基于小波神經(jīng)網(wǎng)絡(luò)的設(shè)備故障診斷方法研究本科

1、<p>　　基于小波神經(jīng)網(wǎng)絡(luò)的設(shè)備故障診斷方法研究</p><p>　　Research on Fault Diagnosis Method of Equipment </p><p>　　Based on Wavelet Neural Network</p><p>　　Research on Fault Diagnosis Method of Equi

2、pment </p><p>　　Based on Wavelet Neural Network</p><p>　　A Thesis Submitted for the Degree of Master</p><p>　　Candidate：SUN Shi-hui</p><p>　　Supervisor：Prof. ZHAO Shi-j

3、un</p><p>　　College of Information& Control Engineering</p><p>　　China University of Petroleum (EastChina)</p><p>　　關(guān)于學(xué)位論文的獨(dú)創(chuàng)性聲明</p><p>　　本人鄭重聲明：所呈交的論文是本人在指導(dǎo)教師指導(dǎo)下獨(dú)立

4、進(jìn)行研究工作所取得的成果，論文中有關(guān)資料和數(shù)據(jù)是實(shí)事求是的。盡我所知，除文中已經(jīng)加以標(biāo)注和致謝外，本論文不包含其他人已經(jīng)發(fā)表或撰寫的研究成果，也不包含本人或他人為獲得中國石油大學(xué)（華東）或其它教育機(jī)構(gòu)的學(xué)位或?qū)W歷證書而使用過的材料。與我一同工作的同志對研究所做的任何貢獻(xiàn)均已在論文中作出了明確的說明。    </p><p>　　若有不實(shí)之處，本人愿意承擔(dān)相關(guān)法律責(zé)任。</p&

5、gt;<p>　　學(xué)位論文作者簽名：        日期： 年 月 日</p><p><b>　　學(xué)位論文使用授權(quán)書</b></p><p>　　本人完全同意中國石油大學(xué)（華東）有權(quán)使用本學(xué)位論文（包括但不限于其印刷版和電子版），使用方

6、式包括但不限于：保留學(xué)位論文，按規(guī)定向國家有關(guān)部門（機(jī)構(gòu)）送交學(xué)位論文，以學(xué)術(shù)交流為目的贈(zèng)送和交換學(xué)位論文，允許學(xué)位論文被查閱、借閱和復(fù)印，將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，采用影印、縮印或其他復(fù)制手段保存學(xué)位論文。</p><p>　　保密學(xué)位論文在解密后的使用授權(quán)同上。</p><p>　　學(xué)位論文作者簽名： 日期：

7、 年 月 日</p><p>　　指導(dǎo)教師簽名： 日期： 年 月 日</p><p><b>　　摘 要</b></p><p>　　神經(jīng)網(wǎng)絡(luò)以其固有的記憶能力、自學(xué)習(xí)能力以及強(qiáng)容錯(cuò)性為故障診斷問題提供了一個(gè)新方法。本文針對科學(xué)實(shí)驗(yàn)中廣泛使用的平流泵

8、的故障特點(diǎn)，深入研究了BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法。</p><p>　　首先用小波包分析技術(shù)做信號處理。選取小波函數(shù)，用硬閾值小波包降噪的方法將信號降噪，然后進(jìn)行小波包分解與重構(gòu)，以提取信號的能量特征向量，并將得到的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入。</p><p>　　本文采用具有一個(gè)隱含層的三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，深入分析故障診斷的結(jié)果后發(fā)現(xiàn)：第一，網(wǎng)絡(luò)容易陷入極小值而導(dǎo)致診斷失??；第

9、二，網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)難以確定。為了解決上述問題，本文研究設(shè)計(jì)了GA+BP算法。該方法是將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合。首先，GA對BP神經(jīng)網(wǎng)絡(luò)做前期優(yōu)化，確定出最佳網(wǎng)絡(luò)結(jié)構(gòu)及該結(jié)構(gòu)對應(yīng)的初始權(quán)值、閾值和網(wǎng)絡(luò)的學(xué)習(xí)速率；然后，構(gòu)造具有最佳結(jié)構(gòu)和參數(shù)的神經(jīng)網(wǎng)絡(luò)來進(jìn)行故障診斷。GA+BP算法的設(shè)計(jì)中，把每個(gè)染色體分解為連接基因和參數(shù)基因，對這兩部分采取不同的遺傳操作。連接基因采用二進(jìn)制編碼方法，參數(shù)基因采用實(shí)數(shù)編碼方法；連接基因采用一點(diǎn)交叉方式

10、和基本變異方式，參數(shù)基因中的權(quán)閾基因和速率基因各自采用算術(shù)交叉方式和非均勻變異方式。另外，交叉算子和變異算子都采用自適應(yīng)的方法。</p><p>　　GA+BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)故障診斷的結(jié)果對比后可以看到：第一，GA+BP神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)的工作量少，且克服了陷入局部極小的缺點(diǎn)，有更好的訓(xùn)練性能；第二，GA+BP神經(jīng)網(wǎng)絡(luò)的故障診斷準(zhǔn)確率高于BP神經(jīng)網(wǎng)絡(luò)。由此可見，GA+BP神經(jīng)網(wǎng)絡(luò)能夠更好的進(jìn)行平流泵的

11、故障診斷工作。</p><p>　　關(guān)鍵詞：故障診斷，小波包，神經(jīng)網(wǎng)絡(luò)，遺傳算法</p><p>　　Research on Fault Diagnosis Method of Equipment </p><p>　　Based on Wavelet Neural Network</p><p>　　SUN Shi-hui（Detectio

12、n Technology and Automatic Equipment）</p><p>　　Directed by Prof. ZHAO Shi-jun</p><p><b>　　Abstract</b></p><p>　　Neural network offers a new method for fault diagnosis ow

13、ing to its memory ability, self-learning ability and strongly fault tolerance. This paper makes research on the fault diagnosis method of neural network deeply based on the fault characteristics of pump which is widely u

14、sed in experiment.</p><p>　　Wavelet packet analysis is used to do the signal processing. Wavelet is chosen, and all signals are de-noised by hard threshold de-noising method. Then wavelet packet decomposes

15、and constructs the energy eigenvectors which are regarded as the input eigenvectors of the neural network.</p><p>　　A three-layer BPNN is applied to do the fault diagnosis. The results of simulation show tha

16、t the network traps in local minimum easily, and both the number of hidden neurons and the learning rate are difficult to decide either.</p><p>　　In order to solve these questions above, this paper designs G

17、A+BP algorithm. In this algorithm, genetic algorithm is used to optimize the number of hidden neurons, the initial weights and thresholds, and the learning rate of BPNN first, and then fault diagnosis is done by this neu

18、ral network which has the optimum structure and parameters. In GA+BP neural network, each chromosome is divided into the connection genes and the parameter genes, and different genetic operations are carried on two part&

19、lt;/p><p>　　Comparing the simulation results of GA+BP neural network with BPNN, we know that GA+BP neural network has less work but high training performance, and the local minimum is inexistent. In addition, t

20、he GA+BP neural network can diagnose the failure more correctly than BPNN. In conclusion, GA+BP neural network can accomplish the pump fault diagnosis much better.</p><p>　　Key words: fault diagnosis, wavele

21、t packet, neural network, genetic algorithm</p><p><b>　　目 錄</b></p><p><b>　　第1章 緒論1</b></p><p>　　1.1 故障診斷的意義1</p><p>　　1.2 故障診斷技術(shù)的研究現(xiàn)狀1<

22、/p><p>　　1.3 故障診斷方法概述2</p><p>　　1.4 MATLAB仿真平臺(tái)簡介3</p><p>　　1.5 論文的研究內(nèi)容4</p><p>　　1.6 論文的組織結(jié)構(gòu)4</p><p>　　第2章 故障信號的采集6</p><p>　　2.1 儀器簡介6</

23、p><p>　　2.2實(shí)驗(yàn)方案設(shè)計(jì)6</p><p>　　2.2.1 實(shí)驗(yàn)裝置構(gòu)成6</p><p>　　2.2.2應(yīng)用軟件介紹7</p><p>　　2.3故障信號的數(shù)據(jù)采集8</p><p>　　第3章 小波分析及信號處理9</p><p>　　3.1 小波分析在信號處理中的應(yīng)用現(xiàn)狀

24、9</p><p>　　3.2 小波分析理論10</p><p>　　3.2.1小波分析的基本概念及特點(diǎn)10</p><p>　　3.2.2 多分辨率分析11</p><p>　　3．3 小波包分析12</p><p>　　3.3.1 小波包的定義12</p><p>　　3.3.2

25、小波包的子空間分解12</p><p>　　3.3.3 小波包的分解與重構(gòu)算法12</p><p>　　3.4 小波基函數(shù)的選擇13</p><p>　　3.5 信號的小波包降噪15</p><p>　　3.5.1 小波包降噪的方法和步驟15</p><p>　　3.5.2 降噪效果的評價(jià)標(biāo)準(zhǔn)16</

26、p><p>　　3.5.3 故障信號的小波包降噪17</p><p>　　3.6 故障信號的特征提取19</p><p>　　第4章 BP神經(jīng)網(wǎng)絡(luò)及在故障診斷中的應(yīng)用21</p><p>　　4.1 人工神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用現(xiàn)狀21</p><p>　　4.2 BP神經(jīng)網(wǎng)絡(luò)21</p><

27、;p>　　4.2.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)21</p><p>　　4.2.2 BP算法描述22</p><p>　　4.2.3 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)24</p><p>　　4.3 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)24</p><p>　　4.3.1 學(xué)習(xí)樣本的確定24</p><p>　　4.3.2 網(wǎng)絡(luò)層數(shù)的考慮

28、25</p><p>　　4.3.3輸入、輸出和隱含層的設(shè)計(jì)25</p><p>　　4.3.4 激勵(lì)函數(shù)的選擇26</p><p>　　4.3.5網(wǎng)絡(luò)初始值的選取26</p><p>　　4.3.6學(xué)習(xí)算法的選擇26</p><p>　　4.3.7 學(xué)習(xí)速率26</p><p>　

29、　4.3.8 訓(xùn)練停止條件28</p><p>　　4.4 BP神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用28</p><p>　　4.5 BP神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果分析30</p><p>　　第5章 GA+BP神經(jīng)網(wǎng)絡(luò)及其在故障診斷中的應(yīng)用31</p><p>　　5.1 遺傳算法簡介31</p><p>　　5.2 標(biāo)準(zhǔn)

30、遺傳算法31</p><p>　　5.3 遺傳算法的特點(diǎn)32</p><p>　　5.4 GA+BP算法設(shè)計(jì)33</p><p>　　5.4.1 遺傳編碼與解碼33</p><p>　　5.4.2 適應(yīng)度函數(shù)的設(shè)計(jì)36</p><p>　　5.4.3 遺傳算子的設(shè)計(jì)36</p><p&g

31、t;　　5.4.4 控制參數(shù)的選擇39</p><p>　　5.4.5 GA+BP算法的步驟41</p><p>　　5.5 GA+BP神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用42</p><p>　　5.5.1網(wǎng)絡(luò)的設(shè)計(jì)42</p><p>　　5.5.2 故障診斷仿真實(shí)驗(yàn)43</p><p>　　5.5.3 故障診斷結(jié)

32、果分析45</p><p>　　5.6 BP神經(jīng)網(wǎng)絡(luò)與GA+BP神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果對比分析46</p><p><b>　　結(jié)論47</b></p><p><b>　　參考文獻(xiàn)49</b></p><p>　　攻讀學(xué)位期間取得的成果51</p><p><

33、b>　　致 謝51</b></p><p><b>　　第1章 緒論</b></p><p>　　1.1 故障診斷的意義</p><p>　　隨著科技日新月異的發(fā)展，現(xiàn)代化生產(chǎn)所用的生產(chǎn)裝置也趨向大型化、高速高效化、自動(dòng)化和連續(xù)化，人們對設(shè)備的要求不僅是性能好，效率高，還要求在運(yùn)行過程中無故障或少故障。生產(chǎn)設(shè)備運(yùn)行狀態(tài)的優(yōu)劣

34、直接影響著社會(huì)效益和經(jīng)濟(jì)效益。然而，這些高科技含量的設(shè)備難免出現(xiàn)程度不一的故障，輕者導(dǎo)致性能下降，重者則使其完全癱瘓，更有甚者會(huì)對人們的財(cái)產(chǎn)和生命安全造成無法估量的損失。因此開展設(shè)備狀態(tài)監(jiān)測與故障診斷技術(shù)研究，已成為當(dāng)前的重要課題。</p><p>　　故障診斷是根據(jù)設(shè)備運(yùn)行狀態(tài)信息查找故障源并確定相應(yīng)決策的一門綜合性的學(xué)科[1,2]。故障診斷技術(shù)的最終目的是避免故障(尤其是重大事故)的發(fā)生，保障人身和設(shè)備安全，

35、推動(dòng)設(shè)備維修制度改革，延長檢修周期，提高維修精度和速度，降低維修費(fèi)用，提高生產(chǎn)效率，獲得最佳經(jīng)濟(jì)效益。目前，許多大規(guī)模高精技術(shù)設(shè)備正在我國廣泛應(yīng)用，因此，對大型設(shè)備進(jìn)行檢測、診斷、控制，是保證設(shè)備正常運(yùn)行，充分發(fā)揮最大效益的關(guān)鍵環(huán)節(jié)。</p><p>　　本課題以CDLY-2006長期導(dǎo)流能力測試裝置中的平流泵為對象，著重研究BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法，以期為克服BP神經(jīng)網(wǎng)絡(luò)的自身缺點(diǎn)做出菲薄貢獻(xiàn)，并為平流泵提供

36、技術(shù)支撐。</p><p>　　1.2 故障診斷技術(shù)的研究現(xiàn)狀</p><p>　　簽于故障診斷在國民經(jīng)濟(jì)中的舉足輕重的作用，各國都將設(shè)備故障診斷作為一項(xiàng)重要的工作。早在20世紀(jì)60年代末，美國國家宇航局就創(chuàng)立了機(jī)械故障預(yù)防小組，英國也成立了機(jī)械保健中心，積極從事故障診斷技術(shù)的研究和開發(fā)。在旋轉(zhuǎn)機(jī)械故障診斷方面，首推美國西屋公司，它于1990年完成了網(wǎng)絡(luò)化的汽輪發(fā)電機(jī)組智能化故障診斷專家系

37、統(tǒng)。英國在核發(fā)電、鋼鐵和電力工業(yè)等方面都有提供診斷技術(shù)服務(wù)的相應(yīng)機(jī)構(gòu)。歐洲的一些國家也都在某些方面具有特色或占領(lǐng)先地位，如瑞典的軸承監(jiān)測技術(shù)，挪威的船舶診斷技術(shù)，丹麥的振動(dòng)診斷技術(shù)等等。</p><p>　　我國故障診斷技術(shù)的研究起步于20世紀(jì)70年代末期，20世紀(jì)80年代開始蓬勃發(fā)展，隨后在各領(lǐng)域分別確定了設(shè)備診斷的目標(biāo)、方向和試點(diǎn)單位。雖然我國設(shè)備診斷技術(shù)起步較晚，但發(fā)展速度還是比較快的，如西安交通大學(xué)的“大

38、型旋轉(zhuǎn)機(jī)械計(jì)算機(jī)狀態(tài)檢測與故障診斷系統(tǒng)”，哈爾濱工業(yè)大學(xué)的“機(jī)組振動(dòng)微機(jī)監(jiān)測和故障診斷系統(tǒng)”，東北大學(xué)的“風(fēng)機(jī)工作狀態(tài)監(jiān)測診斷系統(tǒng)”等。目前，故障診斷技術(shù)在我國的化工、冶金、電力、鐵路等行業(yè)得到了廣泛的應(yīng)用，并取得了可喜的成果[3]。</p><p>　　1.3 故障診斷方法概述</p><p>　　按照國際故障診斷權(quán)威P.M.Frank教授的觀點(diǎn)，故障診斷的方法可以劃分成三類：基于信號處

39、理的方法、基于解析模型的方法和基于知識的方法[4,5]。當(dāng)可以建立比較準(zhǔn)確的被控過程的數(shù)學(xué)模型時(shí)，基于解析模型的方法當(dāng)為首選；當(dāng)可以得到被控過程的輸入輸出信號，但很難建立被控對象的解析數(shù)學(xué)模型時(shí)，可采用基于信號處理的方法；當(dāng)很難建立被控對象的定量數(shù)學(xué)模型時(shí)，可采用基于知識的方法。</p><p>　　1．基于解析模型的方法</p><p>　　基于解析模型的診斷方法是最早發(fā)展起來的，它需要

40、建立被診斷對象的較為精確的數(shù)學(xué)模型，通常利用信號模型，如相關(guān)函數(shù)、頻譜、自回歸滑動(dòng)平均等，直接分析可測信號，提取諸如方差、幅值、頻率等特征值，從而檢測故障[6]。其主要內(nèi)容是統(tǒng)計(jì)分析、相關(guān)分析、頻譜分析、小波分析和模態(tài)分析等，其理論基礎(chǔ)是數(shù)理統(tǒng)計(jì)與隨機(jī)過程?；诮馕瞿Ｐ偷脑\斷方法具有深厚的理論基礎(chǔ)和較強(qiáng)的可實(shí)現(xiàn)性，因此在故障診斷領(lǐng)域占據(jù)重要地位。</p><p>　　基于解析模型的方法又可以分為參數(shù)估計(jì)方法、狀態(tài)

41、估計(jì)方法和等價(jià)空間方法。參數(shù)估計(jì)故障診斷方法的基本思想是把理論建模和參數(shù)辨識結(jié)合起來。當(dāng)故障能由參數(shù)的顯著變化來描述時(shí)，可利用已有的參數(shù)估計(jì)方法來檢測故障信息，根據(jù)參數(shù)的估計(jì)值與正常值之間的偏差情況來判定系統(tǒng)的故障情況。最小二乘法因其簡單實(shí)用且有極強(qiáng)的魯棒性成為參數(shù)估計(jì)的首選方法。狀態(tài)估計(jì)方法的基本思想是：首先重構(gòu)被控過程的狀態(tài)，通過與可測變量比較而構(gòu)成殘差序列，再構(gòu)造適當(dāng)?shù)哪Ｐ筒⒂媒y(tǒng)計(jì)檢驗(yàn)法，從殘差序列中把故障檢測出來。它要求系統(tǒng)可觀

42、測或者部分可觀測，通常用Luenberger觀測器及卡爾曼濾波器進(jìn)行狀態(tài)估計(jì)。等價(jià)空間方法的實(shí)質(zhì)是把測量信息分類，得到最一致的冗余數(shù)據(jù)子集，用于系統(tǒng)的狀態(tài)估計(jì)，并識別出最不一致的冗余數(shù)據(jù)，即可能發(fā)生故障的數(shù)據(jù)。</p><p>　　2．基于信號處理的方法</p><p>　　這類方法不需要對象的準(zhǔn)確數(shù)學(xué)模型，而直接利用信號模型，如相關(guān)函數(shù)，高階統(tǒng)計(jì)量，頻譜和自回歸滑動(dòng)平均過程，以及現(xiàn)在熱門

43、的小波分析技術(shù)等來檢測故障，因此適用性較強(qiáng)。</p><p>　　基于信號處理的方法又可分為直接測量系統(tǒng)輸入輸出方法、基于小波變換的方法、輸出信號處理方法、信息匹配診斷法、基于信息融合的方法、信息校核方法等[7]。目前應(yīng)用的較多的是基于小波變換的方法和基于信息融合的方法。呂伯權(quán)、谷勇等人提出了兩種針對信號在多尺度的小波變換下不同表現(xiàn)行為的特點(diǎn)及利用小波網(wǎng)絡(luò)進(jìn)行系統(tǒng)故障診斷的方法。</p><p

44、><b>　　3．基于知識的方法</b></p><p>　　基于知識的方法與基于信號處理的方法類似，也不需要系統(tǒng)的定量數(shù)學(xué)模型，但它克服了基于信號處理方法的缺點(diǎn)，引入了診斷對象的許多信息，特別是可以充分利用專家診斷知識等，尤其在非線性系統(tǒng)領(lǐng)域，是一種很有前途的方法?；谥R的方法還可以分為基于癥狀的方法和基于定性模型的方法?；诎Y狀的方法包括專家系統(tǒng)方法、模式識別方法、模糊推理方法和

45、神經(jīng)網(wǎng)絡(luò)方法。其中，神經(jīng)網(wǎng)絡(luò)方法是近年來研究得很多的一種有效的基于癥狀的方法。神經(jīng)網(wǎng)絡(luò)具有的自學(xué)習(xí)、并行處理、全局作用的能力，使得它在處理非線性問題和在線估計(jì)方面有著很強(qiáng)的優(yōu)勢。另外，模糊推理、定性觀測器等方法善于處理不確定、不準(zhǔn)確的知識，符合人的自然推理過程，它們與神經(jīng)網(wǎng)絡(luò)結(jié)合，有著巨大的應(yīng)用前景[4,5]?；诙ㄐ阅Ｐ偷姆椒òǘㄐ杂^測器、定性仿真、知識觀測器等。</p><p>　　1.4 MATLAB仿真

46、平臺(tái)簡介</p><p>　　美國Mathwork公司于1967年推出了“Matrix Laboratory”（縮寫為Matlab）軟件包， 它是支持從概念設(shè)計(jì)、算法開發(fā)、建模仿真到實(shí)時(shí)實(shí)現(xiàn)的理想的集成環(huán)境。MATLAB長于數(shù)值計(jì)算，能處理大量的數(shù)據(jù)，而且效率比較高。它的出現(xiàn)，不僅使科研和工程工作者克服了做大量的數(shù)學(xué)計(jì)算（包括矩陣計(jì)算）的困難，而且，它以豐富的函數(shù)庫使開發(fā)者省去了大量的重復(fù)編程工作。</p&

47、gt;<p>　　MATLAB被稱為第四代計(jì)算機(jī)語言，它有不同于其他高級語言的特點(diǎn)：1．編程效率高；2．用戶使用方便；3．?dāng)U充能力強(qiáng)，交互性好；4．移植性、開放性好；5.語句簡單，內(nèi)涵豐富；6．高效方便的矩陣和數(shù)組運(yùn)算；7．方便的繪圖功能。</p><p>　　MATLAB是一套強(qiáng)有力的計(jì)算機(jī)應(yīng)用軟件，該軟件自推向市場以來，經(jīng)過近二十年的不斷發(fā)展與更新，現(xiàn)已成為國際公認(rèn)的優(yōu)秀科技應(yīng)用軟件，加上其發(fā)展

48、的過程中融入了一些專業(yè)性的理論知識，從而出現(xiàn)了功能強(qiáng)大的MATLAB配套工具箱，如模糊邏輯工具箱（Fuzzy Logic Control）、小波工具箱（Wavelet Toolbox）、神經(jīng)網(wǎng)絡(luò)工具箱（Neural Network Toolbox）、圖形化的系統(tǒng)模型設(shè)計(jì)與仿真環(huán)境（Simulink）等。由于它無需定義數(shù)組的維數(shù)，并給出矩陣函數(shù)、特殊矩陣專門的庫函數(shù)，使之在求解諸如信號處理、建模、系統(tǒng)識別、控制、 優(yōu)化等領(lǐng)域的問題

49、時(shí)，顯得大為簡捷、高效、方便，這是其它高級語言所不能比擬的[8]。</p><p>　　本文的故障診斷仿真工作就是在MATLAB平臺(tái)上完成的。</p><p>　　1.5 論文的研究內(nèi)容</p><p>　　本文著重研究神經(jīng)網(wǎng)絡(luò)的故障診斷方法。</p><p>　　CDLY-2006長期導(dǎo)流能力測試裝置是油田井下作業(yè)中支撐劑評價(jià)實(shí)驗(yàn)不可或缺的

50、設(shè)備之一。在該裝置中，平流泵是驅(qū)遣液體的動(dòng)力源，它的工作狀況直接影響到整個(gè)實(shí)驗(yàn)的成敗。因此，本文針對該測試裝置中的平流泵展開故障診斷的研究。</p><p>　　本文首先選取合適的小波函數(shù)，對信號做小波包降噪處理，又采用小波包分解與重構(gòu)技術(shù)，實(shí)現(xiàn)故障能量特征向量的提取。然后將特征向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量，通過對樣本的訓(xùn)練學(xué)習(xí)，使之對不同類別的故障數(shù)據(jù)得到設(shè)定的不同輸出。最后用這個(gè)網(wǎng)絡(luò)來識別未知的樣本，根據(jù)各

51、樣本所對應(yīng)的網(wǎng)絡(luò)輸出情況來劃分未知樣本的類別，從而達(dá)到故障診斷的目的。</p><p>　　鑒于傳統(tǒng)的BP算法難于確定網(wǎng)絡(luò)結(jié)構(gòu)和初始參數(shù)以及容易陷入極小值等缺陷，本文研究設(shè)計(jì)了GA+BP算法。它是用遺傳算法首先對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行前期優(yōu)化，以確定網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)及該結(jié)構(gòu)對應(yīng)的初始權(quán)值、閾值和學(xué)習(xí)速率，然后用得到的最優(yōu)網(wǎng)絡(luò)對平流泵進(jìn)行故障診斷，以期達(dá)到較BP神經(jīng)網(wǎng)絡(luò)有著更高診斷正確率和更優(yōu)訓(xùn)練性能等效果。</

52、p><p>　　1.6 論文的組織結(jié)構(gòu)</p><p>　　論文的章節(jié)安排如下：</p><p>　　第1章對故障診斷的意義，故障診斷技術(shù)的研究現(xiàn)狀，故障診斷方法，以及MATLAB仿真平臺(tái)作了概述，并介紹了論文的研究內(nèi)容和論文的組織結(jié)構(gòu)。</p><p>　　第2章主要介紹了本文用于故障診斷的數(shù)據(jù)的采集方法。</p><p&g

53、t;　　第3章在分析了小波函數(shù)的眾多性質(zhì)并參考工程經(jīng)驗(yàn)的基礎(chǔ)上，選擇了適于本文信號處理的小波函數(shù)，并用該函數(shù)對信號做小波包降噪、小波包分解與重構(gòu)，從而提取了故障的能量特征向量，為以后的BP神經(jīng)網(wǎng)絡(luò)故障診斷工作打下基礎(chǔ)。</p><p>　　第4章首先設(shè)計(jì)了BP神經(jīng)網(wǎng)絡(luò)，包括網(wǎng)絡(luò)層數(shù)、輸入、輸出層的節(jié)點(diǎn)數(shù)和各層的激活函數(shù)，以隱含層節(jié)點(diǎn)數(shù)經(jīng)驗(yàn)公式為基礎(chǔ)，用試測的方法得到了隱含層節(jié)點(diǎn)數(shù)，并確定了網(wǎng)絡(luò)的初始權(quán)值和閾值，最

54、后將該BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于平流泵的故障診斷。</p><p>　　第5章研究設(shè)計(jì)了GA+BP算法，它是用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，得到了網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)以及該結(jié)構(gòu)對應(yīng)的最優(yōu)的權(quán)值、閾值和網(wǎng)絡(luò)的學(xué)習(xí)速率，然后將GA+BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于平流泵的故障診斷。</p><p>　　第6章總結(jié)全文，并展望未來的研究工作。</p><p>　　第2章 故障信號的采集</p>

55、;<p><b>　　2.1 儀器簡介</b></p><p>　　CDLY-2006長期導(dǎo)流能力測試裝置是油田井下作業(yè)中支撐劑評價(jià)實(shí)驗(yàn)不可或缺的設(shè)備之一，它主要用來測量在一定閉合壓力下不同支撐劑的導(dǎo)流能力。 儀器原理為：使用一臺(tái)液壓機(jī)提供閉合壓力，該壓力作用于平板夾持器上（長期導(dǎo)流需經(jīng)過足夠的時(shí)間讓支撐劑達(dá)到半穩(wěn)定狀態(tài)），然后讓測試液體（或氣體）流過支撐劑層，測出不

56、同壓力條件下的裂縫寬度、壓差及流速，最后用達(dá)西定律計(jì)算出支撐劑的滲透率及裂縫導(dǎo)流能力。</p><p>　　儀器的主要功能有以下三點(diǎn)：1.測量不同閉合壓力下支撐劑的導(dǎo)流能力；2. 通過對不同來源的支撐劑進(jìn)行優(yōu)選和質(zhì)量控制，優(yōu)選出最佳導(dǎo)流能力的支撐劑；3. 預(yù)測支撐劑在地層上覆壓力下的導(dǎo)流能力大小。</p><p><b>　　2.2實(shí)驗(yàn)方案設(shè)計(jì)</b></p&g

57、t;<p>　　在CDLY-2006長期導(dǎo)流能力測試裝置中配備了美國III型SSI平流泵。平流泵是驅(qū)遣液體的動(dòng)力源，它的工作狀況直接影響到整個(gè)實(shí)驗(yàn)的成敗。因此，觀察平流泵的運(yùn)行狀態(tài)，及時(shí)發(fā)現(xiàn)故障信息并查找故障源，則顯得尤為重要。本文就是將該測試裝置中的平流泵作為對象展開故障診斷的研究的。</p><p>　　2.2.1 實(shí)驗(yàn)裝置構(gòu)成</p><p>　　CDLY-2006長期

58、導(dǎo)流能力測試裝置是一個(gè)復(fù)雜的自動(dòng)化系統(tǒng)，在不破壞其整體流程的前提下，搭建了如圖2-1所示的實(shí)驗(yàn)裝置。該系統(tǒng)包括三個(gè)部分：</p><p>　　1. 注入系統(tǒng)：包括一臺(tái)美國III型SSI平流泵，裝工作液的中間容器，以及配置2L的有機(jī)玻璃容器。其中，平流泵的流量范圍是0.01～9.99ml/min，壓力范圍是0～40Mpa，流量可調(diào)且恒流輸出。</p><p>　　2. 數(shù)據(jù)采集與處理系統(tǒng)：包

59、括兩支壓力傳感器、研華PCI-1710模擬信號多功能處理板、研華PCLD-8710模擬信號輸入調(diào)理板和計(jì)算機(jī)。兩支壓力傳感器分別接在平板夾持器的上游和下游，其量程范圍是0～25MPa，輸出電信號為4～20 mA。PCI-1710是一款PCI總線的多功能數(shù)據(jù)采集卡，提供了16路單端或8路差分模擬量輸入，或組合方式輸入，采樣速率可達(dá) 100 ks/s。PCLD-8710是支持PCI-1710卡，且能在惡劣環(huán)境中可靠安裝的工業(yè)級端子板。<

60、;/p><p>　　3. 出流系統(tǒng)：包括燒杯和天平。選用德國賽多利斯BS2202S天平，它的量程范圍是0～2200g，分辨率為0.01g。所用到的RS-232通信線連接到計(jì)算機(jī)的COM口，可用Windows XP自帶的超級終端測試天平是否能夠與計(jì)算機(jī)通信。</p><p>　　2.2.2應(yīng)用軟件介紹</p><p>　　應(yīng)用軟件使用VB.NET編寫，其特點(diǎn)主要有：<

61、;/p><p>　　(1) 采用了結(jié)構(gòu)化、模塊化的程序設(shè)計(jì)方法，程序結(jié)構(gòu)清晰，模塊功能明確。</p><p>　　(2) 使用按扭式漢字下拉菜單，使操作更加方便快捷。</p><p>　　(3) 所有輸入和提示都使用窗口式的對話框，對于錯(cuò)誤的操作會(huì)給出警告并提示該如何操作。</p><p>　　軟件的主要模塊有：零點(diǎn)校正窗體、系統(tǒng)自檢窗體、實(shí)驗(yàn)測

62、試窗體、數(shù)據(jù)處理窗體、結(jié)束實(shí)驗(yàn)窗體。它們的功能分別為：</p><p>　　零點(diǎn)校正窗體來完成壓力傳感器的零點(diǎn)校正。</p><p>　　系統(tǒng)自檢窗體可以查看設(shè)備的硬件、軟件是否都工作正常(正常的情況下，所有的傳感器應(yīng)該顯示正確的測量值)。</p><p>　　實(shí)驗(yàn)測試窗體用來實(shí)時(shí)顯示采集到的信息，并將采集的數(shù)據(jù)和計(jì)算的結(jié)果存入Access數(shù)據(jù)庫。用戶在進(jìn)行實(shí)驗(yàn)之前

63、，自行定義一個(gè)實(shí)驗(yàn)名稱，系統(tǒng)就會(huì)以實(shí)驗(yàn)名稱作為文件名，建立一個(gè)Access數(shù)據(jù)庫。</p><p>　　數(shù)據(jù)處理窗體能按照用戶的要求，顯示某次實(shí)驗(yàn)的數(shù)據(jù)，并根據(jù)需要打印輸出相應(yīng)的數(shù)據(jù)和曲線。</p><p>　　結(jié)束實(shí)驗(yàn)窗體可以停止應(yīng)用軟件的執(zhí)行，回到windows操作系統(tǒng)狀態(tài)下。</p><p>　　2.3故障信號的數(shù)據(jù)采集</p><p>

64、;　　根據(jù)平流泵的工作原理和技術(shù)人員的經(jīng)驗(yàn)知，平流泵常見有管路中存在氣泡、出口處堵塞、流程泄漏等故障，而系統(tǒng)的壓力則可以較真實(shí)的反應(yīng)這些故障。因此，本文取平板夾持器的上、下游壓力作為測點(diǎn)，壓力信號由PCI-1710采集。</p><p>　　實(shí)驗(yàn)時(shí)，系統(tǒng)加5MPa回壓，并設(shè)定平流泵排量為5ml/min，將每種工作狀態(tài)的信號分別采集30組，每組200個(gè)數(shù)據(jù)點(diǎn)。數(shù)據(jù)采集的實(shí)驗(yàn)步驟如下：</p><

65、p>　　1. 原始檢漏各管路。檢漏方法：關(guān)閉所有截止閥門，將系統(tǒng)憋壓至一定壓力，觀察管路的各個(gè)接頭部分，查看是否有泄漏情況發(fā)生。若有，需要將系統(tǒng)壓力泄掉以后，再緊固泄漏的部位。</p><p>　　2. 啟動(dòng)應(yīng)用軟件，進(jìn)入“系統(tǒng)自檢”窗體，檢查傳感器是否工作正常。</p><p>　　3. 打開上游截止閥門、下游截止閥門，在管路暢通且連通大氣的情況下，對上游壓力傳感器、下游壓力傳感器

66、進(jìn)行零點(diǎn)校正。壓力零點(diǎn)校正需在系統(tǒng)充分放空以后進(jìn)行。</p><p>　　4. 設(shè)定平流泵排量為5ml/min，采集平流泵正常工作狀態(tài)時(shí)的數(shù)據(jù)，模擬管路中存在氣泡、出口處堵塞、流程泄漏時(shí)的工作狀態(tài)，分別采集三種故障狀態(tài)時(shí)的數(shù)據(jù)。</p><p>　　5. 實(shí)驗(yàn)結(jié)束時(shí)，先停止平流泵，然后關(guān)閉截止閥。</p><p>　　這里需要說明的是，各組數(shù)據(jù)均只采集了200個(gè)數(shù)據(jù)

67、點(diǎn)，這是因?yàn)橄到y(tǒng)故障是人為模擬出來的，并非真正的系統(tǒng)故障，因此為了不對系統(tǒng)造成損壞，實(shí)驗(yàn)人員需要在短時(shí)間內(nèi)使其恢復(fù)正常。</p><p>　　第3章 小波分析及信號處理</p><p>　　3.1 小波分析在信號處理中的應(yīng)用現(xiàn)狀</p><p>　　近年來，國內(nèi)涌現(xiàn)出大量的關(guān)于小波應(yīng)用的文獻(xiàn)。魏海和沈蘭蓀對反對稱雙正交小波所具有的多尺度邊緣提取能力進(jìn)行了理論分析，提

68、出了一種反對稱雙正交小波變換域內(nèi)的多尺度邊緣提取算法，并通過實(shí)驗(yàn)進(jìn)行了驗(yàn)證，該結(jié)果為在基于小波變換的壓縮數(shù)據(jù)域內(nèi)利用邊緣信息實(shí)現(xiàn)圖像檢索提供了依據(jù)[9]。胡戰(zhàn)虎根據(jù)圖像的小波系數(shù)具有很強(qiáng)的非高斯統(tǒng)計(jì)特性這一特點(diǎn)，對小波系數(shù)建立了推廣的拉普拉斯先驗(yàn)分布，用貝葉斯估計(jì)對圖像小波系數(shù)濾波以達(dá)到降噪目的，由于正交小波的正交性質(zhì)能夠保證白噪聲干擾圖像的小波系數(shù)所包含的噪聲是白色的，因此基于正交小波變換的貝葉斯估計(jì)有較好的降噪性能[10]。王衛(wèi)衛(wèi)等

69、提出一種小波域相位水印算法，利用二進(jìn)小波變換刻畫圖像的邊緣和紋理，直接在邊緣的相位成分中嵌入數(shù)字水印，水印檢測則利用相關(guān)的檢測器。實(shí)驗(yàn)證明，水印具有不可見性，對通常的圖像處理，如JPEG壓縮、剪切、縮放、中值濾波等以及噪聲干擾都具有很強(qiáng)的魯棒性[11]。趙育良、趙友庚等提出了一種基于小波變換的復(fù)雜航空照片的目標(biāo)邊緣自動(dòng)提取的新方法。該方法利用了小波變換，因而具有良好的噪聲抑制能力及完備的邊緣保持能力，在計(jì)算機(jī)自動(dòng)判讀系統(tǒng)的目標(biāo)邊緣提取中

70、有</p><p>　　在國外，小波變換的各種應(yīng)用研究依然是熱點(diǎn)。Turkheimer.F.E.建立了一組基于小波變換的濾波器，這組濾波器用于動(dòng)態(tài)X光斷層掃描圖像的處理，使得斷層掃描圖像序列的時(shí)空建模問題簡化為一個(gè)經(jīng)典的多維向量估計(jì)問題，而多維向量估計(jì)問題可以用各種經(jīng)典的解法直接求解[16]。Barmada.S.將小波變換用于傳輸線性方程頻域形勢的分析。他將頻域傳輸方程擴(kuò)展到一組小波基上，生成小波域里的一組代數(shù)方

71、程，從而可以利用一些基本技術(shù)來求解，這樣可以使求解過程中的矩陣是稀疏的，并且階次降低。這種方法可以使得問題的求解迅速而且所占內(nèi)存少[17]。Menegaz.G.將小波變換用于醫(yī)療圖像的三維編碼和二維解碼，雖使編碼效率大大提高，但并沒有解決復(fù)雜度的問題[18]。Mensah-Bonsu.C.將harr小波變換和最小方差估計(jì)用于差分GPS的信號處理中，從而可以滿足某些指標(biāo)更高精度的要求[19]。小波變換是非平穩(wěn)信號研究的有力工具，Gouma

72、s.S.K.將小波變換用于清洗機(jī)械振動(dòng)突變的監(jiān)測，尤其是起機(jī)階段的監(jiān)測。這種方法能有效的提取振動(dòng)信號的突變特征，供識別系統(tǒng)進(jìn)行診斷[20]。</p><p>　　3.2 小波分析理論</p><p>　　小波變換（Wavelet Transform）是一種信號的時(shí)間——頻率分析方法，它具有多分辨率分析（Multi-Resolution Analysis)的特點(diǎn)，而且在時(shí)域和頻域都具有表征信

73、號局部特征的能力，是一種時(shí)間窗和頻率窗都可以改變的時(shí)頻局部化分析方法。它可以根據(jù)頻率的高低使時(shí)頻窗口變窄或變寬，即在低頻部分具有較高的頻率分辨率和較低的時(shí)間分辨率，在高頻部分具有較高的時(shí)間分辨率和較低的頻率分辨率，很適合于探測正常信號中夾帶的瞬態(tài)反?，F(xiàn)象并展示其成分，并被譽(yù)為分析信號的“顯微鏡”[21]。</p><p>　　3.2.1小波分析的基本概念及特點(diǎn)</p><p>　　設(shè)，（表

74、示平方可積的實(shí)數(shù)空間，即能量有限的信號空間），其傅里葉變換為。當(dāng)滿足條件</p><p><b>　　(3-1)</b></p><p>　　時(shí)，稱為一個(gè)基本小波或母小波。式(3-1)為小波函數(shù)的可容許條件。</p><p>　　由小波的定義可知它有兩個(gè)特點(diǎn)：一是“小”，即在時(shí)頻兩域都具有緊支集或近似緊支集；二是正負(fù)交替的“波動(dòng)性”，也即直流分

75、量為零。</p><p>　　將小波母函數(shù)經(jīng)伸縮和平移后，就可以得到一個(gè)小波序列</p><p>　　= R， (3-2)</p><p>　　式中變量a為尺度因子，反映一個(gè)特定基函數(shù)的尺度（寬度），b為平移因子，指明它沿x軸的平移位置，二者都是連續(xù)變化的值，因此我們稱為連續(xù)小波函數(shù)基或小波。</p><p>

76、;　　3.2.2 多分辨率分析</p><p>　　我們把平方可積的函數(shù)看成是某一逐級逼近的極限情況。每級逼近都是用某一低通平滑函數(shù)對做平滑的結(jié)果，在逐級逼近時(shí)平滑函數(shù)也做逐級伸縮，這就是“多分辨率分析”，即用不同的分辨率來逐級逼近分析函數(shù)。</p><p>　　以圖3-1所示的信號的三層小波多分辨率分析為例。圖中， A表示低頻，D表示高頻，數(shù)字表示層數(shù)。由圖可知，多分辨率分析只是對低頻部

77、分做進(jìn)一步分解，而高頻部分則不予以考慮。其分解關(guān)系為：</p><p><b>　　(3-3)</b></p><p>　　設(shè)表示圖中分解的低頻部分A，表示分解中的高頻部分D，則空間為信號在關(guān)于的正交補(bǔ)空間，即</p><p><b>　　(3-4)</b></p><p>　　很明顯，多分辨率分析

78、的子空間可以用有限個(gè)子空間來逼近，即有</p><p><b>　　(3-5)</b></p><p>　　這種剖析方式使得空間和空間正交，各個(gè)之間也是正交的。</p><p>　　若函數(shù)使它的整個(gè)平移系構(gòu)成的規(guī)范正交基，則稱為尺度函數(shù)（Scaling Function），相應(yīng)的空間叫做尺度空間，并且。同樣，對于函數(shù)使構(gòu)成的規(guī)范正交基，稱為小波

79、函數(shù)，相應(yīng)的空間叫做小波空間，并且。 </p><p><b>　　3．3 小波包分析</b></p><p>　　3.3.1 小波包的定義 </p><p>　　對于給定的正交尺度函數(shù)和小波函數(shù)，其二尺度關(guān)系為：</p><p><b>　　(3-6)</b></p><p&g

80、t;<b>　　(3-7)</b></p><p>　　其中，，它們是多分辨率分析中的濾波器系數(shù)。當(dāng)時(shí)，，。以上定義的函數(shù)集合為由所確定的小波包，由此，小波包是包括尺度函數(shù)和小波母函數(shù)在內(nèi)的一個(gè)具有一定聯(lián)系的函數(shù)的集合。</p><p>　　3.3.2 小波包的子空間分解</p><p>　　引入符號和（），由多分辨率分析可知（）。將其推廣到小

81、波包，為便于比較，用表示，因此小波包空間分解為：</p><p><b>　　(3-8)</b></p><p>　　因?yàn)閷?yīng)著小波分解，所以我們只考慮和。遞推下去得小波包分解的一般表達(dá)式為</p><p><b>　　(3-9)</b></p><p><b>　　……</b>

82、;</p><p>　　3.3.3 小波包的分解與重構(gòu)算法</p><p>　　由小波包的空間分解，我們可以得到，小波包系數(shù)遞推公式為：</p><p><b>　　(3-10)</b></p><p><b>　　(3-11)</b></p><p>　　所以小波包的重建公

83、式為：</p><p><b>　　(3-12)</b></p><p>　　三層小波包分解的示意圖如圖3-2所示。圖中，A表示低頻，D表示高頻，數(shù)字表示分解的層數(shù)。因此三層小波包分解具有關(guān)系：</p><p><b>　　(3-13)</b></p><p>　　綜上所述，雖然多分辨率分析是一種有

84、效的時(shí)頻分析方法，但它每次只對信號的低頻部分進(jìn)行分解，高頻部分保留不動(dòng)。小波包變換對此進(jìn)行了改進(jìn)，它可以同時(shí)在低頻和高頻部分進(jìn)行分解，且各頻帶既不交疊，也無遺漏。它將有限頻帶細(xì)分為若干頻帶的組合，對高頻局部信號提高了分解能力，也就是更大的提高了時(shí)頻分辨率，因此，小波包分析是小波分析的改進(jìn)和發(fā)展[22]。本文將利用小波包的優(yōu)勢和特性，對大量數(shù)據(jù)進(jìn)行小波包分析，從而為神經(jīng)網(wǎng)絡(luò)的故障診斷做好前期工作。</p><p>

85、　　3.4 小波基函數(shù)的選擇</p><p>　　小波基函數(shù)的選擇直接關(guān)系到信號處理效果的好壞以及特征信號提取的成敗。目前，在小波基函數(shù)的選擇方面主要依據(jù)各種小波函數(shù)的性質(zhì)，主要有：</p><p>　?。?）消失矩：它的物理意義可以看作是利用小波函數(shù)逼近某一個(gè)信號時(shí)的收斂率。理論上，消失矩的階數(shù)越大，小波變換反映信號高頻細(xì)節(jié)的能力也越強(qiáng)。</p><p>　?。?

86、）正則性：它表現(xiàn)為小波基的可微性。它在對信號或圖像的重構(gòu)獲得較好的平滑效果作用上是非常有用的。若重構(gòu)時(shí)小波基不夠光滑，則引入的誤差將關(guān)系到頻率分辨率的高低。</p><p>　?。?）緊支性：緊支集關(guān)系到有無優(yōu)良的時(shí)頻局部特性，緊支寬度越窄或衰減越快，小波的局部化特性越好。對信號作小波變換時(shí)，要求小波在時(shí)域和頻域都具有緊支性或急衰性，而且需要緊支寬度窄或者衰減速度快。</p><p>　　

87、（4）對稱性：它關(guān)系到小波的濾波特性是否具有線性相位，這與失真問題密切相關(guān)。</p><p>　　表3-1中列出了幾種常見小波基函數(shù)的性質(zhì)[23,24,25]。這四個(gè)性質(zhì)對于信號分析有著一定的影響，但在選擇時(shí)還要將這些參數(shù)與工程信號相結(jié)合[26]。</p><p>　　運(yùn)用小波包進(jìn)行時(shí)頻分析時(shí)，要求能夠提取非平穩(wěn)信號的瞬時(shí)、奇異與突變成分，即提取有限頻帶上的信息，也就是在特定尺度上進(jìn)行小波

88、變換。因此，選擇小波函數(shù)時(shí)，考慮時(shí)頻兩域的緊支撐尤為重要[27]。考察故障信號可以發(fā)現(xiàn)，它們是不平滑的曲線，因此，小波函數(shù)的正則性也應(yīng)著重考慮。為了能夠更加精確的重構(gòu)，則需選擇正交性的小波基函數(shù)。</p><p>　　工程實(shí)踐經(jīng)驗(yàn)告訴我們，小波因其具有正交、時(shí)頻緊支撐等特點(diǎn)，在信號處理領(lǐng)域大受歡迎。小波是由世界著名的小波分析學(xué)者Inrid Daubechies構(gòu)造的小波函數(shù)，即Daubechies小波，我們一般簡

89、寫成，是小波的階數(shù)。Daubechies小波具有以下特點(diǎn)：</p><p>　?。?）在時(shí)域上是有限支撐的，即長度有限。而且其高階原點(diǎn)矩，～；值越大，的長度就越長。在頻域上在處有階原點(diǎn)，的消失矩為。</p><p>　?。?）和它的整數(shù)位移正交歸一，即。</p><p>　?。?）小波函數(shù)可以由所謂“尺度函數(shù)”求出來。尺度函數(shù)為低通函數(shù)，長度有限，支撐域在～范圍內(nèi)。

90、</p><p>　　的小波函數(shù)和尺度函數(shù)中的支撐區(qū)為，因此越小，它的局部化特性好。文獻(xiàn)[22]中指出，在小波變換過程中，如果信號所含波形與所選取的小波函數(shù)形狀相近，那么這個(gè)信號中所包含的與小波函數(shù)波形相近部分的信號特征將被放大，而不同形狀特征的其他部分信號將被抑止。而小波變換后的小波系數(shù)表明了小波與被處理信號之間的相似程度，如果系數(shù)比較大，就表明小波與信號的波形相似度較大，反之則相似度較小。綜合考慮、、、幾種小

91、波，本文選用小波進(jìn)行信號分析。</p><p>　　3.5 信號的小波包降噪</p><p>　　3.5.1 小波包降噪的方法和步驟</p><p>　　含噪的一維信號模型可以表示為如下形式：</p><p><b>　　(3-14)</b></p><p>　　其中，為含噪信號，為有用信號，為噪

92、聲信號，為噪聲信號的偏差。降噪的目標(biāo)是從被污染的測量信號中恢復(fù)有用信號。</p><p>　　小波包降噪的步驟為：</p><p>　?。?）信號的小波包分解。選擇小波函數(shù)并確定分解的層數(shù)，然后對信號進(jìn)行小波包分解。</p><p>　?。?）小波包分解高頻系數(shù)的閾值量化。對每一個(gè)小波包分解系數(shù)，選擇一個(gè)恰當(dāng)?shù)拈撝?，并對系?shù)進(jìn)行閾值量化處理。</p>

93、<p>　　（3）信號的小波包重構(gòu)。根據(jù)最低層的小波包分解系數(shù)和經(jīng)過量化處理的系數(shù)進(jìn)行小波包重構(gòu)。</p><p>　　小波包降噪處理的方法一般有以下三種[22]：</p><p>　?。?）強(qiáng)制降噪處理：該方法把小波分解結(jié)構(gòu)中的高頻系數(shù)全部變?yōu)?，然后再對信號進(jìn)行重構(gòu)處理。該方法比較簡單，且重構(gòu)后的信號也比較平滑，但容易丟失信號的有用成分。</p><p&g

94、t;　?。?）默認(rèn)閾值降噪處理：該方法利用函數(shù)產(chǎn)生的默認(rèn)閾值對信號降噪。</p><p>　　（3）給定軟（或硬）閾值降噪處理：該方法利用實(shí)際降噪處理過程中的經(jīng)驗(yàn)公式給出閾值，通常比默認(rèn)閾值方法更有可信度。</p><p>　　3.5.2 降噪效果的評價(jià)標(biāo)準(zhǔn)</p><p>　　為了比較各種降噪方法的性能，需要設(shè)定降噪效果評價(jià)標(biāo)準(zhǔn)。在信號處理中，信噪比（SNR）和均

95、方根誤差（RMSE）是最常用的兩種衡量信號降噪有效性的指標(biāo)。除此之外，還有一個(gè)判定有用信號失真情況的指標(biāo)——峰值誤差，這個(gè)指標(biāo)來考察降噪后峰值信號的失真程度[28,29]。</p><p>　?。?）信噪比（SNR）</p><p>　　若將原始信號作為標(biāo)準(zhǔn)信號，則降噪后的估計(jì)信號的信噪比（SNR）公式定義為：</p><p><b>　　(3-15)&l

96、t;/b></p><p>　　其中，為離散采樣信號的長度。</p><p>　?。?）均方根誤差（RMSE）</p><p>　　原始信號與估計(jì)信號之間的均方根誤差（RMSE）定義如下：</p><p><b>　　(3-16)</b></p><p>　　其中，為離散采樣信號的長度。&l

97、t;/p><p><b>　?。?）峰值誤差（）</b></p><p><b>　　(3-17)</b></p><p>　　其中，和分別為真實(shí)信號和降噪后信號的峰值。</p><p>　　信號的信噪比越高，原始信號與估計(jì)信號的均方根誤差越小。同時(shí)，峰值誤差越接近于零，估計(jì)信號就越接近于原始信號，降噪

98、效果越好[30]。</p><p>　　3.5.3 故障信號的小波包降噪 </p><p>　　本文通過評價(jià)一組系統(tǒng)正常工作信號的小波包降噪效果，來決定對所有信號降噪的方法。原始信號如圖3-3所示，強(qiáng)制降噪、默認(rèn)閾值降噪、給定硬閾值、軟閾值降噪后的信號分別如圖3-4、圖3-5、圖3-6、圖3-7所示。</p><p>　　本文中，默認(rèn)閾值降噪的閾值由MATLAB中

99、自帶的小波函數(shù)wpbmpen產(chǎn)生；給定閾值降噪的閾值采用Donoho提出估計(jì)閾值水平：</p><p><b>　　(3-18)</b></p><p>　　式中，表示估計(jì)的閾值水平，是信號長度，是信號的標(biāo)準(zhǔn)方差[21]。</p><p>　　比較圖3-4、圖3-5、圖3-6和圖3-7可以看出，強(qiáng)制降噪處理丟失了原始信號的大量的有用成分，默認(rèn)閾

100、值降噪和給定軟、硬閾值降噪三種方法相對來說較好的保留了有用信息。</p><p>　　三種方法降噪的性能對比如表3-2所示。由表3-2知，硬閾值降噪效果的性能比其他三種方法的都要好一些。因此，本文將采用給定硬閾值降噪方法對120組信號分別進(jìn)行降噪處理。</p><p>　　3.6 故障信號的特征提取</p><p>　　當(dāng)系統(tǒng)發(fā)生故障時(shí)，其輸出信號能量的空間分布與正

101、常系統(tǒng)輸出相比會(huì)發(fā)生相應(yīng)的變化，即輸出能量中包含著豐富的故障特征信息。因此，本文采用從信號能量在各個(gè)子空間的分布來提取故障特征值，即利用小波包分解，原信號的能量被分解到個(gè)正交頻帶上，在多層分解后的不同頻帶內(nèi)分析信號，使本不明顯的信號頻率特征在不同分辨率的若干個(gè)子空間中以顯著的能量形式表現(xiàn)出來?；谛〔ò墓收咸卣魈崛》椒ǖ闹饕襟E如下：</p><p>　　1. 故障信號的歸一化處理：</p>&l

102、t;p>　　為了減小各數(shù)據(jù)之間的相互影響，首先對故障數(shù)據(jù)進(jìn)行歸一化處理。數(shù)據(jù)歸一化方法為：</p><p><b>　　(3-20)</b></p><p>　　式中，表示原始數(shù)據(jù)，表示歸一化后的數(shù)據(jù)，和分別表示同一個(gè)輸入節(jié)點(diǎn)的所有數(shù)據(jù)中的最大值和最小值。</p><p>　　2. 將信號進(jìn)行N層小波包分解，以分別表示第N層低頻到高頻個(gè)頻

103、帶的分解系數(shù)向量，得到第N層從低頻到高頻個(gè)頻帶的特征信號，j=1,2,…, 。</p><p>　　3. 求各頻帶信號的能量：</p><p><b>　　。(3-21)</b></p><p>　　4. 構(gòu)造特征向量。首先對進(jìn)行歸一化處理：</p><p>　　，

104、 (3-22)</p><p>　　則可由此確定能量特征向量為[22]。</p><p>　　本文采用三層小波包分解，對120組數(shù)據(jù)分別提取了能量特征向量。將四種工作狀態(tài)下的任意一組數(shù)據(jù)的能量特征向量的柱狀圖示于圖3-8。</p><p>　　第4章 BP神經(jīng)網(wǎng)絡(luò)及在故障診斷中的應(yīng)用</p><p>　　4.1 人工神經(jīng)網(wǎng)絡(luò)在故障診斷中的

105、應(yīng)用現(xiàn)狀</p><p>　　人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, 簡稱ANN）是生物神經(jīng)網(wǎng)絡(luò)的抽象和模擬，它是由大量人工神經(jīng)元廣泛連接而成的超大規(guī)模的非線性動(dòng)力學(xué)系統(tǒng)，除具有一般非線性動(dòng)力學(xué)系統(tǒng)的共性，如不可預(yù)測性、吸引性、耗散性、非平衡性、不可逆性、高維性等特性外，還具有如大規(guī)模并行處理能力和信息的分布式存儲(chǔ)、容錯(cuò)性和穩(wěn)健性、自學(xué)習(xí)功能等幾方面的特征[31]。</p>

106、<p>　　神經(jīng)網(wǎng)絡(luò)用于故障診斷起源于上世紀(jì)80年代末期，其應(yīng)用狀況經(jīng)歷了一個(gè)長期的過程[32]。1989年美國柏杜大學(xué)King Chan等將人工神經(jīng)網(wǎng)絡(luò)用于故障診斷中。同年，日本慶應(yīng)義塾大學(xué)的Kajiro、Watanabe等將神經(jīng)網(wǎng)絡(luò)用于診斷化工過程的初期故障。美國德克薩斯大學(xué)的Hoskins、Himmelblau等應(yīng)用人工神經(jīng)網(wǎng)絡(luò)，以連續(xù)變量作為輸入，進(jìn)行三個(gè)連續(xù)攪拌釜反應(yīng)器的故障診斷，結(jié)果證明人工神經(jīng)網(wǎng)絡(luò)能將定量數(shù)值

107、信息轉(zhuǎn)化為定性解釋。同時(shí)他們也得出人工神經(jīng)網(wǎng)絡(luò)的一些重要特性：人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)之一是能濾掉噪聲，但當(dāng)網(wǎng)絡(luò)錯(cuò)誤的將不正確的輸入當(dāng)作噪聲時(shí)，這個(gè)優(yōu)點(diǎn)會(huì)轉(zhuǎn)化為缺點(diǎn)。</p><p>　　我國在神經(jīng)網(wǎng)絡(luò)應(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷中方面也取得了一定的成果。東北大學(xué)的虞和濟(jì)教授等人對機(jī)械設(shè)備故障診斷的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了深入的研究，建立了旋轉(zhuǎn)機(jī)械神經(jīng)網(wǎng)絡(luò)分類系統(tǒng)，研制成功了“軋鋼機(jī)狀態(tài)檢測診斷系統(tǒng)”。哈爾濱工業(yè)大學(xué)研制出了“機(jī)組

108、振動(dòng)微機(jī)檢測和故障診斷系統(tǒng)”。西安交大的屈梁生教授等人較早的利用人工神經(jīng)網(wǎng)絡(luò)對大型旋轉(zhuǎn)機(jī)械的各種故障進(jìn)行了全面的研究，并研制出“大型旋轉(zhuǎn)機(jī)械計(jì)算機(jī)狀態(tài)檢測與故障診斷系統(tǒng)”。張煒等一批科技工作者對旋轉(zhuǎn)機(jī)械故障診斷中的神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了研究，采用動(dòng)態(tài)學(xué)習(xí)算法，引入了控制因子，結(jié)果表明這種改進(jìn)方法提高了BP網(wǎng)絡(luò)的收斂速度，改善了網(wǎng)絡(luò)的性能，具有實(shí)際應(yīng)用意義[33]。</p><p>　　4.2 BP神經(jīng)網(wǎng)絡(luò)</p

109、><p>　　4.2.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)</p><p>　　在ANN模型中應(yīng)用較多的是采用誤差反傳學(xué)習(xí)算法的前饋網(wǎng)絡(luò)，簡稱BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)由若干層神經(jīng)元組成，可分為輸入層、隱含層和輸出層。各層神經(jīng)元有不同的作用：輸入層接受外部信息；隱含層表示和存儲(chǔ)知識，其層數(shù)和每層節(jié)點(diǎn)的個(gè)數(shù)決定了神經(jīng)網(wǎng)絡(luò)的復(fù)雜度；輸出層輸出結(jié)果。同一層的神經(jīng)元不聯(lián)系，而各層間神經(jīng)元的狀態(tài)會(huì)相互影響。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

110、如圖4-1所示。</p><p>　　4.2.2 BP算法描述</p><p>　　BP算法分正向傳播和反向傳播兩步進(jìn)行，其工作過程為：正向傳播時(shí)，樣本從輸入層經(jīng)過全部隱含層傳向輸出層，在輸出層對當(dāng)前輸出和期望輸出進(jìn)行比較，如果滿足誤差要求，則計(jì)算結(jié)束，如果不滿足，則進(jìn)入反向傳播過程；反向傳播時(shí)，把誤差信號反向傳回，并對每層的各個(gè)神經(jīng)元的權(quán)值和閾值進(jìn)行修改，以望誤差趨向最小。</p&