基于小波_神经网络的矿用通风机故障诊断研究(4)

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739

图3 待识别的风机振动时域信号Fig 3 Theidentifyingtimesignalofventilator

高次谐波,并且二次谐波(25 39Hz)幅值最大,其幅值为基频幅值的2 56倍,根据这些振动特征可判断该振动信号反映的故障为严重的轴系不对中,由此证明了所训练的通风机3层BP网络对待检信号状态自动识别的正确性.

图4 待识别信号的功率谱

Fig 4 Thepowerspectrumofidentifyingsignal

4 结 论

(1)小波包频道能量特征提取是提取通风机故障特征

的一种较好的方法,经提取的能量特征向量可作为BP网络的输入样本和待识别样本.

(2)推导出了BP网络学习率 自适应学习算法,它可以根据当时的运行参数自动改变,而无需人为调整,从而实现学习率的真正自适应,而且可以使网络的训练速度大大提高.

(3)小波包与神经网络相融合的故障诊断识别技术是提取通风机故障特征进行状态自动识别的有效方法,该方法还可适于其他机械设备的故障自动识别与诊断.参考文献:

[1] 程正兴 小波分析算法与应用[M].西安:西安交通大学出版社,1998.156~162.[2] 荆双喜 基于小波分析的多分辨率故障诊断技术研究[D].北京:中国矿业大学,2000.[3] 冷军发 基于小波-神经网络的故障诊断技术研究[D].焦作:焦作工学院,2003.[4] 张立明 人工神经网络的模型及其应用[M].上海:复旦大学出版社,1993.43~46.[5] 徐 敏,黄昭毅 设备故障诊断手册[M].西安:西安交通大学出版社,1998.298~349.

[6] DuR Featureextractionandassessmentusingwaveletpacketsformonitoringofmachiningprocesses[J].Mech Syst SignalProc ,

1996,10(1):29~53.

本刊收取稿件审理费的通知

承蒙广大作者的厚爱,近几年,%煤炭学报&的收稿量急剧增加.由于本刊采取比较严格的审稿制度,外审工作量很大,审稿费的开支逐年增加,因此,本刊从2003年7月1日起,对投稿的作者一律酌收稿件审理费60元/篇,以补充办刊经费的不足,敬请广大作者谅解与支持.

本刊编辑部