神经网络技术与小波分析相结合的故障诊断方法神经网络技术与小波分析相结合的故障诊断方法
方敏任子晖刘薛萍中国矿业大学江苏徐州221008中国矿业大学江苏徐州
摘要：对诊断对象进行时域摘要提出了一种将神经网络技术与小波分析相结合的故障诊断方法，信号采集，通过小波分析，获得所需参数，再将此参数作为神经网络的输入量，从而达到故障诊断的目的。关键词：关键词：神经网络小波分析故障诊断
Methodoffaultdiag
osisbasedo
eural
etworksa
dwaveleta
alysis
mi
Fa
gmi
Liuxuepi
g
Chi
aU
iversityofMi
i
ga
dTech
ologyJia
gsuXuzhou221008Abstractatech
iqueoffaultdiag
osisbasedo
wavelettra
sforma
alysisa
d
eural
etworksisprese
tedi
thepaperthesig
alismeasuredi
timescalethescalefeaturesaregotbywaveleta
alysiswhichca
bethei
putsvectorofBP
eural
etworkssothatthesystemca
accuratelydiag
osethefaultKeywords
eural
etworkswaveleta
alysisfaultsdiag
osis一。前言故障诊断的一个主要步骤是对信号进行采集和处理由于大部分设备的故障机理比较复杂，其故障信号更主要的表现为：1）微弱信号；2）信号特征频率波动范围较大；3）信号易瞬变，是非平稳信号。因此采用单一的时域分析方法进行故障识别是很难做到高准确率的。而小波包分解无疑是对信号进行分析和处理的一个有效工具，因为它可以构造故障诊断所需的特征向量或直接提取对诊断有用的信息，达到提取状态特征量的目的。小波包分解的应用都源于它良好的时频分析能力即分辨率随信号频率自适应变化的特征。神经网络可以有效地实现输入到输出之间的非线性映射，具有自学习和模式识别能力。因此，作者将小波包分解与神经网络相结合应用于故障诊断是客观实际的需要。
图1故障诊断原理图Fig1pri
cipleoffaultdiag
osis
小波包分解过程（信号处理）二小波包分解过程（信号处理）
f前面提到，实际故障信号往往是多种信号的叠加如何从中提取有用信号（即故障信号）去除无用信号是信号处理的关键所在。一般来说，传统的信噪分离只能得到某一频段的信息，而采用多分辨率分析和小波分析的方法相当于同时采用多个滤波器得到不同频段的信息并同时保留了信息的时间特性。因此，在了解所需要的频带的情况下通过小波包分解只保留所需要频带的小波变换结果将其它频带结果置零然后重新合成信号就可以达到保留有用信号，消除无用信号的目的。对采集信号进行小波包分解，分别提取最后一层从低频到高频频率成分的信号特征。若（0，0）表示原始信号，r