进口轴承是各种旋转机械中应用最广泛的机械部件,它的运行状态是否正常往往直接影响到整台机器的性能,同时它也是易损坏的零件。进口轴承故障类型繁多,其诊断的方法也各不相同。神经网络理论在故障诊断领域显示出了极大的应用潜力。BP 神经网络在旋转机械故障诊断中应用较多,但BP 算法的思想以期望值与实际值之差的平方和为目标函数求极小,所以对初始值敏感,在学习过程中易陷入局部极小值,而训练样本数较大时收敛速度慢。(Probabilistic NeuralNetwork)简称(PNN)应用于进口轴承的状态监测与故障诊断,以克服BP 网络的缺点,取得了令人满意的结果。
概率神经网络( PNN) 是一种可用于模式分类的神经网络,其实质是基于贝叶斯最小风险淮则发展而来的一种并行算法,PNN 与BP 网络相比较,其主要优点为:
(1) 快速训练,其训练时间仅仅略大于读取数据的时间。
(2) 无论分类问题多么复杂,只要有足够多的训练数据,就可以保证获得贝叶斯准则下的最优解。
(3) 允许增加或减少训练数据而无需重新进行长时间的训练。
网络直接存储训练样本向量为网络的模式样本向量,而不做任何的修改,只需对高斯函数的平滑因子进行经验式统计的估计,过程极为简单:在网络工作时,待识别样本x 由输入层直接送到模式层各个类别单元中,在模式单元中进行向量x 与W 的点积。完成非线性处理后,再送入求和层中;求和层中各单元只与相应类别的模式单元相连,并且依据Parzen 方法求和估计各类的概率;在决策层中,根据对输入向量的概率估计,按贝叶斯分类规则将输入向量分到具有后验概率值的类别中去。在进行故障诊断的过程中,求和层将模式层中同一模式的输出求和,并乘以代价因子;决策层则选择求和层中输出者对应的故障模式为诊断结果。当故障样本的数量增加时,模式层的神经元将随之增加。而当故障模式多于两种时,则求和层神经元将增加。所以,随着故障经验知识的积累,概率神经网络可以不断横向扩展,进口轴承故障诊断的能力也将不断提高。
