基于DWT和PNN的印刷过程实时监测和故障诊断.pdfVIP

振动、测试与诊断 Vo l. 30 No. 3 第 30 卷第3 期 Jun. 2010 2010 年6 月 Journal of Vibration ,Measurement . Diagnosis 基于DWT 和PNN 的印刷过程实时监测和故障诊断. 郡腊梅1 ， 管力明1 ， 胡更生1 ， 何 宏1.2 (1杭州电子科技大学印刷工程系 杭州，310018) 俨江南大学纺织服装学院元锡，214122) 摘要 提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统.利用 小波包分解技术对印刷过程振动信号进行降噪处理，并选择特殊频段进行小波包重构，有效捕捉和分离了处于信 号不同频段的印刷过程振动信号故障特征分量.对提取的故障特征参数应用概率神经网络映射，实现对印刷过程 振动信号运行状态的实时监测和故障诊断.仿真结果表明，该诊断方法快速、准确且易于工程实现. 关键词离散小波变换概率神经网络故障诊断印刷过程 中图分类号 TH165.3 造如图1 所示，它是由输入层、模式层和累加输出层 _ 三层前馈网络组成，其中，均为输入样本参数，网络 引 E司 输入节点数即一组输入样本参数的个数，模式层的 离散小波分析(discrete wavelet transform ，简 节点数为各类别训练样本数之和，训练样本采用与 称DWT)具有良好的时频局部化性能，是分析非平 输入样本相同的参数.累加、输出合二为一层，其节 稳信号的有力工具.概率神经网络(probabilistic 点数与类别数(可能的印刷过程故障数目〉相同，即 neural network ，简称PNN)是一种学习规则简单、 神经网络输出值最大的输出节点所对应的印刷过程 故障类别C241. 训练速度快、可以保持非线性算法高精度，能实现较 高的故障诊断准确率C11. 输入层 隐藏层 输出层 针对印刷生产过程多层次多点并发故障的结构 凡 特点以及故障数据-信息-知识-智能行为关系特 点，本文设计了基于DWT 和 PNN 的印刷过程振动 . L . 信号的实时监测和故障诊断系统，利用离散小波分 乌 析对低频小波做概貌观察，对高频小波作细致观察， 实现对信号的精细分析.利用PNN 进行故障诊断， 构建异层异类构故障传播关联模型，将各故障频率 X, O. 对应的特征值组成特征向量，形成多种征兆对应一 个故障、一种征兆、多个故障，以及多种征兆对应多 个故障的复杂分布式传播映射关系.结合参数模型 图 1 用于印刷过程故障诊断的概率神经网络构造 和非参数模型故障预报技术，实现印刷生产过程的 1.2 系统结构 分布式多故障预测。 1 基于DWT 和PNN 的印刷振动过程 基于DWT 和PNN 的印刷过程振动信号的实时