据进行特征提取后输入神经网络，经网络计算后就得到故障类型。三小波分析与神经网络相结合用于故障诊断前面提到，将采集的信号经过小波包分解提取故障特征量，并以此作为BP神经网络的输入量，再通过神经网络来进行故障的识别与诊断。图4所示，是将小波包分解技术与BP神经网络技术相结合的故障诊断过程框图。
图4故障诊断框图Fig4structureoffaultdiag
osis
以滚动转子式压缩机为例，选20台正常机、20台异常机样本来训练网络用6组未经训练的样本对已训练好的网络进行检验。以下是其中3台正常机和3台异常机分别在顶部和侧部放置加速度传感器时所提取出的特征向量。1在压缩机顶部提取出的特征向量正常100309001140345600876000850061706183正常200322000980405201167000710020007141正常300307001300459600746000690019608573异常100440001800868501395000350016904705异常200082000890368300990000450011408369异常300123000560771901080000220004306177经过BP网络后的输出结果为0985809814097500010700231001082在压缩机侧部提取出的特征向量正常107328004600093201318001770161701536正常209790009600067801634000610007900278正常302791011620696103731000290006205310异常103051010240658403151000260006306036异常207330017670310305224000540011902399异常301907006970769203010000160003705257经过BP网络后的输出结果为095820975609866004330018600872结果表明不管在的顶部还是在侧部正常机的输出结果接近于1异常机的输出结果接近于0因此训练好的BP网络能将正常机和异常机区别开来。四总结
f由理论分析和实践总结表明，小波分析和神经网络相结合的故障诊断方法是可行的。它能够应用在旋转机械故障诊断、电力设备故障诊断等多个领域其发展前景广阔。作者简介：方敏（1981），女，中国矿业大学，检测技术与自动化装置专业硕士研究生，主要从事故障诊断方面的研究。任子晖（1962）中国矿业大学信电学院电子科学与技术学科教授，博士生导师，江苏省电机工程学会理论电工专业委员会副主任委员，江苏省电子学会理事。研究方向为检测技术与自动化装置。
参考文献1王计生，黄惟公，喻俊馨小波分析和神经网络技术在故障诊断中的应用2鲍久圣，阴妍BP神经网络在机械故障诊断中的应用设备设计与维修20053吴桂峰翟玉庆陈虹曹卫基于小波神经网络的电机振动故障诊断控制工程2004振动、测试与诊断2004
4邢士勇，马吉胜，郑r