基于RBF神经网络的故障诊断
一、神经网络用与故障诊断的优点 ⑴ 训练过的神经网络能存储有关过程的知识，能直接从历史故障信息中学习。可以根据对象的日常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定故障的类型。 ⑵ 神经网络具有滤除噪声及在有噪声情况下的出正确结论的能力，可以训练人工神经网络来识别故障信息，使其能在噪声环境中有效地工作，这种滤除噪声的能力使得人工神经网络适合在线故障检测和诊断。 ⑶ 神经网路具有分辨故障原因及故障类型的能力。
二、基于神经网络诊断系统结构 神经网络作为一种自适应的模式识别技术，并不需要预先给出有关模式的经验知识和判别函数，它通过自身的学习机制自动形成所要求的决策区域。网络的特性由其拓扑结构、神经元特性、学习和训练规则所决定。它可以充分利用状态信息，对来自于不同状态的信息逐一进行训练而获得某种映射关系。而且网络可以连续学习，如果环境发生改变，这种映射关系还可以自适应地进行调整。
典型的基于神经网络模式识别功能的诊断系统结构如下图所示。
二、基于神经诊断系统结构 上图中，基于神经网络的诊断过程分为两步。首先，基于一定数量的训练样本集（通常称为“征兆——故障”数据集）对神经网络进行训练，得到期望的诊断网络；其次，根据当前诊断输入对系统进行诊断，诊断的过程即为利用神经网络进行前向计算的过程。在学习和诊断之前，通常需要对诊断原始数据和训练样本数据进行适当的处理，包括预处理和特征选择/提取等，目的是为诊断网络提供合适的诊断输入和训练样本。此外，尽管神经网络和传统的故障诊断是两种不同的诊断方法，但两者是紧密联系在一起的。如采用小波分析等数据处理方法，可用为神经网络诊断提供可以利用的特征向量。
三、基于RBF网络的齿轮箱故障诊断 1、问题描述 拖拉机变速箱是整机进行减速增扭的部件，它受扭转和拉压两种载荷的综合作用，据统计，以齿轮为代表的变速箱故障发生率占据除发动机故障以外的其他所有故障的59%~70%。在非拆卸状态下，传统的齿轮箱故障诊断手段往往依赖于专家的经验判断。但是，由于齿轮箱是一种非常复杂的传动机构，它的故障模式和特征量之间是一种非常复杂的非线性关系，再加上齿轮箱在不同工况下的随机因素，所以专家的经验并不能解决所有的诊断问题。而应用神经网络可以有效地避免这个问题。神经网络的自适应、自学习和对非线性系统超强的分析能力注定它可以在齿轮箱的故障诊断中大显身手。
2、输征兆/故障样本集的收集与设计 神经网络输入的确定实际上就是特征量的提取，对于特征量的选取，主要考虑它是否与故障有比较确定的因果关系，如果输入／输出征兆参数和故障没有任何关系，就不能建立它们之间的联系。 统计表明：齿轮箱故障中有60%左右都是由齿轮导致的，所以这里只研究齿轮故障的诊断。对于齿轮的故障，这里选取了频域中的几个特征量。频域中齿轮故障比较明显的是在啮合频率处的边缘带上。
3、RBF网络设计 RBF网络主要包含隐含层和输出层，其中隐含层的传递函数为radas，输出层的传递函数为纯线性函数purelin。如图2所示，RBF网络的隐含层有S1个神经元，输出层有S2个神经 元。
3、RBF网络设计 神经网络工具箱中用于创建RBF网络的函数为newrbe，在设计过程中，最重要的参数是经向基函数的分布常数。由于本例中的样本数目不是很大，将分布常数设定为1.2。
测试创建的RBF网络 接下来通过一组实际数据对网络进行测试，看网络是否可以正确诊断出齿轮的故障。如果正确诊断出故障，则网络可以投入使用。分别在无故障、齿根裂纹和断齿时进行测量，得到各参数的值，将这些数据作为输入向量，利用仿真函数计算网络输出，通过故障判别准则看是否出了故障.。
测试数据
测试结果 输 出 结 果 故障类别 0.9750，0.0010，0.0031 无故障 0.0008，0.9873，0.0046 齿根裂纹 输 出 结 果 故障类别 0.9750，0.0010，0.0031 无故障 0.0008，0.9873，0.0046 齿根裂纹 0.0016，0.0034，0.9987 断齿
结果分析 分析结果发现，网络成功地诊断出了所有故障。因此，可以将网络投入实际工程应用了。 本例采用的样本量比较少，这样一来，故障诊断的数据范围就不会很大，对于那些和训练样本数据相差很大的数据，网络可能无法做出正确的诊断。在这种情况下，如果想提高网络的故障识别准确率，建议采用大容量的训练样本。
参考文献 1. 飞思科技产品研发中心. 神经网络理论与MATLAB7实现.北京:电子工业出版社.2006 3. Kevin M. Passino, Stephen Yurkovich, Fuzzy Control模糊控制,北京:清华大学出版社,2001