基于小波神经网络的设备故障诊断方法研究

论文摘要

神经网络以其固有的记忆能力、自学习能力以及强容错性为故障诊断问题提供了一个新方法。本文针对科学实验中广泛使用的平流泵的故障特点，深入研究了BP神经网络的故障诊断方法。首先用小波包分析技术做信号处理。选取db3小波函数，用硬阈值小波包降噪的方法将信号降噪，然后进行小波包分解与重构，以提取信号的能量特征向量，并将得到的特征向量作为神经网络的输入。本文采用具有一个隐含层的三层BP神经网络进行故障诊断，深入分析故障诊断的结果后发现：第一，网络容易陷入极小值而导致诊断失败；第二，网络的隐含层节点数难以确定。为了解决上述问题，本文研究设计了GA+BP算法。该方法是将遗传算法与神经网络相结合。首先，GA对BP神经网络做前期优化，确定出最佳网络结构及该结构对应的初始权值、阈值和网络的学习速率；然后，构造具有最佳结构和参数的神经网络来进行故障诊断。GA+BP算法的设计中，把每个染色体分解为连接基因和参数基因，对这两部分采取不同的遗传操作。连接基因采用二进制编码方法，参数基因采用实数编码方法；连接基因采用一点交叉方式和基本变异方式，参数基因中的权阈基因和速率基因各自采用算术交叉方式和非均匀变异方式。另外，交叉算子和变异算子都采用自适应的方法。GA+BP神经网络与BP神经网络故障诊断的结果对比后可以看到：第一，GA+BP神经网络比BP神经网络的工作量少，且克服了陷入局部极小的缺点，有更好的训练性能；第二，GA+BP神经网络的故障诊断准确率高于BP神经网络。由此可见，GA+BP神经网络能够更好的进行平流泵的故障诊断工作。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 故障诊断的意义
• 1.2 故障诊断技术的研究现状
• 1.3 故障诊断方法概述
• 1.4 MATLAB 仿真平台简介
• 1.5 论文的研究内容
• 1.6 论文的组织结构
• 第2章 故障信号的采集
• 2.1 仪器简介
• 2.2 实验方案设计
• 2.2.1 实验装置构成
• 2.2.2 应用软件介绍
• 2.3 故障信号的数据采集
• 第3章 小波分析及信号处理
• 3.1 小波分析在信号处理中的应用现状
• 3.2 小波分析理论
• 3.2.1 小波分析的基本概念及特点
• 3.2.2 多分辨率分析
• 3.3 小波包分析
• 3.3.1 小波包的定义
• 3.3.2 小波包的子空间分解
• 3.3.3 小波包的分解与重构算法
• 3.4 小波基函数的选择
• 3.5 信号的小波包降噪
• 3.5.1 小波包降噪的方法和步骤
• 3.5.2 降噪效果的评价标准
• 3.5.3 故障信号的小波包降噪
• 3.6 故障信号的特征提取
• 第4章 BP 神经网络及在故障诊断中的应用
• 4.1 人工神经网络在故障诊断中的应用现状
• 4.2 BP神经网络
• 4.2.1 BP 神经网络的结构
• 4.2.2 BP 算法描述
• 4.2.3 BP 神经网络的优缺点
• 4.3 BP 神经网络的设计
• 4.3.1 学习样本的确定
• 4.3.2 网络层数的考虑
• 4.3.3 输入、输出和隐含层的设计
• 4.3.4 激励函数的选择
• 4.3.5 网络初始值的选取
• 4.3.6 学习算法的选择
• 4.3.7 学习速率
• 4.3.8 训练停止条件
• 4.4 BP 神经网络在故障诊断中的应用
• 4.5 BP 神经网络故障诊断结果分析
• 第5章 GA+BP神经网络及其在故障诊断中的应用
• 5.1 遗传算法简介
• 5.2 标准遗传算法
• 5.3 遗传算法的特点
• 5.4 GA+BP 算法设计
• 5.4.1 遗传编码与解码
• 5.4.2 适应度函数的设计
• 5.4.3 遗传算子的设计
• 5.4.4 控制参数的选择
• 5.4.5 GA+BP 算法的步骤
• 5.5 GA+BP 神经网络在故障诊断中的应用
• 5.5.1 网络的设计
• 5.5.2 故障诊断仿真实验
• 5.5.3 故障诊断结果分析
• 5.6 BP 神经网络与GA+BP 神经网络故障诊断结果对比分析
• 结论
• 参考文献
• 攻读学位期间取得的成果
• 致谢