|本期目录/Table of Contents|

[1]张远绪,程换新.基于改进的RBF神经网络的滚动轴承故障诊断[J].工业仪表与自动化装置,2018,(06):31-34.[doi:1000-0682（2018）06-0000-00]
　ZHANG Yuanxu,CHENG Huanxin.Fault diagnosis of rolling bearing based on improved RBF neural network[J].Industrial Instrumentation & Automation,2018,(06):31-34.[doi:1000-0682（2018）06-0000-00]
点击复制

基于改进的RBF神经网络的滚动轴承故障诊断

《工业仪表与自动化装置》[ISSN:1000-0682/CN:61-1121/TH]

卷:
期数:
2018年06期
页码:
31-34
栏目:
出版日期:
2018-12-15

文章信息/Info

Title:
Fault diagnosis of rolling bearing based on improved RBF neural network
作者:
张远绪; 程换新
青岛科技大学 自动化与电子工程学院，山东 青岛 266061
Author(s):
ZHANG Yuanxu;  CHENG Huanxin
College of Automation and Electrical Engineering,Qingdao University of Science and Technology, Shandong Qingdao 266061,China
关键词:
RBF神经网络; 减聚类算法; 故障诊断; 滚动轴承
Keywords:
RBF neural network;  subtractive clustering algorithm;  fault diagnosis;  rolling bearing
分类号:
TP183;TH133.3
DOI:
1000-0682（2018）06-0000-00
文献标志码:
A
摘要:
该文阐述了径向基函数(radial base function, RBF)神经网络的基本原理和算法，并针对RBF神经网络存在的隐含层的隐层单元数目及中心向量、扩展参数难以确定的问题，利用减类聚算法进行RBF网络的改进，建立应用于滚动轴承故障诊断与识别的RBF神经网络智能识别模型，并通过实验结果与BP(back propagation)神经网络进行比较分析研究。结果表明，减聚类算法能够有效地确定网络参数，改进的RBF神经网络对预设滚动轴承故障能够准确诊断，并且具有训练速度快的特点。
Abstract:
This paper describes the basic principle and algorithm of radial base function (RBF) neural network,and aiming at the problem that the number of hidden layer elements, center vector and extension parameters of hidden layer are difficult to determine in RBF neural network,a RBF neural network intelligent recognition model for fault diagnosis and recognition of rolling bearings is established by using subtractive clustering algorithm.The experimental results are compared with BP (back propagation) neural network.The results show that the subtractive clustering algorithm can effectively determine the network parameters, and the improved RBF neural network can accurately diagnose the default rolling bearing fault, and has the characteristics of fast training speed.

参考文献/References:

[1] 王炜,吴耿锋,张博锋,等.径向基函数(RBF)神经网络及其应用[J].地震,2005, 25(2):19-25.

[2] 杨宇,于德介,程军圣.基于EMD与神经网络的滚动轴承故障诊断方法[J].振动与冲击,2005,24(1):85-88.
[3] 李力,唐茗.滚动轴承故障程度诊断方法研究[J].轴承, 2009(4 ): 42-46.
[4] 陈波,马孝江.滚动轴承故障诊断数据库系统的设计与应用[J].组合机床与自动化加工技术,2002,40(11):37-39.
[5] 陆爽,候跃谦,田野.基于AR模型和径向基神经网络的滚动轴承故障诊断[J].机械传动,2004,28(5):10-13.
[6] 闻新,周露等.MATLAB神经网络仿真与应用[M].北京:科学出版社,2003.
[7] 宋宏儒,丁常富,冯玉朝.RBF神经网络在高加故障诊断中的应用[J].东北电力技术,2008(11):15-18.
[8] 冯清海，袁万城.BP神经网络和RBF神经网络在墩柱抗震性能评估中的比较研究[J].结构工程师,2007,23(5): 41-47.
[9] Deng Chao, Xiong Fanlun. An Efficient on-line Learning Method for Radial Basis Function Neural Networks[J]. Journal of Electronics and Information Technology,2001, 23(5):472-478.
[10] Bi Tianshu, Yan Zheng, Wen Fushuan, et al. On-line distributed fault section estimation system with radial basis function neural network[J].Power System Technology, 2001, 25(11):27-32.
[11] 冷军发,荆双喜,吴中青.基于RBF神经网络的齿轮箱故障诊断[J].机械强度,2010,32(1):19-20.
[12] 李自珍,白玫,黄颖.BP网络和RBF网络在期货预测中的比较研究[J].数学的实践与认识,2008,38(1):60-64.
[13] 梅宏斌.滚动轴承振动检测与诊断[M].北京:机械工业出版社,1995.
[14] 胡婧,杨曙年.基于BP神经网络的滚动轴承故障诊断研究[J].机械与电子,2006(4): 9-11.
[15] 许东,吴铮.基于MATLAB6.x的系统分析与设计—神经网络[M].西安:西安电子科技大学出版社,2002.
[16] 李世玲,李治,李合生.基于小波包能量特征提取的滚动轴承故障检测方法[J].系统仿真学报,2003,15(1): 76-80.
[17] 李春富,郑小青,葛铭.基于改进聚类算法的RBF网络及其应用[J].南京工业大学学报(自然科学版),2011,33(6): 72-76.
[18] 孙丹,万里明,孙延风.一种改进的RBF神经网络混合学习算法[J].吉林大学学报(理学版),2010,48 (5): 817-822.

相似文献/References:

[1]张军胜,拜颖乾.基于FPGA的RBF神经网络污水处理系统解耦控制[J].工业仪表与自动化装置,2023,(06):102.[doi:DOI:10.19950/j.cnki.cn61-1121/th.2023.06.018]
　ZHANG Junsheng,BAI Yingqian.Decoupling control of wastewater treatment system based on FPGA and RBF neural network[J].Industrial Instrumentation & Automation,2023,(06):102.[doi:DOI:10.19950/j.cnki.cn61-1121/th.2023.06.018]

备注/Memo

备注/Memo:
收稿日期：2018-04-04
作者简介：张远绪（1990），男，山东菏泽人，青岛科技大学自动化与电子工程学院硕士研究生，研究方向为智能控制理论及应用。
更新日期/Last Update: 2018-12-15