基于小波神经网络的故障诊断方法研究.docVIP

基于小波神经网络的故障诊断方法研究 Research of fault diagnosis method based on wavelet neural network 摘要：：人工智能技术特别是专家系统在故障诊断领域中的应用，为故障诊断的智能化提供了可能性，也使诊断技术进入新的发展阶段。小波神经网络是近年来神经网络研究中的一个新的分支，它结合了小波变换理论与人工神经网络的思想，从而构造了一种新的神经网络模型，凸现了小波变换良好的时频局域化性质及神经网络的自学习功能，具有较强的逼近能力和容错能力[1]。 引言 目前，小波分析和神经网络的结合有松散型结合和紧致型结合两种途径[2]，本文针对科学实验中广泛使用的平流泵的故障特点，采用基于小波分析和神经网络的松散型结合方法对美国SSI平流泵进行故障诊断研究，以期能为平流泵的智能化提供相应的技术支撑，并对从事该相关工作的人士提供参考。 基于小波包分析的故障信号能量特征提取 故障数据的归一化处理 在训练神经网络之前，要对故障数据进行归一化处理，以减小各数据之间的相互影响[3]。数据归一化方法如下[4]： (1) 基于小波包分解的信号特征向量的提取 小波包分解的实质是将信号在各个正交基上投影[5]，信号经N层小波包分解后，原信号的能量被分解到个正交频带上，信号在各频带上的能量总和与原信号的能量是相等的[6]，每个频带内的信号表征原信号在该频率范围内的特征信息。 本文使用db2小波对信号进行3层小波包分解[7]，即N=3，分解树结构如图1所示，得到8个不同频带内的信号，它们将作为神经网络的输入特征向量。 图1 三层小波包分解树结构图引言 GA、BP的基本原理 BP神经网络的结构 BP神经网络是一种具有三层或三层以上的神经网络，包括输入层、中间层（隐层）和输出层，上下层之间实现全连接，而每层神经元之间无连接。本文神经网络采用三层BP网络结构，其结构如图2所示。 图2 三层BP神经网络结构图 BP神经网络的算法 学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输出响应。接下来，按照减少目标输出与实际输出的误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这就是“误差反向传播方法”，即BP算法[8]。 遗传算法基本原理 在遗传算法中，通过随机方式产生若干个所求解问题的数字编码，即染色体，形成初始群体；通过适应度函数给每个个体一个数值评价，淘汰适应度的个体，选择适应度的个体参加遗传操作经过遗传操作后的个体集合形成下一代新的种群对这个新种群进行下一轮进化。这就是遗传算法的基本原理。(genetic operation)，而染色体编码方法、个体适应度评价方法、遗传算子和基本运行参数构成了遗传算法的四个要素[10]。 遗传算法与神经网络的结合 神经网络的基本特征是大规模并行处理、容错性、自适应性和自组织性，适合处理直觉和形象思维信息。神经网络与遗传算法的结合使神经网络的训练有了一个崭新的面貌，目标函数既不要求可微，仅要求该问题可计算，而且它的搜索始终遍及整个解空间，因此容易得到全局最优解。 遗传算法优化神经网络参数 遗传算法优化神经网络的参数的步骤为： （1）编码。 编码的策略对于遗传操作有很大的影响。尽管二进制编码有简单易行等优点，但是它也会降低搜索效率，并给解码增加难度[11]。本文的编码对象是浮点数，因此直接采用实数编码方案，即每个连接权值直接用一个实数表示。 （2）产生初始化群体，其中E是神经网络中的误差。 （4）若完成预先给定的进化代数 ①选择操作采用最佳个体保存与适应度比例相结合的方法。 此操作仍然建立在对个体的适应度值进行评价基础上。群体中，适应度值大于平均适应度值的个体将首先被遗传到下一代中；另一部分是以群体中每一个体的适应度值的比例概率产生。这样，适应度值大的个体有机会进入下一代，而概率小的个体也有机会，从而保证了群体中个体的多样性，防止算法落入局部最优。 ②在当前群体中进行交叉和变异操作。经反复试验，交叉概率和变异概率分别取为：=0.8，=0.01。 （6）终止循环，得到最佳编码个体，将运算结果转化成神经网络的权值和阈值。 BP算法设计 （1）建立BP网络。将小波包分解的结果作为输入样本，本文选取输入层结点数为N=8，中间层结点数为H=13，输出层结点数为M=4，网络的误差要求=0.01，训练次数L=1000，学习速率=0.1。 （2）输入一组样本，代入遗传算法对权值和阈值的优化结果，由输入层向输出层前向计算网络输出。 （3）反向计算。对输入样本反向计算各层神经元的局部梯度。 （4）计算权值修正量，并修正权值，这是对参数的第二次训练[13]。 （5） 判断是否训练完所有的样本，若满足则转至步骤（6），