測量該處的形變量，經數據采集系統和數據處理系統對塔式起重機的狀態進行監測,共選取9個測試點作為檢測對象。對各個故障狀態分別進行數據采集，形成標準樣本數據和待檢數據。 采集后的樣本數據經過歸一化處理,用迭代方法設計RBF網絡對 70個（每種10個）訓練樣本進行訓練，使網絡訓練更有效。該方法每迭代1次就增加1個神經元，直到平方和誤差下降到目標誤差以下時迭代停止。網絡設置中，目標誤差為0.01，擴展常數為0.5。其網絡訓練過程如圖4所示。 [align=center] 圖4 RBF神經網絡訓練過程[/align] 訓練過程顯示，RBF算法迭代了15次即達到了目標誤差的要求，這比BP算法動則百次千次的迭代要快得多。 3實驗結果 為了驗證訓練后的RBF神經網絡對塔機故障的診斷性能，本文利用MATLAB進行實驗仿真 ，檢測結果如下所示，表1為待測的3組樣本,送入訓練好的RBF網絡，檢測結果如表2所示。 表1 待測試樣本 表2 網絡診斷輸出結果 由表2中粗體數字可以看出，RBF網絡能有效地對3種情況進行診斷。結果表明RBF網絡有唯一確定的解，不存在 BP網絡中所遇到的局部極小值問題，而且與BP網絡收斂速度慢的缺陷相反，RBF網絡學習速度快，適于在線實時監測與診斷。 [b]4結論 [/b] 本文研究了基于 RBF神經網絡的塔式起重機的故障診斷方法。在總結塔機故障規律的基礎上，采用 MATLAB的神經網絡工具箱函數來對網絡進行訓練和仿真，以實現塔機的故障診斷，并通過檢測樣本的仿真實例表明該方法是有效可行的。