小波神经网络在旋转机械故障诊断中的应用研究

机械设备故障诊断技术在生产安全中具有重要意义,已成为机械和测量领域的重要研究方向。近年来,有关机械故障诊断的新理论、新方法、新手段不断涌现,逐步完善,有的已形成相关产业,使得我国机械设备故障诊断水平有了显著提高。 本文以机械设备振动为主要研究对象,给出小波神经网络的时频两域分析和特征值提取方法。研究了小波分析的相关理论,针对故障信号中含有的噪声信号,给出了一种小波去噪模型;对于故障中的奇异信号,用小波分析良好的时频局部化特性克服了傅立叶变换只能在整体上分析的缺陷。在神经网络理论研究的基础上,给出了神经网络的学习算法,针对传统算法收敛速度慢以及容易陷入局部极小等问题,从学习率和误差修正两个方面对算法进行改进。 研究了小波与神经网络的结合方式,给出了小波网络的三种构造形式,在此基础上阐述了小波网络的共轭梯度和多分辨分析的学习算法,并给出了小波网络中小波基个数及初始参数的确定原则;以Mexican hat为例推导了学习算法;针对小波网络的“维数灾”问题,给出了遗传算法优化的小波网络,简化网络结构、加快收敛速度。 针对旋转机械的典型故障,以振动信号为输入训练网络,给出训练结果;以轴承的振动信号分类为例,给出诊断步骤及诊断结果;针对多输入输出的高维问题,给出一种集成的小波网络故障诊断系统,能够有效的提高确诊率,减少误判。