基于小波包與徑向基網(wǎng)絡(luò)的診斷技術(shù)研究.pdf

1、在智能故障診斷技術(shù)的研究中，小波分析和神經(jīng)網(wǎng)絡(luò)技術(shù)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(luò)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(jié)如下： 1、RBF網(wǎng)絡(luò)訓(xùn)練的關(guān)鍵在于隱含層參數(shù)的確定。RBF網(wǎng)絡(luò)目前已有的幾種訓(xùn)練方法對于含有隨機噪聲的復(fù)雜樣本訓(xùn)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(luò)訓(xùn)練方法一一輸出一輸入聚類法。利用此方法對旋轉(zhuǎn)機械

2、故障樣本進行訓(xùn)練，并與其它方法進行了比較，結(jié)果顯示此訓(xùn)練方法用時短，網(wǎng)絡(luò)結(jié)構(gòu)簡單，受噪聲影響小。將所創(chuàng)建網(wǎng)絡(luò)應(yīng)用于故障診斷，實例表明此方法訓(xùn)練的網(wǎng)絡(luò)診斷結(jié)果非常準確，在故障診斷中具有良好的應(yīng)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(lǐng)域中有著廣泛的應(yīng)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(jié)合信息熵的理論，在故障診斷領(lǐng)域中，提出了利用RBF網(wǎng)絡(luò)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(zhuǎn)機械故障診斷方法。其步驟如下：首先對旋轉(zhuǎn)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(luò)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(yīng)的R

4、BF網(wǎng)絡(luò)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(fù)雜故障有著良好的應(yīng)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(yīng)用中，小波母函數(shù)的選取標準?；谛〔ò儞Q的RBF網(wǎng)絡(luò)所能診斷的故障范圍需要擴大，如加入對轉(zhuǎn)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(shè)計一套軟件系統(tǒng)用于旋轉(zhuǎn)機械