维普资讯 http://www.cqvip.com 第１期（总第１，１０期） ２００７年２月 机械工程与自动化 ＭＥＣＨＡＮＩＣＡＩ ＥＮＧＩＮＥＥＲＩＮＧ ＆． ＡＵＴ（）ＭＡＴＩＯＮ Ｎｏ．１ Ｆｅｂ． 一，√ ｒｒ 出 ● 一，ｖＯ 文章编号：１６７２—６Ｉｌ１３（２００７）Ｏ１ ０１３１—０３ 基于神经网络的转子系统故障诊断 吴自明 （南京机械职工大学，江苏 南京 ２１００３７） 摘要：提出了一种基于神经网络的转子振动故障诊断的新方法，该方法以大型机器的轴承振动裂度作为神经网 络的训练样本输入，并通过神经网络的学习、聚类，产生神经网络聚类中心，根据网络聚类的特点以及聚类的 中心来判断转子的振动特性和实质。实例验证表明，该方法可实现对转子系统振动故障的准确诊断。 关键词：Ｋｏｈｏｎｅｎ网络；转子系统；故障诊断 中图分类号：ＴＰ２７７ 文献标识码：Ａ ０ 引言 目前，大型原动机和其它具有旋转质量的大型机 器的转子振动特性以及振动故障，是通过检测其轴承 振动裂度来诊断的，其存在的问题是精度低、诊断误 差大。针对这一问题，本文提出了一种基于神经网络 的转子振动故障诊断的新方法，该方法以大型机器的 轴承振动裂度作为神经网络的训练样本输入，并通过 神经网络的学习、聚类，产生神经网络聚类中心，根 据网络聚类的特点以及聚类的中心来判断转子的振动 特性和实质，从而实现对转子系统振动故障的准确诊 断。 １诊断原理 转子系统的振动特性，通常通过测量出轴承振动 裂度来诊断，轴承振动裂度 的计算公式如下［１＿： 利用振动特性标准表来诊断转子振动特性的方法 存在精度低、诊断误差大的缺点，如轴承的振动裂度 为１．２３ｍｍ／ｓ时，其刚性支承是属于“好”还是 “良”以及振动裂度为４．６２ｍｍ／ｓ时，其柔性支撑是属 于“良”还是“及格”。都无法从表１中确定。针对这 问题，本文提出了一种基于Ｋｏｈｏｎｅｎ网络的转子振 动故障诊断的新方法 。］，以轴承振动裂度作为 一Ｋｏｈｏｎｅｎ网络的训练样本输入，并通过网络的学习、 聚类，产生Ｋｏｈｏｎｅｎ网络聚类中心，根据网络聚类的 特点以及聚类的中心来判断转子的振动特性和实质。 表１振动标准 轴承振动裂度 ｍｍ／ｓ ０．４６ Ｏ．７１ １．１７ １．８ 好 好 好 良 良 及格 及格 及格 不可用 支承分类 刚性 柔性 好 好 好 好 良 良 及格 及格 不可用 一√ １ ２ Ｔ ２Ｔ…Ｔ ２）一 ，、Ｖ ／寺（Ａ｛ ｛＋Ａ； ＋…＋ ： ２）。 厶 ／１ ２．８ ４．６ ７．１ １１．２ １８．０ 式中：（－Ｏｎ——非简谐振动的角频率； 相应角频率下的振动速度值； Ａ ——相应角频率下的振动位移峰值； 振动周期。 通过上式计算出轴承振动裂度后，再对照振动特 性标准表（见表１），即可判断转子的振动特性。表１为 国际标准化组织ＩＳＯ３９４５给出的用振动裂度评定功 率大于３００ｋＷ、转速为６００ｒ／ｍｉｎ￣１２ ０００ｒ／ｒａｉｎ的大 型原动机和其它具有旋转质量的大型机器（如电动机 和发电机、蒸汽机和燃气轮机、蜗轮压缩机、蜗轮泵和 风扇等）振动特性的国际标准。 ２ Ｋｏｈｏｎｅｎ网络的结构及自组织学习 ’Ｋｏｈｏｎｅｎ网络的结构见图１。网络由输入层和输 出层组成，其学习算法如下 ］： （１）初始化。将网络的连接权｛叫 ，｝赋予［Ｏ １］区 间的随机值，其中 一１，２，…，Ⅳ，Ｊ一１，２，…，Ｍ；确定 学习率７（ｆ）的初始值 （Ｏ）（Ｏ＜７（Ｏ）＜１）；确定领域 Ⅳ （ｆ）的初始值Ｎ （Ｏ），领域Ｎ （ｆ）是指以步骤（４）确 定的获胜神经元ｇ为中心，且包含了若干神经元的区 域范围，这个区域一般是均匀对称的，最典型的是正方 收稿日期：２００６—０７—３１ 作者简介：吴自明（１９６５一），男，江苏南京人，讲师，本科，研究方向为机电一体化。 维普资讯 http://www.cqvip.com ・１３２・ 机械工程与自动化 ２００７年第１期 形或圆形区域，Ⅳ （ｆ）的值表示在第ｔ次学习过程领域 中所包含的神经元个数；确定总的学习次数ｔｏ。 数，网络仿真用ｓｉｍｕｃ函数。网络的聚类中心用符号 Ｏ”表示，聚类的输入样本用符号“＋”表示。网络 “竞争层 输入层 图１ Ｋｏｈｏｎｅｎ网络结构 （２）任选ｑ个学习模式中的一个模式Ｐ 提供给网 络的输入层，并进行归一化处理： Ｐ ＝ （ ，Ｐ ，…， ） ｌ ｌＰ ｌｌ一［（ ） ＋（户 ） ＋…＋（ ） ］“ 。 （３）对连接权Ｗ 一（叫 Ｗ …，Ｗ ）进行归 一化处理，并计算 ，与７ｊ 之间的欧氏距离ｄ ： 。 ｄ，一［ （Ｐ 一ｗ，，） ］“ 一１，２，…， 。 （４）找出最小距离ｄ ，确定获胜神经元ｇ： ｄ ＝ｍｉｎ［ ］ 一１，２，…， 。 （５）进行连接权的调整，对竞争层领域Ｎ （ｆ）内所 有神经元与输入层神经元之间的神经元进行修正，即： Ｗ，，（ｆ＋１）一Ｗ （ｆ）＋ｒ／（ｔ）・［Ｐ 一Ｗ （ｆ） 。 其中，Ｊ∈Ｎ （ｆ），Ｊ：１，２，…，Ｍ，Ｏ＜ｒ／（ｔ）＜１。 （６）选取另一个学习模式提供给网络的输入层，返 回步骤（３），直至ｑ个学习模式全部提供给网络。 （７）更新学习率ｒ／（ｔ）及领域Ⅳ （ｆ）： （ｆ）一 （０）（１一事）。 设竞争层某神经元ｇ在二维阵列中的坐标值为 （ｚ ，Ｙ ），则领域的范围是以点（ｚ 十Ｎ （ｔ），Ｙ ＋ Ｎ （ｆ））和点（ｚ 一Ⅳ （ｆ），Ｙ ～Ｎ （ｆ））为右上角和左下 角的正方形，其修正公式为： Ｎ ０）＝ＩＮＴＥＮ （Ｏ）（卜下ｔ）］。 （８）令ｔ—ｆ＋１，返回步骤（２）直至ｔ＝ｔ。为止。 Ｋｏｈｏｎｅｎ网络的自组织学习过程是对于每一个 网络的输入只调整一部分权值，使权向量更接近或更 偏离输入矢量，这一调整过程就是竞争学习过程。随 着不断学习，所有权矢量都在输入矢量空间相互分离， 形成了各自代表输入空间的一类模式。这就是 Ｋｏｈｏｎｅｎ网络的特征自动识别的聚类功能。 ３ Ｋｏｈｏｎｅｎ网络诊断 Ｋｏｈｏｎｅｎ网络对转子的振动特性以及振动故障 确切诊断的流程见图２。网络的样本输入为：［Ｏ．４６ ０．７１ １．１７ １．８ ２．８ ４．６ ７．１ １１．２ １８．０ ２８．０１；定义 Ｋｏｈｏｎｅｎ网络聚类中心的范围：Ｘ一［Ｏ ３０；０ ３Ｏ］；聚 类中心的个数：ｃｌｕｓｔｅｒｓ：２０；每个聚类的数据点个数： ｐｏｉｎｔｓ一２０；每个聚类的标准偏差：ｓｔｄ—ｄｅｖ一０．０４；网 络的初始化用ＭＡＴＬＡＢ神经网络工具箱中的ｉｎｉｔ函 数，网络竞争层用ｎｅｗｃ函数，网络的训练用ｔｒａｉｎ函 的最大训练步数为１００。 输入样本 建立竞争层 网络初始化 网络ｉ／ｉｊ练 审 网络仿真 图２ Ｋｏｈｏｎｅｎ网络诊断流程 Ｋｏｈｏｎｅｎ网络训练后，得到的一次网络聚类中心 见图３，二次网络聚类中心见图４。 当Ｋｏｈｏｎｅｎ网络聚类后，再对网络进行仿真，仿 真结果见表２。从表２上可以看出振动特性“好”与 “良”的振动裂度的聚类中心都在第４个聚类中心点 上。为了区分“好”和“良”，必须对“好”和“良” 的各个振动裂度进行二次聚类，措施是在ＭＡＴＬＡＢ 程序中改变网络的聚类范围Ｘ：Ｅ０ ５；０ ５］，这样便 得出表３的情况。从表３中可以看出对于“好”和 维普资讯 http://www.cqvip.com ２００７年第ｌ期 机械工程与自动化 ・１３３・ “良”范畴的轴承振动裂度来讲，其振动裂度为０．４６、 ０．７１、１．１７、１．２３的输入样本都属于第５聚类中心点； 振动裂度为１．８、２．０的输入样本都属于第７聚类中心 点；振动裂度为２．８、４．６的输入样本分别属于第９、１８ 聚类中心点。因此，样本聚类于第５聚类中心点的振 动裂度属于“好”，样本聚类于第７聚类中心点的振动 裂度属于“良”，而聚类于１８聚类中心点的振动裂度 属于“及格”。采用了这种方法后，对任何振动裂度的 转子系统振动特性都可以由聚类中心点来实现其精确 诊断和分类，因此准确诊断转子系统特性的目的便可 以达到。 表２第一次网络仿真的结果 轴承振动裂度 ｍｍ／ｓ ０．４６ ０．７１ （４．１）１ 的训练样本输入，并通过神经网络的学习、聚类，产 生神经网络聚类中心，根据网络聚类的特点以及聚类 中心来判断转子的振动特性和实质。实例验证表明，该 方法可准确诊断转子系统的振动故障。 表３第二次网络仿真的结果 轴承振动裂度 网络仿真的结果 ｍｒｎ／ｓ ０．４６ Ｏ．７１ １．１７ １．２３ １．８ ２．０ ２．８ （５．１）１ （５， １）１ （５．１）ｌ （５．１）１ （７。１）１ （７。１）１ （９。１）１ （１８， １）１ （１８． １）１ 网络仿真的结果 （４．１）１ ４．６ １．１７ １．８ ２．０ ２．８ （４，１）１ ４．６２ （４．１）１ （４．１）１ （４．１）１ 参考文献： ［１］钟秉林，黄仁．机械故障诊断学［Ｍ］．北京：机械工业出版 社，１９９８． ４．６ ７．１ （４，１）１ （２０．１）１ ［２］ 闻新．ＭＡＴｔ ＡＢ神经网络应用设计［Ｍ］．北京：科学出版 社，２０００． １１．２ １８．０ ２８．０ （１６． １）１ （７．１）１ （１７， １）１ ［３］ 阎平凡，张长水．人工神经网络与模拟进化计算［Ｍ］．北 京：清华大学出版社．２０００． ［４］ Ｋｏｈｏｎｅｎ Ｔ．Ｔｈｅ ｓｅｌｆ—ｏｒｇａｎｉｚｉｎｇ ｍａｐ［Ｊ］．Ｐｒｏｃ ＩＥＥＥ， ４结论 １９９０，７８：１４６４—１４８０． 提出的基于Ｋｏｈｏｎｅｎ神经网络的转子振动故障 诊断方法，以大型机器的轴承振动裂度作为神经网络 ［５］ Ｋｏｈｏｎｅｎ Ｔ．Ｔｈｅ ｎｅｕｒａｌ ｐｈｏｎｅｔｉｃ ｔｙｐｅｗｒｉｔｅｒ［Ｊ］． Ｃｏｍｐｕｔｅｒ．１９８８，２１：ｌ１—２２． Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ ｏｆ Ｒｏｔｏｒ Ｓｙｓｔｅｍ Ｂａｓｅｄ ｏｎ Ｋｏｈｏｎｅｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ＷＵ Ｚｉ—ｒｕｉｎｇ （Ｎａｎｉｉｎ Ｃｏｌｌｅｇｅ ｏｆ Ｍａｃｈｉｎｅｒｙ Ｗｏｒｋｅｒ，Ｎａｎｊｉｎ ２１００３７，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｐｕｔｓ ｆｏｒｗａｒｄ ａ ｎｏｖｅｌ ｍｅｔｈｏｄ ｆｏｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｆ ｒｏｔｏｒ ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ Ｋｏｈｏｎｅｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．Ｔｈｅ ｖａｌｕｅｓ ｏｆ ｖｉｂｒａｔｉｏｎ ｃｒａｃｋ ｄｅｇｒｅｅ ｏｆ ｂｅａｒｉｎｇｓ ｉｎ ｌａｒｇｅ ｍａｃｈｉｎｅｓ ａｒｅ ｉｎｐｕｔ ｔｏ Ｋｏｈｏｎｅｎ ｎｅｔｗｏｒｋ ａｓ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅ，ａｎｄ ｃｌｕｓｔｅｒｅｄ ｂｙ ｔｈｅ ｎｅｔｗｏｒｋ．Ｔｏ ｄｉａｇｎｏｓｅ ｖｉｂｒａｔｉｏｎ ｆａｕｌｔｓ ｏｆ ｒｏｔｏｒ ｓｙｓｔｅｍ，ｔｈｅ ｖｉｂｒａｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ ｓｕｂｓｔａｎｃｅｓ ｏｆ ｒｏｔｏｒ ａｒｅ ｄｅｔｅｒｍｉｎｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｃｌｕｓｔｅｒｉｎｇ ｃｅｎｔｅｒ．Ａ ｒｅａｌ ｅｘａｍｐｌｅ ｓｈｏｗｓ ｔｈａｔ Ｋｏｈｏｎｅｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｓ ａ ｍｅｒｉｔｏｒｉｏｕｓ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｍｅａｎｓ ｏｆ ｒｏｔｏｒ ｓｙｓｔｅｍ． Ｋｅｙ ｗｏｒｄｓ：Ｋｏｈｏｎｅｎ ｎｅｔｗｏｒｋ；ｒｏｔｏｒ ｓｙｓｔｅｍ；ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ÷｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・Ｈ・｝＿｛・｝＿｛・｝＿｛・｝＿｛・Ｈ・｝＿｛・｝＿｛・｝＿｛・｝＿｛・Ｈ・｝＿｛・｝＿｛・｝＿｛・｝＿｛・Ｈ・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝ ・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛・｝＿｛．｝ （上接第１３０页） Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｅｄｇｅ Ｄｅｔｅｃｔｉｏｎ Ｏｐｅｒａｔｏｒｓ ｉｎ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ０ｆ Ｆｒａｃｔｕｒｅ Ｓｕｒｆａｃｅ Ｉｍａｇｅｓ ＺＨＡＯ Ｌｉ—ｐｉｎｇ，ＬＩ Ｍｉｎｇ （Ｎａｎｃｈａｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ａｅｒｏｎａｕｔｉｃａｌ Ｔｅｃｈｎｏｌｏｇｙ．Ｎａｎｃｈａｎｇ ３３００３４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｔｅｃｈｎｉｑｕｅ ｏｆ ｔｈｅ ｉｍａｇｅ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ｉｓ ｔｈｅ ｅｓｓｅｎｔｉａｌ ｔｅｃｈｎｉｑｕｅ ｉｎ ｔｈｅ ｆｉｅｌｄ ｏｆ ｉｍａｇｅ ｐｒｏｃｅｓｓ．Ｓｅｎｓｉｔｉｖｉｔｙ ｉｓ ｄｉｆｆｅｒｅｎｔ ｆｏｒ ｄｉｆｆｅｒｅｎｔ ｄｉｆｆｅｒｅｎｔｉａｌ ｏｐｅｒａｔｏｒｓ，ｈｏｗ ｔｏ ｃｈｏｏｓｅ ａ ｓｕｉｔａｂｌｅ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ｏｐｅｒａｔｏｒ ｔｏ ｏｂｔａｉｎ ｅｘａｃｔ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｅｄｇｅ．ｉｓ ｔｈｅ ｅｓｓｅｎｔｉａｌ ｓｔｅｐ ｆｏｒ ｆｒａｃｔｕｒｅ ｓｕｒｆａｃｅ ｉｍａｇｅ．Ｂｅ ｓｉｍｕｌａｔｅｄ ｂｙ ＭＡＴＩ ＡＢ。ｔｈｅ ｆｕｎｃｔｉｏｎｓ ｏｆ ｔｈｅ ｄｉｆｆｅｒｅｎｔ ｏｐｅｒａｔｏｒｓ’ｐｒｏｃｅｓｓｉｎｇ ａｒｅ ｃｏｍｐａｒｅｄ ａｎｄ ａｎａｌｙｚｅｄ，Ｃａｎｎｙ ｏｐｅｒａｔｏｒ ｉｓ ｆｏｕｎｄ ｑｕｉｔｅ ｓｕｉｔａｂｌｅ ｆｏｒ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｆｒａｃｔｕｒｅ ｓｕｒｆａｃｅ ｉｍａｇｅｓ． Ｋｅｙ ｗｏｒｄｓ：ｄｉｆｆｅｒｅｎｔｉａｌ ｏｐｅｒａｔｏｒｓ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ；ｆｒａｃｔｕｒｅ ｓｕｒｆａｃｅ ｉｍａｇｅ；ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ
