基于RBF神經(jīng)網(wǎng)絡的電梯故障診斷方法研究.pdf

1、隨著電梯市場需求的增大，國家對電梯的安全與舒適度的要求也更加嚴苛，由于電梯本身是比較復雜的結構，容易在使用的過程中出現(xiàn)各種各樣的問題，因此電梯運行狀態(tài)監(jiān)測和故障診斷就越來越受到關注。
　　人工神經(jīng)網(wǎng)絡在故障診斷領域中的應用越來越廣泛，并且以BP神經(jīng)網(wǎng)絡與RBF神經(jīng)網(wǎng)絡為主，由于BP有容易陷于局部極小的問題，而RBF以其結構簡單、訓練速度快，并且不存在局部極小的問題。因此本文將RBF神經(jīng)網(wǎng)絡與電梯故障診斷結合起來，對其方法進行研究。

2、
　　本文研究的就是應用RBF神經(jīng)網(wǎng)絡進行電梯的故障診斷。采用電梯故障數(shù)據(jù)分別來自于已有文獻中的實測數(shù)據(jù)，第一組是引起電梯轎廂振動的6種故障數(shù)據(jù)，第二組是電梯急停故障數(shù)據(jù)。針對這兩組數(shù)據(jù)，用Matlab進行算法的仿真測試。
　　本文構建了基于RBF神經(jīng)網(wǎng)絡下的電梯故障診斷模型，通過診斷結果的均方誤差與網(wǎng)絡結構來對仿真結果進行分析；仿真實現(xiàn)了已有四種算法下電梯故障診斷，經(jīng)過對仿真結果的分析得出如下結論：原始算法的網(wǎng)絡結構對樣本

3、數(shù)據(jù)的依賴性大；K-Means-RBF算法可以合理的選擇網(wǎng)絡結構但是診斷結果的隨機性大；OLS-RBF算法在保證診斷精度的條件下，網(wǎng)絡結構較為復雜；Rough-K-Means-RBF算法結合粗糙集進行K-Means聚類，并將聚類作用在網(wǎng)絡隱含層輸出中，有效的降低了診斷結果的隨機性；針對Rough-K-Means-RBF網(wǎng)絡模型中的存在不足與相關參數(shù)的確定進行優(yōu)化。不足之處是在選擇隱含層神經(jīng)元過程可能會出現(xiàn)影響算法進程的狀況，此外 Rou