常明++王瑩瑩

摘 要：該文分析了徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的原理、結(jié)構(gòu)模型、學(xué)習(xí)算法，并以某系統(tǒng)的電源模塊故障為例，給出了RBF神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)的結(jié)構(gòu)，并建立RBF網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)、訓(xùn)練與仿真，結(jié)果證明此種故障診斷方法可以改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的一系列缺點(diǎn)，切實(shí)可行，具有較強(qiáng)的實(shí)用價值。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 故障診斷 RBF神經(jīng)網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2016）12（a）-0123-02

隨著計算機(jī)技術(shù)和智能控制技術(shù)的發(fā)展，使得各種系統(tǒng)的復(fù)雜程度和智能化程度越來越高，因此整個系統(tǒng)的安全性問題和可靠性問題日益受到關(guān)注，一旦系統(tǒng)中出現(xiàn)某些細(xì)小的故障，如果不能及時檢測和排除，就可能造成整個系統(tǒng)的癱瘓，甚至造成災(zāi)難性的后果。因此，故障預(yù)測與診斷就顯得尤為重要?，F(xiàn)有的故障診斷方法有很多，其中一種很有生命力的方法就是以知識為基礎(chǔ)的診斷辦法，因?yàn)樗且圆恍枰獙ο蟮木_數(shù)學(xué)模型為前提的，而神經(jīng)網(wǎng)絡(luò)故障診斷方法是這類方法中的一個重要分支。筆者曾利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建智能故障診斷系統(tǒng)，通過實(shí)驗(yàn)仿真結(jié)果的分析，證明BP神經(jīng)網(wǎng)絡(luò)能夠有效地完成故障診斷任務(wù)，但是BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用中也存在一定的局限性，近幾年提出的徑向基函數(shù)RBF在某些方面可以彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)存在的局限性，理論上認(rèn)為RBF更適用于故障診斷，但缺乏實(shí)證。因此，筆者建立了RBF網(wǎng)絡(luò)模型，利用在文獻(xiàn)[2]使用過的相同數(shù)據(jù)進(jìn)行仿真訓(xùn)練，確定其在故障診斷中的實(shí)際作用。

1 RBF神經(jīng)網(wǎng)絡(luò)知識的相關(guān)知識

1.1 RBF神經(jīng)網(wǎng)絡(luò)原理

RBF神經(jīng)網(wǎng)絡(luò)采用徑向基函數(shù)作為隱含層單元形成的隱層空間的“基地”，可以直接映射到隱層的輸入向量空間。非線性映射關(guān)系的確定是以徑向基函數(shù)的中心點(diǎn)的確定為前提的。網(wǎng)絡(luò)的輸出是線性加權(quán)隱層單元的輸出，對神經(jīng)網(wǎng)絡(luò)的權(quán)值可以通過線性方程或LMS直接獲得（MMSE）的方法，這樣可以避免局部極小問題還可以加快學(xué)習(xí)速度。

1.2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是一種三層前饋網(wǎng)絡(luò)，與它相似的還有多層前饋網(wǎng)絡(luò)。RBF網(wǎng)絡(luò)的隱層節(jié)點(diǎn)組成一個輻射狀的功能，這里可以利用高斯函數(shù)。輸入層節(jié)點(diǎn)只將輸入信號傳輸?shù)诫[含層，輸出層節(jié)點(diǎn)通常是簡單的線性函數(shù)。 隱含層節(jié)點(diǎn)中的函數(shù)（核函數(shù)）產(chǎn)生對輸入信號的回聲，即當(dāng)輸入信號接近核函數(shù)的中心范圍時，隱含層節(jié)點(diǎn)將產(chǎn)生大的輸出。X、Y、Z分別為輸入節(jié)點(diǎn)、隱含層節(jié)點(diǎn)和輸出節(jié)點(diǎn)。隱含層單元的作用相當(dāng)于在輸入模式的變化，低維模型的輸入數(shù)據(jù)被轉(zhuǎn)換到高維空間，輸出層的分類和識別也由它完成。高斯函數(shù)作為RBF網(wǎng)絡(luò)的隱含層單元的變換函數(shù)，在輸入數(shù)據(jù)中進(jìn)行特征提取是由隱含層單元的變換作用完成的。

1.3 RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

方差σi、基函數(shù)的中心Ci以及隱含層與輸出層間的權(quán)值ωi，是RBF網(wǎng)絡(luò)學(xué)習(xí)需要的3個參數(shù)。正交最小二乘法、自組織選取中心法是RBF網(wǎng)絡(luò)學(xué)習(xí)用得比較多的兩種算法。聚類方法通常用來確定Ci 和σi。而LMS方法通常用來確定權(quán)值ωi，當(dāng)然也可以使用偽逆法或最小二乘法求解。其中LMS權(quán)值ωi的調(diào)整規(guī)則為：nn，這里η為學(xué)習(xí)速率；n為迭代次數(shù)；為隱含層輸出；為期望輸出；ω（n）為權(quán)值向量。

RBF網(wǎng)絡(luò)的設(shè)計比普通前饋網(wǎng)絡(luò)的訓(xùn)練要簡單和節(jié)約時間，因?yàn)樗慕Y(jié)構(gòu)相對簡單。只要滿足權(quán)值和閾值都正確以及隱含層的神經(jīng)元數(shù)目足夠多的前提，那么此種網(wǎng)絡(luò)就能達(dá)到精確逼近任意函數(shù)的目的。

2 診斷系統(tǒng)的結(jié)構(gòu)

圖1為利用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建的診斷系統(tǒng)結(jié)構(gòu)圖。

3 應(yīng)用實(shí)例與仿真

該文以某裝備電源模塊故障診斷為例，構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)，并進(jìn)行故障診斷與仿真。故障類型對應(yīng)的神經(jīng)元輸出如表1所示。RBF模型是由一層隱含層來構(gòu)成的，在模型中最關(guān)鍵的是隱含層的中心及隱含層節(jié)點(diǎn)數(shù)的確定，在該例中確定為利用K均值聚類法來實(shí)現(xiàn)，當(dāng)然在此過程中還必須考慮實(shí)際輸出樣本數(shù)據(jù)的影響。筆者主要關(guān)注網(wǎng)絡(luò)的學(xué)習(xí)精度以及網(wǎng)絡(luò)的泛化能力，因?yàn)閺倪@兩點(diǎn)可以看出網(wǎng)絡(luò)是否能實(shí)現(xiàn)預(yù)定目標(biāo)。

校正參數(shù)σi、Ci和ωi是網(wǎng)絡(luò)訓(xùn)練的主要任務(wù)，這樣才能使性能指標(biāo)趨于最優(yōu)，以滿足誤差及精度要求。該文采用正交最小二乘法OSL訓(xùn)練RBF網(wǎng)絡(luò)。我們不斷訓(xùn)練網(wǎng)絡(luò)，以達(dá)到確定最佳隱含層神經(jīng)元個數(shù)的目的，最終我們確定其個數(shù)為120。

對RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練我們通過MATLAB工具來實(shí)現(xiàn)，對于一個隱含層為120的RBF神經(jīng)網(wǎng)絡(luò)模型來說，高斯函數(shù)作為其輸入層與隱含層之間的作用函數(shù)。表2為此網(wǎng)絡(luò)模型的實(shí)際仿真結(jié)果數(shù)據(jù)，根據(jù)對表2中數(shù)據(jù)的分析比較，可以得出結(jié)論，即通過RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷其準(zhǔn)確率可達(dá)92.9%。

4 結(jié)語

該文在對徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)研究的基礎(chǔ)上，提出了基于RBF神經(jīng)網(wǎng)絡(luò)知識的故障診斷專家系統(tǒng)模型，在對具體實(shí)例的研究過程中通過實(shí)驗(yàn)仿真，證明此種方法具有方法容易，結(jié)構(gòu)簡單，訓(xùn)練花費(fèi)時間短，診斷結(jié)果準(zhǔn)確率高的優(yōu)點(diǎn)，而且克服了BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小的缺點(diǎn)，尤其適用于專家知識難以整理和表示的故障診斷。但是，RBF在處理多故障方面同樣存在著不足，今后若能將RBF神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)等其他故障診斷方法結(jié)合使用，必將提高系統(tǒng)的綜合診斷能力，這將是筆者下一步的研究方向。

參考文獻(xiàn)

[1] 霍一峰，王亞慧.基于Spiking的RBF神經(jīng)網(wǎng)絡(luò)故障診斷算法[J].北京建筑工程學(xué)院學(xué)報，2011，27（4）：57-61.

[2] 方莉俐，張兵臨，禹建麗，等.用人工神經(jīng)網(wǎng)絡(luò)預(yù)測電鑄自支撐金剛石-鎳復(fù)合膜沉積結(jié)果[J].稀有金屬材料與工程，2006，35（4）：638-641.

[3] 孫大洪，王發(fā)展，劉強(qiáng)，等.基于BP和RBF神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷比較[J].軸承，2010（2）：53-56.