14 15
0.0063 0.0118 0.9035 0.0190 0.0004 0.0006 0.4279 0.0025 (0 1 0) 0.0796 0.2293 0.5804 0.1444 0.0008 0.0067 0.7499 0.1449 (0 0 1)
外圈故障 内圈故障
经36次神经网络训练,使得网络误差平方和落在所设定的误差范围0.005内,即达到规定指标,然后将6组测试数据输入训练好的网络,其中三组测试结果输出为(0.9687 0.0229 0.0116) 、(0.0023 0.9532 0.0011)、(0.0714 0.0871 0.9698),与目标输出(1 0 0)、(0 1 0)、(0 0 1)是一致的,从而能够进行准确的故障轴承诊断。
进一步试验研究和分析发现:训练样本数量太多或太少时,都会使神经网络的正确识别率下降。当训练样本数量正常状态在22~28,外环故障状态在16~26,内环故障状态在18~24时,正确识别率可达90%以上。可见,RBF神经网络对于一定的杂度和训练集规模而言,存在有一最佳适中值[7]。
4 结论
本文构建了一个基于小波与RBF 神经网络的故障诊断系统,根据滚动轴承振动信号的频域变化特征,利用小波包频域分解信号构造的能量特征向量,作为神经网络的输入层神经元,能准确地反映了轴承故障信号能量随状态信息而变化。试验表明RBF网络无需建立滚动轴承振动信号的数学模型,能快速、准确地进行完成滚动轴承故障的诊断。
参考文献
[1] 林英志. g/SE技术在滚动轴承故障诊断中的应用[J].轴承, 2008(11): 31~33
[2] Zhang Qinghua, Benveniste A. Wavelet networks [J]. IEEE Trans on Neural Networks, 1992, 3(6): 889~898 [3] 飞逸科技中心编著. 小波分析理论与MATLAB 7实现[M] .北京:电子工业出版社, 2005:74~84 [4] 飞逸科技中心编著. 神经网络理论与MATLAB 7实现[M] .北京:电子工业出版社, 2005:116~130 [5] 陈向东,赵登峰,王国强. 基于神经网络的滚动轴承故障监测[J ]. 轴承, 2003 (2) : 23~26 [6] 杨建国. 基于小波包的滚动轴承故障特征提取[J ]. 中国机械工程, 2004, 13 (11) : 935~937 [7] Fredric M Ham. Principles of Neural Computing for Science & Engineering[M] .Mc GrawHill, 2001