1、基于小波神经网络的设备故障诊断方法研究Research on Fault Diagnosis Method of Equipment Based on Wavelet Neural NetworkResearch on Fault Diagnosis Method of Equipment Based on Wavelet Neural NetworkA Thesis Submitted for the Degree of MasterCandidate：SUN Shi-huiSupervisor：Prof. ZHAO Shi-junCollege of Information& Contro
2、l EngineeringChina University of Petroleum (EastChina)关于学位论文的独创性声明本人郑重声明：所呈交的论文是本人在指导教师指导下独立进行研究工作所取得的成果，论文中有关资料和数据是实事求是的。尽我所知，除文中已经加以标注和致谢外，本论文不包含其他人已经发表或撰写的研究成果，也不包含本人或他人为获得中国石油大学（华东）或其它教育机构的学位或学历证书而使用过的材料。与我一同工作的同志对研究所做的任何贡献均已在论文中作出了明确的说明。 若有不实之处，本人愿意承担相关法律责任。学位论文作者签名： 日期： 年 月 日学位论文使用授权书本人完全同意中国石
3、油大学（华东）有权使用本学位论文（包括但不限于其印刷版和电子版） ，使用方式包括但不限于：保留学位论文，按规定向国家有关部门（机构）送交学位论文，以学术交流为目的赠送和交换学位论文，允许学位论文被查阅、借阅和复印，将学位论文的全部或部分内容编入有关数据库进行检索，采用影印、缩印或其他复制手段保存学位论文。保密学位论文在解密后的使用授权同上。学位论文作者签名： 日期： 年 月 日指导教师签名： 日期： 年 月 日i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
4、分析技术做信号处理。选取 小波函数，用硬阈值小波包降噪的方3db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
5、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。关键词：故障诊断，小波包，神经网络
6、，遗传算法iiResearch on Fault Diagnosis Method of Equipment Based on Wavelet Neural NetworkSUN Shi-hui（Detection Technology and Automatic Equipment）Directed by Prof. ZHAO Shi-junAbstractNeural network offers a new method for fault diagnosis owing to its memory ability, self-learning ability and strongly
7、fault tolerance. This paper makes research on the fault diagnosis method of neural network 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 is chosen, and 3dball signals are de-noised by hard thr
8、eshold de-noising method. Then wavelet packet decomposes and constructs the energy eigenvectors which are regarded as the input eigenvectors of the neural network.A three-layer BPNN is applied to do the fault diagnosis. The results of simulation show that the network traps in local minimum easily, a
9、nd 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, genetic algorithm is used to optimize the number of hidden neurons, the initial weights and thresholds, and the le
10、arning rate of BPNN first, and then fault diagnosis is done by this neural network which has the optimum structure and parameters. In GA+BP neural network, each chromosome is divided into the connection genes and the parameter genes, and different genetic operations are carried on two parts. Connect
11、ion genes are binary type and parameter genes are real-valued. Mixed crossover and mutation operations are operated on the connection genes and parameter genes separately. It means the connection genes adopt single-point crossover and simple mutation, and the parameter genes adopt arithmetic crossov
12、er and non-uniform mutation. Both the crossover and mutation operators adopt self-adaptive method.Comparing the simulation results of GA+BP neural network with BPNN, we know that iiiGA+BP neural network has less work but high training performance, and the local minimum is inexistent. In addition, th
13、e GA+BP neural network can diagnose the failure more correctly than BPNN. In conclusion, GA+BP neural network can accomplish the pump fault diagnosis much better.Key words: fault diagnosis, wavelet packet, neural network, genetic algorithmiv目 录第 1 章 绪论 .11.1 故障诊断的意义 .11.2 故障诊断技术的研究现状 .11.3 故障诊断方法概述
14、.21.4 MATLAB 仿真平台简介 .31.5 论文的研究内容 .41.6 论文的组织结构 .4第 2 章 故障信号的采集 .62.1 仪器简介 .62.2 实验方案设计 .62.2.1 实验装置构成 .62.2.2 应用软件介绍 .72.3 故障信号的数据采集 .8第 3 章 小波分析及信号处理 .93.1 小波分析在信号处理中的应用现状 .93.2 小波分析理论 .103.2.1 小波分析的基本概念及特点 .103.2.2 多分辨率分析 .1133 小波包分析 .123.3.1 小波包的定义 .123.3.2 小波包的子空间分解 .123.3.3 小波包的分解与重构算法 .123.4
15、小波基函数的选择 .133.5 信号的小波包降噪 .153.5.1 小波包降噪的方法和步骤 .153.5.2 降噪效果的评价标准 .16v3.5.3 故障信号的小波包降噪 .173.6 故障信号的特征提取 .19第 4 章 BP 神经网络及在故障诊断中的应用 .214.1 人工神经网络在故障诊断中的应用现状 .214.2 BP 神经网络 .214.2.1 BP 神经网络的结构 .214.2.2 BP 算法描述 .224.2.3 BP 神经网络的优缺点 .244.3 BP 神经网络的设计 .244.3.1 学习样本的确定 .244.3.2 网络层数的考虑 .254.3.3 输入、输出和隐含层的设
16、计 .254.3.4 激励函数的选择 .264.3.5 网络初始值的选取 .264.3.6 学习算法的选择 .264.3.7 学习速率 .264.3.8 训练停止条件 .284.4 BP 神经网络在故障诊断中的应用 .284.5 BP 神经网络故障诊断结果分析 .30第 5 章 GA+BP 神经网络及其在故障诊断中的应用 .315.1 遗传算法简介 .315.2 标准遗传算法 .315.3 遗传算法的特点 .325.4 GA+BP 算法设计 .335.4.1 遗传编码与解码 .335.4.2 适应度函数的设计 .365.4.3 遗传算子的设计 .365.4.4 控制参数的选择 .39vi5.4.5 GA+BP 算法的步骤 .415.5 GA+BP 神经网络在故障诊断中的应用 .425.5.1 网络的设计 .425.5.2 故障诊断仿真实验 .435.5.3 故障诊断结果分析 .455.6 BP 神经网络与 GA+BP 神经网络故障诊断结果对比分析 .46结论 .47参考文献 .49攻读学位期间取得的成果 .51致 谢 .51
