振动、测试与诊断
振動、測試與診斷
진동、측시여진단
JOURNAL OF VIBRATION, MEASUREMENT & DIAGNOSIS
2008年
4期
358-361
,共4页
机械故障诊断%RBF神经网络%扩展Kalman滤波算法%参数估计
機械故障診斷%RBF神經網絡%擴展Kalman濾波算法%參數估計
궤계고장진단%RBF신경망락%확전Kalman려파산법%삼수고계
针对利用神经网络进行机械故障分类,以及网络权重的训练问题,依据系统辨识的理论,将RBF网络看作非线性系统.在机械故障分类中,可将RBF函数中心参数和网络权重的训练作为系统参数,进行故障辨识.在故障分类过程中,采用了在估计参数附近进行Taylor级数线性化,利用参数增广和统计动力学方法,构造线性状态空间方程,用扩展Kalman滤波算法(EKF)进行参数估计.RBF网络用典型的齿轮故障信息对其进行训练,并与传统的梯度下降法(Gradient Descent)相比较,结果表明,用Kalman算法训练RBF网络,不仅具有较好的精度,而且避免了传统算法存在的梯度消失,提高了网络的收敛速度.
針對利用神經網絡進行機械故障分類,以及網絡權重的訓練問題,依據繫統辨識的理論,將RBF網絡看作非線性繫統.在機械故障分類中,可將RBF函數中心參數和網絡權重的訓練作為繫統參數,進行故障辨識.在故障分類過程中,採用瞭在估計參數附近進行Taylor級數線性化,利用參數增廣和統計動力學方法,構造線性狀態空間方程,用擴展Kalman濾波算法(EKF)進行參數估計.RBF網絡用典型的齒輪故障信息對其進行訓練,併與傳統的梯度下降法(Gradient Descent)相比較,結果錶明,用Kalman算法訓練RBF網絡,不僅具有較好的精度,而且避免瞭傳統算法存在的梯度消失,提高瞭網絡的收斂速度.
침대이용신경망락진행궤계고장분류,이급망락권중적훈련문제,의거계통변식적이론,장RBF망락간작비선성계통.재궤계고장분류중,가장RBF함수중심삼수화망락권중적훈련작위계통삼수,진행고장변식.재고장분류과정중,채용료재고계삼수부근진행Taylor급수선성화,이용삼수증엄화통계동역학방법,구조선성상태공간방정,용확전Kalman려파산법(EKF)진행삼수고계.RBF망락용전형적치륜고장신식대기진행훈련,병여전통적제도하강법(Gradient Descent)상비교,결과표명,용Kalman산법훈련RBF망락,불부구유교호적정도,이차피면료전통산법존재적제도소실,제고료망락적수렴속도.
