基于小波_神经网络的矿用通风机故障诊断研究(2)

主讲神经网络的诊断方法

第6期荆双喜等:基于小波-神经网络的矿用通风机故障诊断研究737

样本,通过典型故障样本的学习与训练,得到可用于对通风机进行故障自动识别的网络.研究表明,基于小波和人工神经网络的故障诊断技术适用于通风机械系统中的多故障、多征兆的复杂故障模式识别问题,可实现通风机故障的智能诊断.

1 基于小波包的能量故障特征提取

离散信号按小波包基展开时,包含低通滤波与高通滤波两部分,每一次分解就将上层j+1的第n个频带进一步分割变细为下层j的第2n与2n+1两个子频带.离散信号的小波包分解算法[1]为

dl(j,2n)=

ak-2ldk(j+

k

1,n),dl(j,2n+1)=

bk-2ldk(j+

k

1,n),

式中,ak,bk为小波分解共轭滤波器系数. 由Parseval恒等式知

!

-

|f(x)|2dx=

|d(j,k)|2.由此可知,小波包变换系数d(j,k)的平方

具有能量的量纲,可用于机械故障诊断的能量特征提取.假设离散信号按最优小波包分解[2]后可得到M个正交的频带,各频带的能量为

N

i

Ei=

k=1

|d(i,k)|2,

式中,i#M;Ni为第i个子频段的数据长度,且k#Ni. 离散信号的能量均方根Er=

i=1

Ei.

2

则能量特征向量T=

[E1,E2, ,EM].E

2 矿用通风机BP神经网络的建立

对通风机常见的几种典型故障建立的3层BP

网络模型如图1所示.输入层的单元数M对应于小波包分解的频段数;隐层单元数L=5~14[3],需按BP网络的训练速度与精度来优选;输出层单元数K为风机的状态数,即风机的典型故障数;初始权值与阈值的取值范围一般为0~1 0.BP网络一般采用3层就可以满足网络训练要求[3],但隐层单元数L、学习率 等则应兼顾网络训练精度,即网络训练样本总误差E及网络权值误差对训练速度的影响.

学习率 采用自适应学习算法,BP网络的学习过程实质上是通过不断地调整网络权值使系统总误差E达到给定的精度.当网络的结构及训练样本和目标输出值一定时,系统总误差E仅是内部连接权值wml和wlk的函数,即E=f(wml,wlk).

对每个样本各训练1次后,由权值改变引起的系统总误差E的改变量为

E=

又由BP网络算法:

wml=- , wml=

ml

p=1

图1 通风机的3层BP网络模型Fig 1 ThreelayersBPnetworkmodelofventilator

m=1l=1

ML

w+

mlml

l=1k=1

LK

w.

lklk

(1)

pwml=

P

mlOpm,

p=1

P