采用小波神经网络的刀具故障诊断.pdfVIP

第26卷第1期 振动、测试与诊断 VoI26No．1 2006年3月 Of Mar．2006 Journal Vibration．Measurement＆Diagnosis 采用小波神经网络的刀具故障诊断 朱云芳1戴朝华2傅攀3 (‘西南交通大学计算机系成都，614202)(2西南交通大学电气工程学院成都．614202) (3西南交通大学机械工程学院成都，614202) 摘要为了有效的进行刀具状态监测，采用小波神经网络的松散型结合对刀具进行放障诊断。通过小波变换提取 刀具磨损声发射(AE)信号的特征，即对AE信号进行小渡分解，提取了5个频段的均方根值作为神经网络的输入· 来识别刀具磨损状态。试验表明，均方根值完全可以作为刀具磨损过程中产生AE信号的特征向量。仿真结果表明- 基于小渡神经网络的刀具故障诊断对刀具磨损状态的识别效率高，该方法是有效的。 关键词小波变换神经网络智能故障诊断刀具状态监测 中国分类号TP277 引 言 c，一』：：卑掣dwo。 ㈩ 则称9(f)是基本小波。 小波分析是一种时频分析方法，由于其“自适应 由基本小波生成的二进离散小波函数为 性”和“数学显微镜性质”而成为许多学科关注的焦 点。而神经网络则具有自学习、并行处理、自适应、鲁 ?(￡)一般可看作为带通滤波器，其对应的尺度 棒性、容错性和推广能力。如何把小波分析和神经网 函数≠(f)满足 络两者的优点结台起来，一直是人们关注的问题。小 I毒(”)I z (3) z一∑l争(2，”)I 波分析与神经网络的结合有两种形式[1]，～种是先 i-1 利用小波变换对信号进行预处理，提取信号的特征 ≠(f)本质上是低通滤波器。由≠(f)得到的一簇二 向量作为神经网络的输入；另一种则是采用小波函 进正交尺度函数为 (4) 数和尺度函数形成神经元，达到小渡和神经网络的 ≠m0)一Z-z2≠(21一k) 直接融合。第一种结合方式是小波神经网络的松散 根据多分辨分析的理论，如果二进离散小波函 型结合，第二种结台方式是小波神经网络的紧致型 结合。这两种结合方式都适用于解决函数逼近、系统 则对信号z(￡)有如下的正交小渡分解01 辨识及模式识别问题口]。 本文主要利用的是小渡神经网络的松散型结 合，即通过小波变换提取刀具磨损声发射((AE)信其中：Ⅳ为分解层数；碰为第J层高频小波分解系数 号的特征向量，然后作为径向基函数(RBF)网络的序列第k个分量；c≯为尺度分解系数。 输人，从而达到把刀具的磨损状态进行分类的目的。 1．2人工神经网络结构及学习过程 对刀具磨损的多个仿真结果表明，该方法识别效率 高，取得了很好的效果。 人工神经网络(ANN)是对人脑功能的模拟。由 于人工神经网络具有非线性、自适应性、并行性和容 1理论基础