转子系统裂纹检测定量识别

　　这篇故障诊断论文发表了转子系统裂纹检测定量识别，人工神经网络具有一定的非线性能力，本文利用径向基函数(RBF)神经网络和基于模型转子系统诊断技术在非线性系统动态辨识过程中的优势，提出了全新的转子系统裂纹故障的诊断处理方式，最后对此方法进行仿真，表示此方式有效。

　　【关键词】故障诊断论文,径向基函数,神经网络,转子系统,故障诊断

　　旋转机械属于工业领域中使用较为广泛的机械设备，其核心就是转子系统，具有多种振动形式。转子系统会因为一系列的故障对正常工作造成影响，严重还会出现机毁人亡的事故，造成了较大的损失。在转子系统出现故障的过程中，转子系统振动信号和正常状态的信号具有较大的差异，所以可以使用转子系统振动信号实现转子系统故障的分析和诊断。

　　人工神经网络具有一定的非线性映射能力、容错能力和学习能力，被广泛应用到信号处理、故障诊断过程中。现代BP神经网络也被广泛应用到机械故障诊断过程中，但是因为此算法存在一定的缺陷，无法在实际使用中推广。径向基函数神经网络和BP神经网络相比，其能够避免陷入最小局部的可能性，并且还具有较快的学习速度和收敛速度。基于此，本文就针对转子系统裂纹故障，使用径向基函数神经网络进行诊断处理。

　　1径向基函数神经网络

　　径向基函数(RBF)神经网络属于局部逼近网络，其具有较强的学习能力，并且结构较为简单，具有较快的收敛速度，还能够以任意精度逼近任意连续的函数。典型的径向基函数神经网络主要包括隐层、输入层、输出层，输入层节点的个数和输入信号维数具有密切的联系，隐层节点的个数和实际问题的描述需求具有密切的联系，输出层主要是通过目标输出实现。

　　径向基函数神经网络是一种分布式核函数学习模型，输入模式的分布将核作为中心。X表示网络n维输入，y表示m维输入。对于径向基函数神经网络隐层节点i来说，输出值属于n维输入向量x和网络隐层节点中心Ci的组合运算，通过下式表示：qi=exp[-((x-Ci)T(x-Ci))/2σ2]其中qi表示隐层节点输出，Ci表示隐层i节点中心。输出层节点输出值为隐层节点线性的组合，计算公式为：yk=wkiqi-θk其中yk表示输出层k节点输出值，θk表示输出层k节点阀值。Wki表示qi到yk的连续权值。

　　2转子系统裂纹动力学模型

　　假如转子系统包括具有多个节点的有限元模型，转盘质量及轴承质量都在相对应的节点中，将系统中单元质量、阻尼、刚度和陀螺力矩相互结合，组成的转子系统动力学模型为：Mq2+Dq1+K(t)q=Fu(t)+Fgq2表示转子系统节点位移矢量，q1表示转子系统节点速度矢量，q表示转子系统节点加速度矢量、M表示质量矩阵，Fu(t)表示不平衡激振力矢量，Fg表示重力矢量。

　　本文研究过程中考虑到的转子系统裂纹故障主要分为不同位置、不同几何形状及不同深度裂纹，通过力学原理表示，产生裂纹降低了转子刚度，在转子运行过程中的李文面的应力方向及大小都具有要一定的变化，刚度是在时间变化过程中不断变化。裂纹转子刚度模型较多，并且在不断的完善，不同模型及条件中的转子裂纹动力学特性具有较大的差别。

　　因为裂纹的状态特点差异都会导致转子系统阻尼不同，所以使转子系统裂纹位置系统动态成为μ(q，q1)=-M-1(Dq1+Kq)，那么组成的转子系统动力学模型就为：q2=μ(q，q1)+M-1(Fu(t)+Fg)裂纹的深度、扩展方向、偏心夹角、质量偏心及转速等多种因素的综合作用中，转子系统振动信号为倍周期、周期及混沌，所以运动中的系统轨迹就是回归轨迹。那么就可以将转子系统在不同节点中的振动信号作为观测的值，假如转子系统在出现故障前后状态仍然有界，也就是q(t)，q1(t)∈Ω，Ω表示紧集。

　　3转子系统裂纹故障的诊断

　　考虑多种裂纹故障的可能性，转子系统的动力学方程为：q2=μk(q，q1)+M-1(Fu(t)+Fg)μk(q，q1)为出现裂纹故障k时候的位置系统动态，系统动态能够被精准的辨识，并且在常数神经网络中存储，如果转子系统出现裂纹故障的时候，常数神经网络能够在短时间内回忆已经学习的知识，从而为转子系统动态提供精准的信息，也就是在系统轨迹局部区域中，转子位置系统的动态能够被常数径向基函数神经网络逼近。

　　在诊断转子系统故障的过程中，不需要对系统进行动态神经网络辨识，能够从已经辨识的转子系统裂纹动态寻找目前被检测的转子系统相近的系统动态，所以使用常数径向基函数神经系统创建和正常模式相对应的动态估计器：vk=-B(vk-q1)+WkTS(Z)+M-1(Fu(t)+Fg)q1表示转子系统监视时候的节点速度矢量，vk表示动态估计器的状态矢量，B表示正定设计矩阵，每个动态估计器都相同，那么神经网络通过以下表示：WkTS(Z)=[W1kTS1(Z)...WnkTSn(Z)]T残差系统使用分量表示为：vik=-bivik+WikTS(Z)-μi(q,q1)=-bivik+μi(q,q1)Vik表示残差，μi(q,q1)表示检测转子系统和动态估计器的系统动态差异。

　　残差能够将目前转子系统的动态变化直接的反映出来，从而利用残差变化的检测实现故障诊断。但是因为在动态差异符号改变的过程中，动态估计器不匹配就会产生接近0的残差，从而出现误判，所以就取残差平均范数，表示为：||vik||=(1/T)|vik(τ)|dτ，t>TT表示转子系统被检测过程中的运行周期。转子系统裂纹故障检测和诊断过程为自动动态匹配，故障检测及分离为相互并行，那么转子系统裂纹故障诊断的策略为：将被检测的转子系统和动态估计器为0时候进行对比，如果在任意时间t>T对i∈(1,...,n)，并且||vi0(t)||表示为检测阈值，那么表示转子系统正常。

　　4系统仿真

　　通过相应运行状态的神经网络，创建动态估计器。因为被检测转子系统在2s之前运行正常，在2s之后出现带偏角轻微裂痕，动态估计器在X和Y方向中的速度残差曲线详见图1.对图1进行分析，动态估计器残差在2s之前值最小，从而表示转子系统运行正常。在时间接近2s时候动态估计器残差不断扩大，并且超过了相应阈值，从而表示转子系统出现故障。

　　在3s时候动态估计器残差最小，从而表示系统出现了带偏角轻微裂纹。部分原始网络训练1倍频的能量特征值为：正常16.9356;偏心1238.47;不平衡6062.52;弯曲1550.02。部分归一化网络训练1倍频的能量特征值为：正常16.3774;偏心1231.81;不平衡6123.57;弯曲193.5211。神经网络归一化的特点就是对同一样本统计的分布进行归纳，将归一化训练样本融入到神经网络中训练，目标误差为0.网络目标输出为：转子正常1;转子偏心2，转子不平衡3，转子弯曲4。神经网络通过多次迭代，训练进度为10-29，训练结果为表示输出结果和网络目标输出值相通，训练结果正确率为100%，表示在转子系统故障诊断中使用神经网络可行。

　　5结束语

　　本文针对转子系统裂纹故障，提出了径向基函数神经网络下的转子系统裂纹故障诊断处理方式，使用径向基函数神经网络实现转子系统裂纹的精准识别，并且通过已经辨识的信息实现裂纹故障的在线监测及诊断。和传统神经网络故障诊断方式相比，此方法能够通过常数神经网络的方式存储，能够在故障诊断过程中使用。

　　参考文献

　　[1]熊国江,石东源,朱林.基于多输出衰减径向基函数神经网络的电网故障诊断[J].电力系统保护与控制,2013(21):38-45.

　　[2]吴玉香,张景,王聪.基于径向基函数神经网络的转子系统裂纹故障诊断[J].控制理论与应用,2014,31(08):1061-1068.

　　[3]沈艳霞,季凌燕,纪志成.基于径向基函数神经网络故障观测器的风能转换系统容错控制器设计[J].信息与控制,2015,44(03):359-366.

　　[4]熊国江,石东源,朱林等.基于径向基函数神经网络的电网模糊元胞故障诊断[J].电力系统自动化,2014,38(05):59-65.

　　[5]曹保钰,陈国安,李伟等.基于RBF神经网络的多转子故障类型诊断[J].现代制造工程,2013(05):126-130.

　　[6]石东源,熊国江,陈金富等.基于径向基函数神经网络和模糊积分融合的电网分区故障诊断[J].中国电机工程学报,2014,34(04):562-569.

　　[7]张景.基于确定学习的转子系统故障诊断[D].华南理工大学,2014.

　　作者：贾文雅

　　推荐阅读：化工机械运转故障防控方案策划

　　设备安装质量是企业内技术管理、人员素质、综合效能、计量检测手段等诸多因素的综合反映。

期刊VIP网，您身边的高端学术顾问

文章名称： 转子系统裂纹检测定量识别

文章地址： http://www.qikanvip.com/jixie/43411.html