2 径向基函数网络结构及其学习算法
径向基函数RBF神经网络结构由输入层、隐层、输出层组成,输入层节点只传递输入信号到隐层,隐层节点采用径向基函数作为激励函数,而输出层节点是简单的线性函数。隐层节点的激励函数将对输入信号在局部产生响应,即当输入信号靠近基函数的中心范围时,隐层节点将产生较大的输出,因此径向基函数网络有较强的局部逼近能力。
高斯函数 (x) exp( x2)具有良好性能,多用其作为径向基函数,则RBF网络的输出为:
N
[4]
yt
w
k 1
k
exp(
x ck2
2k
2
) (1)
高斯函数网络的学习参数有三个,即各径向基函数的中心ck、方差 k以及输出单元的权值wk,其中x是函数的自变量矢量, 是输入量。
RBF神经网络的学习过程主要分为两个阶段:先根据输入样本求出各隐层节点高斯函数的中心ck和每个中心的半径 k,通常采用K-均值聚类算法;隐层参数确定以后, 还需要求出隐层和输出层之间的权值wk, 通常采用递推最小二乘法(RLS)计算[5-6]。
3 故障特征向量的提取
小波包分解具有多分辨率特点,利用它将轴承振动信号进行三层小波包分解,以获取轴承振动信号在不同频带内的能量,由小波包分解提取滚动轴承特征的具体算法如下-:
1)采集回来的振动信号首先经过归一化等预处理,然后用小波包进行降噪处理。随后对信号采样序列用Daubechies小波包进行3层正交小波分解,分别提取第3层从低频到高频共8个频率成分的信号特征, 8个频率段分别为: 0~512Hz、512~1024Hz、1024~1536Hz、1536~2048Hz、2048~2560Hz、2560~3072Hz、3072~3584Hz、3584~4096Hz。
2)对小波包分解系数重构,提取各频带范围的信号。设S3j(j 0,1, ,7)表示小波包分解第3层系数
d3j(j 0,1, ,7)的重构信号,则总信号S表示为:
7
[67]
S
S
j 0
3j
(2)
3)求各频带信号的总能量。设E3j(j 0,1, ,7)为第3层小波包分解各频段序列的能量, 则有:
2
n
E3j
S3j(t)
k 1
xjk
2
(3)
式中,xjk(j 0,1, ,7;k 1,2, ,n)表示各频率段重构信号离散点的幅值。
4)构造特征向量。当系统出现故障时,会对各频带内信号的能量有较大影响,因此可以用能量为元素,以第3层小波分解序列的能量作为元素构造特征向量。特征向量T [E30,E31,E32,E33,E34,E35,E36,E37]。
当能量较大时,E3j(j 0,1, ,7)通常是一个较大的数量,为了便于计算机的处理,将特征向量进
7
行归一化处理,令E ( E3j)1/2, 归一化后的向量T
j 0
2
1E
[E30,E31,E32,E33,E34,E35,E36,E37]。
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读,免费范文网,提供经典小说教育文库张俊-小波和RBF神经网络在滚动轴承故障诊断中应用1(2)在线全文阅读。
相关推荐: