改进的小波神经网络在旋转机械故障诊断中的应用研究

在现代化生产中,机械设备的故障诊断技术越来越受到重视,如果某台设备出现故障而未能及时发现和排除,其结果不仅会导致设备本身损坏,甚至可能造成机毁人亡的严重后果。在企业的连续生产的系统中,如果某台关键设备因故障而不能继续运行,往往会涉及整个企业的生产系统设备的运行,造成巨大的经济损失。因此,对于连续生产系统,例如电力系统的汽轮发电机组、冶金过程及化工过程的关键设备等,故障诊断具有极为重要的意义。 小波网络是小波分析理论与人工神经网络理论完美结合的产物,它兼容了小波与神经网络的优越性,一方面,充分利用了小波变换的时频局部化特性;另一方面,充分发挥了神经网络的自学习能力,从而具有较强的逼近与容错能力。由于其优越的特性,小波网络被广泛用于信号处理、函数拟合、数据预测、系统辨识、故障诊断和自动控制等多个方面。当然,小波网络也存在不足之处:构造比较复杂,相比BP网络而言,小波网络的运算复杂度增加了;而且高维小波网络映射学习时容易产生“维数灾”问题。 本文首先从小波分析理论出发构造紧凑型小波神经网络,并对基于传统BP算法的小波神经网络进行了改进,探讨了小波神经网络的初始参数设置和小波类型、小波时频参数和学习样本等联系起来的小波神经网络的初始参数设置方法,该方法有别于传统网络初始权值的随机赋值,提高了网络的稳定性及收敛精度。并引入了基于BP算法的小波神经网络改进算法并应用于旋转机械故障诊断实例中,从而避免了传统算法网络结构确定效率低的缺点,并有效的改善了网络的学习性能。有效克服了基于BP算法的小波神经网络存在的一些缺陷,如小波神经网络中初始化参数初始化不合适将导致整个网络学习过程的不收敛,易使整个网络陷入局部最小等缺点。对用于建模的数据消噪和归一化处理。最后,分别采用改进的小波神经网络和传统BP神经网络对旋转机械进行故障诊断并将诊断效果的对比,分析了本文算法的优势所在。