基于小波包與徑向基網(wǎng)絡的診斷技術研究.pdf

1、在智能故障診斷技術的研究中，小波分析和神經(jīng)網(wǎng)絡技術都是熱點研究內(nèi)容。本論文主要進行了基于小波分析的信號處理和基于神經(jīng)網(wǎng)絡的智能故障診斷兩方面的理論上的研究工作。主要研究內(nèi)容總結如下： 1、RBF網(wǎng)絡訓練的關鍵在于隱含層參數(shù)的確定。RBF網(wǎng)絡目前已有的幾種訓練方法對于含有隨機噪聲的復雜樣本訓練速度過慢且分類性能不穩(wěn)定。針對這些缺點，本文依據(jù)相對熵最小原理，提出了一種改進的RBF網(wǎng)絡訓練方法一一輸出一輸入聚類法。利用此方法對旋轉機械

2、故障樣本進行訓練，并與其它方法進行了比較，結果顯示此訓練方法用時短，網(wǎng)絡結構簡單，受噪聲影響小。將所創(chuàng)建網(wǎng)絡應用于故障診斷，實例表明此方法訓練的網(wǎng)絡診斷結果非常準確，在故障診斷中具有良好的應用前景。 2、本文還研究了小波(包)母函數(shù)及基的選擇問題。小波及小波包變換在故障診斷領域中有著廣泛的應用，它幫助我們獲得大量故障信號的特征信息。但是，面對大量的小波母函數(shù)以及變換后的很多小波包基，我們需要選擇合適的小波母函數(shù)及其基，因為并非任

3、意的小波母函數(shù)及任意的小波包基都是合適的。本文結合信息熵的理論，在故障診斷領域中，提出了利用RBF網(wǎng)絡進行小包基選擇的方法，從而確定出反映信號特征所需小波包分解的層次及分支。 3、本文還提出了一種旋轉機械故障診斷方法。其步驟如下：首先對旋轉機械的振動信號進行小波包分解，對分解后的信號提取特征信息；由于特征數(shù)量較多而且其分類性能差別很大，所以本文利用RBF網(wǎng)絡對其進行選擇以得到分類性能最好的一組特征；最后，利用所確定特征及相應的R

4、BF網(wǎng)絡分類器進行故障診斷。本方法對于診斷頻率分布范圍較廣且信號具有較強時變性的復雜故障有著良好的應用前景。在故障診斷中的實踐也驗證了該方法的有效性。 在論文中涉及的許多問題尚須今后繼續(xù)研究。如小波包的實際應用中，小波母函數(shù)的選取標準?；谛〔ò儞Q的RBF網(wǎng)絡所能診斷的故障范圍需要擴大，如加入對轉子碰摩、零部件脫落等多種其它常見故障的診斷功能。本文所做的工作僅限于對故障診斷方法的研究，下一步工作希望設計一套軟件系統(tǒng)用于旋轉機械