下载文档原格式
基于RBF神经网络的燃气轮机转速传感器故障诊断研究
朱嵘嘉;孟东;曹丹丹
【期刊名称】《电气自动化》
【年(卷),期】2015(037)002
【摘要】提出基于径向基函数RBF(Radial Basis Function,简称RBF)神经网络的转速观测器,利用迭代增加神经元的方法解决了传统RBF网络神经元位置调整范围小和神经元数量固定带来的逼近不精确问题,并通过估计相对差和阀值的比较检测传感器故障.以某型燃气轮机转速试验数据为例进行了验证,证明RBF神经网络能准确进行转速传感器的故障检测,具有较好的工程应用价值.
【总页数】3页(P27-29)
【作者】朱嵘嘉;孟东;曹丹丹
【作者单位】第七○三所无锡分部,江苏无锡214151;第七○三所无锡分部,江苏无锡214151;第七○三所无锡分部,江苏无锡214151
【正文语种】中文
【中图分类】TP212
【相关文献】
1.基于模糊状态观测器的燃气轮机转速传感器故障检测研究 [J], 赵骏;朱嵘嘉;陈鹏
2.基于SA-KM算法和RBF神经网络的变压器故障诊断模型研究 [J], 郑文光; 王爱军; 王冠; 张潇文
3.基于改进型CEEMDAN和RBF神经网络的往复式压缩机阀片故障诊断研究 [J], 谢雪松;谢路杨;都腾飞;李仲树;李泽军;刘新
4.基于PCA-RBF神经网络的小型压水堆故障诊断方法研究 [J], 曹桦松;孙培伟
5.基于小波分析和RBF神经网络的轴承故障诊断研究 [J], 王海林;张春光;唐超尘;刘鑫
因版权原因，仅展示原文概要，查看原文内容请购买。
信息熵和RBF神经网络的发动机故障诊断司景萍;牛家骅;郭丽娜;马继昌【期刊名称】《噪声与振动控制》【年(卷),期】2015(000)001【摘要】针对汽车发动机气门间隙异常故障，探讨了应用小波分解后求各尺度小波系数信息熵，和RBF神经网络对发动机进行不解体故障诊断的方法。
由此，对某汽油发动机进行了故障模拟试验，分别在正常工况和三种故障工况下测取了缸盖表面振动信号。
对所采集信号进行Stein无偏估计消噪处理，利用小波系数信息熵提取特征向量，进行归一化处理，然后用RBF神经网络对处理后的振动信号进行分类识别。
发动机气门间隙故障的诊断实例表明，在不同工况下利用小波系数信息熵提取故障特征向量、进行基于RBF神经网络的故障诊断方法现实可行，对实现发动机不解体故障诊断具有一定的应用价值。
【总页数】6页(P214-218,239)【作者】司景萍;牛家骅;郭丽娜;马继昌【作者单位】内蒙古工业大学，呼和浩特 010051;内蒙古工业大学，呼和浩特010051;内蒙古工业大学，呼和浩特 010051;内蒙古工业大学，呼和浩特 010051【正文语种】中文【中图分类】TB53;TP206+;TK413.4;U472.42【相关文献】1.基于RBF神经网络的发动机怠速抖动故障诊断 [J], 胡俊;吴士力2.BP与RBF神经网络在航空发动机气路故障诊断中的应用 [J], 赵国昌;徐昂;宋丽萍;郑里鹫;段朝鹏3.基于差分进化算法优化的RBF神经网络的发动机故障诊断研究 [J], 周亨;彭涛;邓维敏4.基于信息熵属性约简的航空发动机故障诊断 [J], 文莹;肖明清;王邑;赵亮亮5.基于RBF神经网络的电控发动机故障诊断研究 [J], 王书提;巴寅亮;郭增波因版权原因，仅展示原文概要，查看原文内容请购买。
基于RBF神经网络的控制系统传感器故障诊断方法引言传感器是现行研究的压铸机实时检测与控制系统的关键部件，系统利用传感器对压铸机的各重要电控参数(如：合型力、油压、压射速度、模具温度等)进行检测，并进行准确控制。
这一过程中，各传感器输出信号的质量尤为重要，其优劣程度直接影响压铸机控制系统分析、处理数据的准确性，最终影响压铸件产品质量的优劣。
由于大型压铸机生产环境较为恶劣，长期的高温、高压、高粉尘及来自周边器械的电磁干扰等因素的存在，不可避免地会造成传感器软硬故障的发生，有故障的传感器所发出的错误信号，会使整个压铸机控制系统分析、处理和控制功能紊乱，造成系统无法正常运行，带来无法估计的生产安全隐患及严重的后果。
因此，对压铸机控制系统中传感器故障诊断方法的研究具有重要的意义。
人工神经网络(神经网络)是传感器故障诊断的方法之一。
神经网络是有大量人工神经元相互连接而构成的网络。
它以分布的方式存储信息，利用网络拓扑结构和权值分布实现非线性的映射，并利用全局并行处理实现从输入空间到输出空间的非线性信息变换。
对于特定问题适当建立神经网络诊断系统，可以从其输入数据(代表故障症状)直接推出输出数据(代表故障原因)，从而实现非线性信息变换。
层状结构的神经网络输入层、输出层及介于二者之间的隐含层构成。
依据用于输入层到输出层之间计算的传递函数不同，提出一种基于径向基函数RBF神经网络的传感器故障诊断策略。
1 RBF神经网络的模型径向基函数神经网络(RBFNN)是一种新型神经网络，属于多层前馈网络，即前后相连的两层之间神经元相互连接，在各神经元之间没有反馈。
RBFNN的三层结构与传统的BP网络结构相同，由输入层、隐含层和输出层构成，其结构见图1。
其中，用隐含层和输出层的节点计算的功能节点称计算单元。
RBF神经网络输入层、隐含层、输出层的节点数分别为n，m，p；设输人层的输入为x=(x1，x2，…，xj，…，xn)，实际输出为Y=(y1，y2，…，yk，…，yp)。
RBF网络在柴油机故障诊断中的应用摘要：柴油机作为动力发电、工程机械的重要组成部分，其性能好坏直接影响到整个系统的运行。
在生产过程中需要加强对柴油机开展故障诊断和监控，及时发展并解决故障，从而提高了柴油机在运行过程中的安全系数，降低安全事故发生率，减少不必要的经济损失。
传统的柴油预计故障诊断与解决方式主要是润滑油方法、振动噪声方法，这些都以定期保养和后期维修为主要方法，这些诊断方式不能较早预知故障情况、成本较高、工作效率较低。
随着计算机技术、信号分析处理技术、人工智能的迅速发展，柴油机故障诊断能力逐渐提升，以非线性并行分布处理为主的神经网络成为了当前广泛运用于柴油机故障诊断的主要方法。
关键词：RBF网络；柴油机故障诊断；BP网络最近几年，计算机技术已经充分运用于故障诊断，成为了一种最新的诊断方法，特别是以非线性并行分布处理为主的神经网络知识逐渐完善，成为了柴油机故障诊断技术发展历程的高峰。
本文主要分析了在MATLAB环境下使用径向基函数网络对柴油机进行故障诊断的诊断方案，和BP网络性能实行比较，证明RBF网络学习效率较高，在线时刻监测与诊断具有一定的优势。
一1、RBF神经网络RBF 神经网络属于多层前向神经网络。
RBF 网络是一种三层前向网络结构，第一层为输入层（即：信号源节点）；第二层为隐含层（隐含层神经元所描述的问题决定其个数，隐层单元变换函数主要是指对中心半径向对称而衰减的非负非线性函数）；第三层为输出层（主要负责对输入模式做出响应）。
另外，RBF 网络也是属于一种单隐含层的前向网络结构，其可以根据自身隐层单元的个数而分为两种网络结构，即：广义化网络、正规化网络[1]。
由于正规化的RBF 网络在求解权值时极易出现各种问题，因此在本文研究笔者主要采用广义化RBF 网络实行故障诊断。
RBF 神经网络运作思路。
隐含层单元的基主要为径向基函数，进而构成一个完整的隐含层空间，隐含层通过对输入矢量实施变换，这样可以将低维的模式输入数据直接转化至高维空间，这样将有利于不可分的低维空间中线性能够在高维空间线性中实现可分。
RBF神经网络在船舶模拟电路故障诊断中的应用
霍艳飞
【期刊名称】《舰船科学技术》
【年(卷),期】2024(46)10
【摘要】针对船舶模拟电路元件复杂交互,故障信号在大量的正常信号中难以凸显,故障特征提取识别难度较大的问题,提出基于RBF神经网络的船舶模拟电路故障诊断方法。
由基于小波包的船舶模拟电路故障特征提取方法,以小波分解重构的方式,捕捉电路频带能量变化特征;使用基于状态转移算法优化RBF神经网络的故障诊断模型,由状态转移算法优化RBF神经网络参数,构建用于诊断电路故障的RBF神经网络模型后,学习所提取故障特征与类型之间关系,诊断新输入的船舶模拟电路输出信号故障类型。
实验测试结果显示,此方法在有效捕捉船舶模拟电路故障频带能量变化特征后,对多种船舶模拟电路故障的诊断结果均未出现明显错误。
【总页数】4页(P182-185)
【作者】霍艳飞
【作者单位】大连海洋大学应用技术学院
【正文语种】中文
【中图分类】TN710
【相关文献】
1.基于嵌入式系统的BP神经网络及其在模拟电路故障诊断中的应用
2.遗传算法优化的BP神经网络在模拟电路故障诊断中的应用
3.BP神经网络和Elman神经网络
在模拟电路故障诊断中的应用4.模糊神经网络在模拟电路故障诊断中的应用5.自适应RBF神经网络在模拟电路故障诊断中的应用
因版权原因，仅展示原文概要，查看原文内容请购买。
基于RBF神经网络的汽车传感器故障诊断方法研究随着汽车智能化的发展，汽车传感器在汽车系统中扮演着越来越重要的角色。
传感器的正常工作对于汽车系统的性能和安全性至关重要。
然而，传感器在长时间使用过程中可能会出现故障，导致汽车性能下降甚至发生事故。
因此，及时准确地诊断和修复传感器故障对于保障行车安全和提高汽车系统稳定性至关重要。
基于RBF神经网络的汽车传感器故障诊断方法具有很好的性能和鲁棒性，在汽车故障诊断领域有较好的应用前景。
RBF神经网络是一种特殊的神经网络结构，由输入层、隐层和输出层组成，其中隐层使用径向基函数进行激活。
RBF神经网络具有快速收敛、泛化能力强、适应性好等优点，适合用于汽车传感器故障诊断。
在汽车传感器故障诊断中，通常使用的方法有基于规则、基于模型和基于数据的方法。
基于规则的方法需要先验知识，难以覆盖所有可能出现的故障情况；基于模型的方法需要建立精确的数学模型，对于非线性和复杂的汽车系统来说难度较大；而基于数据的方法则可以利用实际数据进行学习和训练，具有较强的实用性和适应性。
具体而言，基于RBF神经网络的汽车传感器故障诊断方法主要包括以下几个步骤：第一步，数据采集：首先需要采集汽车传感器的工作数据，包括传感器输出值、环境变量等信息。
第二步，数据预处理：对采集到的数据进行预处理，包括数据清洗、特征选择、特征提取等操作，以便于后续的模型训练。
第三步，模型训练：利用RBF神经网络对预处理后的数据进行训练，学习传感器的正常工作模式，建立故障诊断模型。
第四步，故障诊断：当传感器工作出现异常时，将实时采集到的传感器数据输入到训练好的RBF神经网络模型中，通过模型输出的诊断结果来判断传感器是否发生故障。
第五步，故障修复：根据诊断结果来及时修复或更换出现故障的传感器，确保汽车系统的正常运行。
基于RBF神经网络的汽车传感器故障诊断方法具有准确性高、适应性强、实时性好等优点，在实际汽车故障诊断应用中具有广泛的应用前景。
