基于小波特征提取和概率神经网络的机械故障诊断.pdfVIP

第201171年筹66月 江苏技术师范学院学报 Vo1．17．No．6 JOURNALOFJIAN。G。S 。 CH—ERS’一UN’IVE…RSIT。YO…FTECHNOLOGY Jun．． 2011 基于小波特征提取和概率神经网络的机械故障诊断 王 云 松 (江苏技术师范学院 电气信息工程学院，江苏 常州 213001) 摘 要：论述了基于离散小波变换系数的特征提取和概率神经网络在机械故障诊断中的应用。该方法利用离散 小波获取振动信号各有效频带的能量作为故障参数，用概率神经网络构建设备运行状态模型，根据历史数据确 定故障值并设置故障参数。实验结果从应用程序对轴承故障诊断表明，相比传统方法，该方法能够有效地提取测 试信号内在的重要信息内容，并增加机械整体故障诊断的准确性，在机械设备故障处理系统中有良好的应用前 景 。 关键词：故障诊断；小波特征提取；概率神经网络 中图分类号：TB533．1；TP206．3 文献标识码：A 文章编号：1674—8522(2011)06—0020—05 0 引 言 在机械故障诊断技术中，高质量地提取设备中的故障特征信息，为故障诊断提供准确依据是关键所 在。随着工业化生产中对机械设备安全、可靠性要求的不断提高，对故障诊断的准确率也提出了更高的 要求，而传统的信号处理技术已满足不了对微弱故障特征提取、早期故障诊断及非平稳信号特征提取的 要求。本文结合小波特征提取技术和概率神经网络进行一些探讨，利用小波分析提取旋转机械振动信号 窄带能量作为故障诊断参数，采用概率神经网络构建设备运行状态的概率模型，并进一步确定故障阈 值，随着设备的不断运行，故障值也是随之而变化的，最终形成一条动态的故障诊断曲线1]【。本文的研究 提供了一种新的自适应故障诊断方法，具有重要的工程应用价值。 1 概率神经网络(PNN) 概率神经网络是一种可用于模式分类的径向基神经网络，其实质是基于贝叶斯最小风险准则发展而 来的一种并行算法，目前已在雷达、心电图仪等电子设备中获得了广泛应用。与BP神经网络相比较，PNN 网络的主要优点为：(1)训练速度快 ，由于 PNN一次完成，无学习过程，因而大约比BP网络快 5个数量 级；(2)无论分类问题多么复杂，只要有足够的训练数，PNN能够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不需要重新进行长时间的训练。概率神经网络结构共分4层，分别为输入层、模 式层、求和层及输出层。输入层将特征向量传递给网络；模式层计算输入特征向量与训练样本之间的欧氏 距离，生成向量与阈值向量相乘 ，结果经高斯型激活函数计算得到模式层的输出；在求和层，故障模式和 神经元一一对应，这些神经元将对应模式层的一组神经元输出求和，从而得到故障模式的估计概率密度 函数；输出层神经元是一种竞争神经元，它接收从求和层输出的各类概率密度函数，按贝叶斯分类规则将 收稿 日期 ：2011--04-25 作者简介 ：王云松(1970一)，男，江苏盐城人，实验师，主要研究方向为检测技术及自动化装置。 第6期 王云松：基于小波特征提取和概率神经网络的机械故障诊断 21 输入向量分到具有最大后验概率密度的类别当中，即概率密度函数最大的那个神经元输出为 1，其它神 经元的输出全为0。当故障样本的数量增加时，模式层神经元将随之增加；而当故障模式多于2种时，则 求和层神经元将增加。随着故障先验知识的积累，概率神经网络可以不断横向扩展，故障诊断的能力将不 断提高。 2 小波特征提取和概率神经网络故障诊断模型的建立 设备运行状态的发展遵循 正“常 异常_+故障”的演变规律。在设备状态演变过程中，所采集的历史 数据必然包括大量正常数据、极少数异常数据和少量故障数据。由概率统计可知，历史数据以很大的概率 处于正常状态，而以较小的概率处于故障状态，两种状态中间是概率分布极小的异常区域。由此可看出， 历史数据的概率分布与设备运行状态具有很好的对应关系，从而为概率神经网络应用于设备状态分析提