基于RBF神经网络的门式起重机故障诊断系统的研究

杨行舟，程文明，许明恒

（西南交通大学 机械工程学院，四川 成都 610031）

门式起重机是室外物料搬运装卸、设备及建筑构件安装过程中应用最为广泛、最为频繁的一种大型工程机械.门式起重机是减轻笨重体力劳动，提高作业效率，实现安全生产的起重运输设备，可以在一定范围内垂直起升和水平移动物品，具有动作间歇性和作业循环性的特点.随着门机使用频率的增加和维护不当，门机的故障率逐步上升，影响了作业的速度和效率，因此对门式起重机的实时监控及故障的诊断和识别显得非常重要［1］.

神经网络因为其广泛的适应能力和学习能力，在非线性系统的预测方面得到了广泛的应用.径向基函数（Radial－Basis Function，RBF）神经网络是一种新颖有效的前向型神经网络，由于该网络输出层是对中间层的线性加权，使得该网络避免了像BP网络那样繁琐冗长的计算，具有较高的运算速度和外推能力，同时使得网络有较强的非线性映射功能［2］.本文分析了RBF神经网络在门式起重机故障诊断中的应用.

1 RBF神经网络原理

1985年，Powel提出了多变量插值的径向基函数（Radial－Basis Function，RBF）方法.1988年，Broom head和Lowe首先将RBF应用于神经网络设计，构成了径向基神经网络，即RBF神经网络.RBF神经网络结构简单、训练简洁而且学习收敛速度快，能够逼近任何线性、非线性函数.因此，RBF神经网络在包括时间序列分析、模式识别、非线性控制和图像处理等方面得到广泛应用.

RBF神经网络的结构与多层前向网络类似，它由三层构成：第一层为输入层，由信号源节点构成；第二层为隐含层，隐单元的个数由所描述的问题而定，隐单元的变换函数是对中心点径向对称且衰减的非负非线性函数；第三层为输出层，它对输入模式的作用做出响应［3－5］，如图1所示.图中R1（x）是径向基函数，xi是输入函数，yi是输出函数.

图1 RBF神经网络结构示意图Fig.1 Diagram of RBF neural network architecture

RBF神经网络的基本思想是：用RBF作为隐单元的“基”，构成隐含层空间，隐含层对输入矢量进行变化，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分的问题在高维空间内线性可分.

2 基于RBF神经网络的门式起重机故障识别与诊断

为防止门机在施工作业中出现故障，影响作业的效率和进展，有必要对门机的运行状况实施监控及分析.

2.1 常见门式起重机故障

门机是常见的吊装设备，由于工期紧、使用繁忙及工况多，经过大量的实地考察了解和分析，确定了门机最主要的典型故障［6］，如表1所示.

2.2 样本数据的建立

对门式起重机的故障进行实地测试，通过安装在门架上关键位置的传感器测量该处的形变量，经数据采集系统和数据处理系统对门机的状态进行检测，共选取6个点作为检测对象.对各个故障状态分别进行数据采集，形成10组标准样本数据，并采集3组故障样本作为待检数据.数据采集系统和处理系统原理，如图2所示.

采集的数据经过归一化处理，如表2所示.

2.3 门式起重机的故障诊断应用实例

为了验证神经网络的准确性，采集3组故障样本作为检测样本数据.故障检测样本数据如表3所示.其中，y1—y3表示输出结果，对应表1中的5种门式起重机故障.

图2 数据采集系统和处理系统原理图Fig.2 Schematic diagram of data acquisition system and processing system

编制MATLAB代码如下（x，y为输入矩阵，xi为第i组的样本数据，eg为均方误差，取0.000 1，sc为分布系数取100）：

表2 门机标准样本集Tab.2 Standard sample set of gantry cranes

表3 门机检测样本集Tab.3 Testing sample set of gantry cranes

通过测试，得到测试样本的输出结果为y1＝1.051 2，y2＝1.863 2，y3＝4.910 6，对其作四舍五入处理后的修正结果为y1＝1，y2＝2，y3＝5，分别对应表1中第一、第二和第五种故障，与实际故障类型相吻合.

3 结论

本文研究了基于RBF神经网络的门式起重机的故障诊断方法，在分析门式起重机主要故障类型和原因后，对门机各故障下的状态进行检测并采集数据形成标准样本集，并采用MATLAB的神经网络工具箱函数来对网络进行训练和仿真，以实现门机的故障诊断，通过应用实例表明，该方法切实可行.

将RBF神经网络应用在门式起重机的故障诊断上可以非常迅速地对门机故障进行诊断并预测.由于实验条件所限，理论上如果标准样本集的容量更大，将会大大提高门机故障的识别准确率.

［1］宗春英.基于人工智能的故障检测和诊断系统的研究［J］.制造业自动化，2012，34（4）：52－54.ZONG Chunying.Failure monitoring and diagnosis system based on artificial intelligence research［J］.Manufacturing Automation，2012，34（4）：52－54.

［2］张兴波，谭继文，侯英勇.基于径向基神经网络的钢丝绳断丝定量检测及 MATLAB实现［J］.煤矿机械，2009，30（3）：198－200.ZHANG Xingbo，TAN Jiwen，HOU Yingyong.Quantity test of steel wire－rope LF damage base on RBF neural network and MATLAB realization［J］.Coal Mine Machinery，2009，30（3）：198－200.

［3］尚敬强，原思聪，卫东东，等.基于遗传算法的BP神经网络在塔式起重机故障诊断中的应用［J］.起重运输机械，2012（4）：61－64.SHANG Jingqiang，YYAN Sicong，WEI Dongdong，et al.Application of genetic algorithm－based BP neural network in diagnosis to tower crane［J］.Hoisting and Conveying Machinery，2012（4）：61－64.

［4］程彩霞，孙富春，周心权.基于径向基函数神经网络的矿井智能火灾探测方法［J］.煤炭科学与技术，2011，39（2）：65－68.CHENG Caixia，SUN Fuchun，ZHOU Xinquan.Mine intelligent fire disaster detection method based on radial basis function neural network［J］.Coal Science and Technology，2011，39（2）：65－68.

［5］谢慕君，孟祥光.基于MATLAB的RBF神经网络在离心压缩机性能预测中的应用［J］.石油化工自动化，2008（5）：46－52.XIE Mujun，MENG Xiangguang.The application of RBF neural network based on MATLAB for the performance prediction of centrifugal compressors［J］.Automation in Petro－Chemical Industry，2008（5）：46－52.

［6］程珊.基于遗传算法的桥式起重机故障诊断研究［J］.煤矿机械，2012，33（2）：242－244.CHENG Shan.Fault diagnosis study of overhead traveling crane based on genetic algorithm［J］.Coal Mine Machinery，2012，33（2）：242－244.