【正文】 基于小波神經(jīng)網(wǎng)絡(luò)的設(shè)備故障診斷方法研究 Research on Fault Diagnosis Method of Equipment Based on Wavelet Neural Network Research on Fault Diagnosis Method of Equipment Based on Wavelet Neural Network A Thesis Submitted for the Degree of Master Candidate： SUN Shihui Supervisor： Prof. ZHAO Shijun College of Informationamp。 Control Engineering China University of Petroleum (EastChina) 關(guān)于學(xué)位論文的獨(dú)創(chuàng)性聲明 本人鄭重聲明：所呈交的論文是本人在指導(dǎo)教師指導(dǎo)下獨(dú)立進(jìn)行研究工作所取得的 成果，論文中有關(guān)資料和數(shù)據(jù)是實(shí)事求是的。盡我所知，除文中已經(jīng)加以標(biāo)注和致謝外，本論文不包含其他人已經(jīng)發(fā)表或撰寫的研究成果，也不包含本人 或他人為獲得 中國(guó)石油大學(xué) （華東） 或其它教育機(jī)構(gòu)的學(xué)位或 學(xué)歷 證書而使用過的材料。 與我一同工作的同志對(duì)研究所做的任何貢獻(xiàn)均已在論文中作出了明確的說明。 若有不實(shí)之處，本人愿意承擔(dān)相關(guān)法律責(zé)任。 學(xué)位論文作者簽名： 日期： 年 月 日 學(xué)位論文使用授權(quán) 書 本人完全同意 中國(guó)石油 大學(xué) （華東） 有權(quán)使用本學(xué)位論文 （ 包括但不限于 其印刷版和電子版） ，使用方式包括但不限于 ： 保留學(xué)位論文 ，按規(guī)定 向國(guó)家有關(guān)部門（機(jī)構(gòu)）送交學(xué)位論文， 以學(xué)術(shù)交 流為目的贈(zèng)送和交換 學(xué)位論文 ，允許 學(xué)位論文被查閱 、借閱 和復(fù)印 ，將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，采用影印、縮印或 其他 復(fù)制手段保存學(xué)位論文。 保密學(xué)位論文在解密后的使用授權(quán)同上。 學(xué)位論文作者簽名： 日期： 年 月 日 指導(dǎo)教師簽名： 日期： 年 月 日 i 摘 要 神經(jīng)網(wǎng)絡(luò)以其固有的記憶能力、自學(xué)習(xí)能力 以及強(qiáng)容錯(cuò)性為故障診斷問題提供了一個(gè)新 方法 。 本文針對(duì)科學(xué)實(shí)驗(yàn)中廣泛使用的平流泵的故障特點(diǎn)， 深入研究了 BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法。 首先用小波包分析技術(shù)做信號(hào)處理。 選取 3db 小波 函數(shù) ， 用硬閾值 小波包 降噪的方法 將 信號(hào) 降噪 ， 然后 進(jìn)行 小波包分解與重構(gòu)， 以 提取信號(hào)的能量特征向量 ，并將得到的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入 。 本文采用具有一個(gè)隱含層的三層 BP 神經(jīng)網(wǎng)絡(luò) 進(jìn)行故障診斷 ， 深入 分析故障診斷 的結(jié)果 后 發(fā)現(xiàn) ：第一， 網(wǎng)絡(luò)容易 陷入極小值而 導(dǎo)致 診斷失敗 ；第二，網(wǎng)絡(luò) 的 隱 含 層節(jié)點(diǎn)數(shù)難以確定。 為了解決上述問題，本文研究設(shè)計(jì)了 GA+BP 算法。該方法是將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合。首先， GA 對(duì) BP 神經(jīng)網(wǎng)絡(luò)做前期優(yōu)化，確定 出 最佳網(wǎng)絡(luò)結(jié)構(gòu)及該結(jié)構(gòu)對(duì)應(yīng)的初始權(quán)值、閾值和網(wǎng)絡(luò)的學(xué)習(xí)速率；然后， 構(gòu)造具有 最佳結(jié)構(gòu)和參數(shù)的 神經(jīng) 網(wǎng)絡(luò) 來 進(jìn)行故障診斷。 GA+BP 算法的設(shè)計(jì)中， 把每個(gè)染色體分解為連接基因和參數(shù)基因 ，對(duì)這兩部分采取不同的遺傳操作 。 連接基因采用二進(jìn)制編碼方法，參數(shù)基因采用實(shí)數(shù)編碼方法； 連接基因采用一 點(diǎn)交叉方式和基本變異方式， 參數(shù)基因 中的權(quán)閾基因和速率基因各自 采用算術(shù)交叉方式和 非均勻 變異方式 。 另外，交叉算子和變異算子都采用自適應(yīng)的方法。 GA+BP神經(jīng)網(wǎng)絡(luò) 與 BP神經(jīng)網(wǎng)絡(luò) 故障診斷的結(jié)果 對(duì)比后 可以看到 ： 第一， GA+BP神經(jīng)網(wǎng)絡(luò) 比 BP神經(jīng)網(wǎng)絡(luò) 的工作量少 ，且克服了陷入局部極小的缺點(diǎn)，有更好的 訓(xùn)練 性能；第二， GA+BP神經(jīng)網(wǎng)絡(luò) 的 故障 診斷準(zhǔn)確率高于 BP神經(jīng)網(wǎng)絡(luò) 。 由此可見 ， GA+BP神經(jīng)網(wǎng)絡(luò) 能夠更好的進(jìn)行 平流泵的 故障診斷工作。 關(guān)鍵詞： 故障診斷 ， 小波包，神經(jīng)網(wǎng)絡(luò)，遺傳算法 ii Research on Fault Diagnosis Method of Equipment Based on Wavelet Neural Network SUN Shihui（ Detection Technology and Automatic Equipment） Directed by Prof. ZHAO Shijun Abstract Neural work offers a new method for fault diagnosis owing to its memory ability, selflearning ability and strongly fault tolerance. This paper makes research on the fault diagnosis method of neural work deeply based on the fault characteristics of pump which is widely used in experiment. Wavelet packet analysis is used to do the signal processing. Wavelet 3db is chosen, and all signals are denoised by hard threshold denoising method. Then wavelet packet deposes and constructs the energy eigenvectors which are regarded as the input eigenvectors of the neural work. A threelayer BPNN is applied to do the fault diagnosis. The results of simulation show that the work traps in local minimum easily, and both the number of hidden neurons and the learning rate are difficult to decide either. In order to solve these questions above, this paper designs GA+BP algorithm. In this algorithm, geic algorithm is used to optimize the number of hidden neurons, the initial weights and thresholds, and the learning rate of BPNN first, and then fault diagnosis is done by this neural work which has the optimum structure and parameters. In GA+BP neural work, each chromosome is divided into the connection genes and the parameter genes, and different geic operations are carried on two parts. Connection genes are binary type and parameter genes are realvalued. Mixed crossover and mutation operations are operated on the connection genes and parameter genes separately. It means the connection genes adopt singlepoint crossover and simple mutation, and the parameter genes adopt arithmetic crossover and nonuniform mutation. Both the crossover and mutation operators adopt selfadaptive method. iii Comparing the simulation results of GA+BP neural work with BPNN, we know that GA+BP neural work has less work but high training performance, and the local minimum is inexistent. In addition, the GA+BP neural work can diagnose the failure more correctly than BPNN. In conclusion, GA+BP neural work can acplish the pump fault diagnosis much better. Key words: fault diagnosis, wavelet packet, neural work, geic algorithm iv 目 錄 第 1 章 緒論 ............................................................................................................................ 1 故障診斷的意義 .............................................................................................................. 1 故障診 斷技術(shù)的研究現(xiàn)狀 .............................................................................................. 1 故障診斷方法概述 .......................................................................................................... 2 MATLAB 仿真平臺(tái)簡(jiǎn)介 ................................................................................................. 3 論文的研究?jī)?nèi)容 .............................................................................................................. 4 論文的組織結(jié)構(gòu) .............................................................................................................. 4 第 2 章 故障信號(hào)的采集 ........................................................................................................ 6 儀器簡(jiǎn)介 .......................................................................................................................... 6 實(shí)驗(yàn)方案設(shè)計(jì) .................................................................................................................. 6 實(shí)驗(yàn)裝置構(gòu)成 ........................................................................................................... 6 應(yīng)用軟件介紹 ............................................................................................................ 7