10.3969/j.issn.1004-6801.2008.04.012
基于EKF训练的RBF神经网络及其故障诊断应用
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.
机械故障诊断、RBF神经网络、扩展Kalman滤波算法、参数估计
28
TP206(自动化技术及设备)
安徽省教育厅自然科学基金重点资助项目2004kj056zd
2009-03-11(万方平台首次上网日期,不代表论文的发表时间)
共4页
358-361