基于小波包神经网络方法的支撑座连接螺栓松动损伤诊断的实验研究
基于提升小波包和神经网络的结构损伤检测
的不 确定 性 。多传 感器 数据融 合具 有充 分利 用各 个
数 据 源包 含 的冗 余 和互 补 信 息 的优 点 ， 可 以提 高 系
统 决 策 的准确 性 和鲁 棒性 ［ １ １ ］ 。为 此 ， 笔 者 提 出一 种 基 于提升 小波 包变 换特 征融合 和 神经 网络 的机翼 盒 段结 构健 康监 测方 法 。
换［ ７ 是一 种不依 赖 于 Ｆ ｏ ｕ ｒ ｉ ｅ ｒ 变 换 的小波 构造 方法 ， 通过 预 测 和更 新算 子 的最优 设 计 匹 配特 定 的信号 ，
适合 自适应 、 非 线性 变换 。此 外 ， 提升小 波 变换计算
速度 快 、 占用 内存 小 等优 点 使 提升 小 波 变换 可 以用 于结 构在线 健康 检测 中。提升 小 波包变 换不 仅继 承
第３ ３卷 第 １期
２ ０ １ ３年 ２月
振动 、 测 试 与 诊 断
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｖｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ， Ｍｅ ａ ｓ ｕ ｒ ｅ ｍｅ ｎ ｔ ８ Ｌ Ｄｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ
Ｖｏ１ ． ３３ Ｎ Ｏ． １ Ｆｅ ｂ． ２ ０１ ３
１ 损 伤 特 征 量 提 取
当用 一个 含有 丰富频 率成 分 的信号 作 为输入 对
・
国家 自然 科 学 基 金 资 助 项 目（ ５ ０ ８ ０ ５ １ ３ ２ ） ； 高 校 博 士 点 基 金 资 助 项 目（ ２ Ｏ Ｏ ８ Ｏ ３ ３ ８ ０ ０ Ｏ ） 收 稿 日期 ： ２ ０ １ １ — ０ ３ — ０ ３ ； 修 改稿 收 到 日期 ： ２ ０ １ １ — ０ ５ — ０ ７
基于小波分析与神经网络的轴承故障诊断研究
基于小波分析与神经网络的轴承故障诊断研究【中文摘要】随着机械设备复杂程度和自动化水平的提高,机械设备故障诊断的重要性日益显著,而选择合适的诊断方法对于诊断结果是否精确至关重要。
在智能故障诊断技术的研究中,小波分析和神经网络技术都是热点研究内容,也是研究的前沿。
小波分析和神经网络的结合,也是一个吸引人的课题。
本文研究了小波分析基本理论,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,提出基于小波包能量的特征提取方法,仿真实验证实了该方法的正确性和有效性。
本文综述了BP神经网络、RBF神经网络及Fuzzy ART网络的建模原理与训练算法,针对BP算法的不足,介绍了Levenberg-Marquardt优化算法。
小波分析具有良好的时—频局部化特征,因而非常适于对瞬态或时变信号进行分类,而人工神经网络可完成非线性系统辨识和模式分类。
利用上述原理建立了基于小波的神经网络智能诊断模型,并用于滚动轴承的故障诊断。
根据滚动轴承振动信号的频域变化(来源:e74fABC论文网)特征,首先采用小波包分析对其建立频域能量特征向量,然后利用神经网络完成滚动轴承故障模式的识别。
试验结果表明,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式。
BP神经网络采用Levenberg-Marquardt优化算法,收敛速度快,具有较高的故障诊断准确率,但仍存在收敛不稳定的缺点。
径向基函数网络无论是在网络结构、网络性能还是网络容错性等方面都要明显优于BP网络模型;基于小波分析和径向基函数神经网络的故障模式识别方法能够更高效、准确地进行故障模式识别,能够更好的应用于机械故障诊断中。
Fuzzy ART网络模型对已学过的对象具有稳定的快速识别能力,但其故障诊断准确率低于RBF神经网络与BP神经网络。
(来源:2727AB87C论文网)基于声信号小波变换的滚动轴承故障诊断赵佳萌【摘要】：由于声信号具有非接触测量和早期故障敏感的特点,在机械故障诊断领域受到广泛的关注。
提升小波包和神经网络在轴承故障诊断中的应用
细节信号ｄ（厅）反应了原始信号石（儿）的高频部 为使原始信号的某些全局特性
厂——＼厂———————————一＼厂——————＿、
（如：平均值，消失矩）不变，必须进行更新。首先
要构造一个更新算子Ｕ去更新上一步产生的数 ‘据。 Ｃ（厅）＝茗。（ｎ）＋￡，（ｄ（凡）） （３）
置
口ｘ１
ｂ１），ｒａｄｂａｓ（）一般为高斯径向基神经元函数，运
（２）预测保持偶数样本以（ｎ）不变，利用
差值细分预测奇数信号戈。（／１，），将预测值Ｐ［戈。 （儿）］与实际值算。（ｎ）存在的差异定义为细节信号
ｄ（ｎ），即 ｄ（，１）＝戈。（，１）－ｐ（戈。（／＇／）） 分。 （３）更新 （２）
算符“木”表示向量ｂ１与０ ｄｉｓｔ ＩＩ的输出向量对应 元素相乘；竞争层中的权值矩阵Ｌｗ２Ｊ每一行向量 只有一个元素为ｌ，对应着一个输入，其余元素为 ０，然后计算其与矩阵ａ１的乘积，竞争层的输出ａ２ ＝ｃｏｍｐｅｔ（Ｌ酽’１。１ａ）。
［６］Ｄａｎｂｅｃｈｉｅｓ
ｗ．Ｆａｃｔｏｒｉｎｇ ｗａｖｅｌｅｔ ｔｒａｎｓｔ＇ｏｒｍａ ｉｎｔｏ ｌｉｆｔ－
ｏｆ Ｆｏｕｒｉｅｒ
结论
本文利用ＶＢ和Ｍａｔｌａｂ建立了仿真实验平
ｉｎｇ ｓｔｅｐｔｓ［Ｊ］．Ｊｏｕｒｎａｌ １９９８，４（３）：２４７—２６９．
确、操作简单、算法实现容易等特点。
１
９／７提升小波与ＰＮＮ混合型故障 诊断方法
图１ ９／７小波提升方案
１．１
９／７提升小波分析基本理论 １．２概率神经网络 提升小波又称为第二代小波变换，是Ｓｗｅｌｄ．
ｅｎｓ于１９９５年提出的。提升小波不像第一代小波 依赖Ｆｏｕｒｉｅｒ变换。但已经证明提升小波继承了
有关小波螺栓松动诊断
有关小波螺栓松动诊断螺栓联接是机电系统中用途最广的联接结构,为整个系统中较薄弱的部位,其状态往往会发生改变,出现滑动、分离甚至松脱等现象,直接影响整个系统的安全可靠性。
对振动环境中螺栓联接结构的联接状态进行及时准确地识别对保证系统的安全可靠具有重要意义。
振动环境中螺栓联接结构呈现出明显的非线性特性,较难建立更准确的联接动力学模型,故采用无模型的信号分析方法。
近年来,利用时间序列分析、小波变换和高阶统计分析等现代信号处理技术的结构损伤诊断方法得到了广泛的研究。
董广明等人应用小波包结合神经络的方法识别支撑座联接螺栓的松动程度;孙卫祥、陈进等采用小波包变换特征和功率谱特征进行特征分层神经络融合技术,对某导弹支撑座早期松动故障进行诊断。
目前大多是将小波分析方法用于旋转机械故障检测,而在螺栓联接状态辨识中的应用较少。
通过对螺栓联接结构施加随机激励进行振动测试实验,研究对象为螺栓联接结构不同测点的振动响应信号。
小波分析具有良好的时-频定位特性以及对信号的自适应能力,故而能够对各种时变信号进行有效的分解,再对分解后的相互独立各频段进行时域分析提取特征量[4,5]。
利用频谱分析振动信号,进而选择合适的小波函数进行小波分析。
为了直观的反应各层细节系数的特征,采用了contour函数绘制等高线图。
在此基础上进行了统计分析,如对不同测点响应信号的敏感层进行有效值分析、对幅值大小及范围的分析等。
结果表明,利用小波分析结合统计分析的方法提取螺栓联接状态特征量,对其状态的识别更有效;进而对不同测点响应信号的分析考察传感器的布置位置对监测结果的影响。
1螺栓联接实验系统构成实验系统如图1所示。
包括硬件和软件两部分。
硬件部分由功率放大器、D-300-2振动台、法兰螺栓联接模型、PCB压电式加速度传感器(灵敏度为/g)、NI数据采集设备等组成。
软件包括激励信号发生、数据采集与小波分析。
其中法兰螺栓联接模型,由上下壳体组成,总高度为220mm,壳体壁厚为3mm,材料为45#钢;用于联接上下壳体的法兰盘尺寸均为外径为200mm,内径为164mm,厚度为6mm;上下壳体的法兰用8颗M6的螺栓联接,下壳体用8颗M12螺栓联接于振动台台面。
基于小波包-神经网络的机车轴承故障诊断的研究
本文对基于小波包．ＰＳＯ优化神经网络的铁路机车轴承故障诊断
系统进行实例分析，通过试验证明这种方法是有效和可行的，对铁路
在途故障预警系统的建立具有一定的推进作用。 关键词：铁路机车，滚动轴承，故障诊断，小波包，神经网络
硕士学位论文
ｏｒ ｕｎｅｖｅｎ
ｂｅａｒｉｎｇ ｃｕｐ，ｃｏｎｅ
ｏｒ
ｒｏｌｌｅｒ
ｃｏｒｒｏｓｉｏｎ，ｅｔｃ．ａｎｄ ｔｈｅｉｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ａｎａｌｙｚｉｎｇ ｔｈｅ ｖａｒｉｏｕｓ ｆｅａｔｕｒｅ
ｐａｒａｍｅｔｅｒｓ ａｎｄ ｓｐｅｃｔｒａｌ ｓｔｒｕｃｔｕｒｅ ｏｆ ｔｈｅ ｂｅａｒｉｎｇ ａｃｏｕｓｔｉｃ ｓｉｇｎａｌ ｉｎ ｔｉｍｅ ｄｏｍａｉｎ ａｎｄ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ．Ｔｈｅ ｂｅｓｔ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｓ ｗａｓ ｓｅｌｅｃｔｅｄ ａｆｔｅｒ ｔｈｅ
４．２．３
４．２
ＢＰ网络用于故障诊断的局限性………………………５４ ４．３粒子群优化神经网络…………………………………．．５５ ４．３．１粒子群算法的基本原理……………………………．５５ ４．３．２ ＰＳＯ的算法流程…………………………………．５６ ４．３．３ ＰＳＯ优化神经网络的学习算法………………………．５７ ４．３．４ ＰＳＯ优化神经网络的训练流程………………………．５９ ４．４试验仿真分析………………………………………．．６１ 第五章结论与展望…………………………………………．６５ ５．１结论………………………………………………．６５ ５．２后续工作及展望………………………………………６６ 参考文献…………………………………………………．６７ 致谢……………………………………………………７２ 攻读学位期间主要的研究成果目录………………………………７３
基于小波包变换和神经网络的逆变器故障诊断
基 于小波包 变换和神经 网络的 逆 变器故障诊 断
戴 鹏 蔡 云 符 晓 宋中仓
（ 国矿 业 大 学 信 电学 院 ，江 苏 徐 州 ２ １ ０ ） 中 ２ ８ ０
摘 要 ： 本文提 出了一种基于小波 包变换和神经 网络的Ｐ Ｍ 变器故障诊断方法。利 用小波 包分解的分频 Ｗ逆
ｎ ｔ ｒ ． ｔ ｉ ｉ ｇ ｔ ｅ ｆｅ ｕ ｎ ｙ ｄ ｃ ｍｐ ｓｔｏ ｆｔ ｅ ｗａ ｅ ｅ ａ ｋ ｔ ｔ ｅ ｃ ｒ ｅ ｔｓｇ ａ ｎ ｍｏ ｏ ｉ ｅ ｉ ｅ ｗｏ ｋ Ｂｙ ｕ ｉ ｚ ｎ ｈ ｑ ｅ ｃ ｅ ｏ ｏ ｉ ｎ ｏ ｖ ｌｔｐ ｃ ｅ ， ｈ ｕ ｒ ｎ ｉ ｎ ｌｉ ｔ ｒｓｄ ｓ ｌ ｒ ｉ ｈ
ＤＡＩＰｅ ｇ ＣＡＩ ｎ， Ｕ ａ Ｓ ｎ ， Ｙｕ Ｆ Ｘｉｏ， ＯＮＧ ｏ ｇ ａ Ｚｈ ｎ ｃ ｎｇ
（ ｃ ｏ ｌ ｆｎｏｍａｉ ｎ ｌ ｔｃ ｌ ｎ ｉｅｒ ｇ Ｃ ｉａ ｉｅｓ ｙｏ ｎｎ ｄＴ ｃｎ ｌｇ ， Ｓ ｈ ｏ ｆｒ ｔ ｎａ ｄＥ ｅ ｒ ａ Ｅ ｇｎ ｅｉ ， ｈｎ ｖ ｒｉ ｆ ｏＩ ｏ ｃｉ ｎ Ｕｎ ｔ Ｍｉｉｇａ ｅ ｈ ｏｏ ｙ ｎ
结构 中的位 置 。分 解的结 果可 以表示为 ：
ｗ（， ） ３ ０＋ ３ １＋ ３ ２＋ ３ ３＋ ｏ ０一 ， ） ，） ， ） ，）
文 献［１ 出 了一种基 于 开 关 函数模 型 的逆 变 １提 器 开路故 障诊 断方法 。该方法 根据故 障和正常态器 件 承受 电压 的不 同 ，采用 简单的硬件 电路来诊断和 定位器 件的开路故 障 。由于增 加 了一些硬 件 电路使
Ｘｕ ｈ ｕ２ ０ ． ｉａ ｚ ｏ ２ ８ Ｃｈｎ ） １ ０
小波包分析在结构损伤识别中的应用
小波包分析在结构损伤识别中的应用提出了基于小波包节点能量相对变化量的结构损伤识别方法,采用节点能量平方比作为损伤定位依据,从而能对结构损伤进行无模型定位,最后通过数值算例验证了该方法的可行性。
标签：小波包分析损伤识别小波包节点能量节点能量平方比0 引言小波分析是近几年来发展起来的新的数学分支,非常适合对非稳态信号进行处理,被誉为数学显微镜,在土木工程领域有着广阔的应用前景[1]。
小波包分析比小波分析具有更高的频率分辨率,在结构损伤识别中已经得到广泛的应用。
本文采用小波包分析技术,对简支梁的实时损伤报警进行了数值研究,基于小波包节点能量给出了小波包节点能量平方比结构实时损伤预警判据,通过数值算例验证了该方法的可行性。
1 小波包分析理论小波包是由一系列线性组合的小波函数ψi(t)组成,即式中,i、j、k分别为频率因子﹑尺度因子和平移因子。
波包与其相应的小波函数具有相同的性质,如正交性﹑时频定位性等。
小波包的定义如下:这样对于任何一个信号f(t)∈L2(R)都可以进行如下分解:其中f ij(t)为第j层小波包分解的第i个频带的信号。
小波包分析树形结构如下图所示:可以看出,小波包分解每次得到的是两个序列,而这两个序列都要进行进一步的分解,即同时对低频部分和高频部分进行分解。
2 基于小波包分析的结构损伤识别方法基于小波包的结构损伤识别主要是基于小波包节点能量变化来识别结构损伤,它是利用小波包对发生损伤结构的动力反应进行分解,从而得到信号在各个尺度上的能量分布状况,并以此作为判别结构损伤的依据[2~5]。
本文针对简支梁结构的能量分布特点提出了一种针对简支结构的小波包节点能量平方比损伤识别方法,其主要分析过程如下:2.1 对测得的第n个结构响应信号进行j 层小波包分解,则末层形成等带宽的2j个频带,提取从低频到高频各频率成分的信号分解系数Wij(fn(t)),i=0,1,2,…(2j-1)。
2.2 对小波包分解系数重构,提取各频带范围的信号。
基于小波包神经网络分析的滚动轴承故障诊断
基于小波包神经网络分析的滚动轴承故障诊断赵洁;张惊雷【摘要】Aim to solve the low-identification rates in bearing fault diagnosis,a new diagnostic method based on improved wavelet packet energy spectrum and neural network models is proposed.First,the sampled signals in bearing normal,inner race,outer race and rolling elements are decomposed and reconstructed by a three-level wavelet packet transform (WPT).Then extract the energy of different nodes by wavelet packet energy spectrum method to establish the fault feature sets at earlystage.Moreover,BP and Elman neural network fault classification models are composed successively.The energy of nodes transformed by WPT algorithm is treated as the feature vectors and is input to the fault classifier to recognize the different types of bearing faults.Experimental results show that the proposed method can accurately classify and predict bearing faults,and consequently improve the accuracy of diagnosis.%针对轴承故障识别率低、故障信号不平稳的问题,提出了改进小波包能量特征提取和神经网络的故障诊断方法.首先利用改进小波包算法将轴承内圈、外圈、滚动体三个部位的采集信号进行三层分解与重构;然后通过小波包能量谱提取不同节点能量,形成故障特征集;最后依次建立BP和Elman神经网络故障分类模型,将所得的小波包节点能量作为特征向量输入到故障模型,进行轴承不同故障状态的分类识别.实验结果表明,本文算法可准确分类并预测轴承运行状况,提高了诊断准确率.【期刊名称】《天津理工大学学报》【年(卷),期】2017(033)004【总页数】6页(P30-35)【关键词】小波包;节点能量;神经网络;故障诊断【作者】赵洁;张惊雷【作者单位】天津理工大学自动化学院,天津300384;天津理工大学自动化学院,天津300384【正文语种】中文【中图分类】TP206+.3滚动轴承是各类机械设备最重要的部分之一，同时也是引起旋转机械故障的主要原因.有统计指出，有30%的旋转机械故障是由于滚动轴承引起的[1].由于机组结构复杂，故障信息难以获取，传统故障诊断方法难以准确诊断故障信号中大量的非线性成分，故亟需改进现有的故障诊断方法或引入新的分析方法.滚动轴承在线监测的首要问题是对振动信号进行处理，以获取故障特征，从而反映故障信息[2].近年来，研究者们提出了各种提取轴承故障信号的方法[3-4].常用的基于时频域的故障特征提取方法有短时傅里叶变换、S 变换、经验模态分解[5]、Wigner-Ville[6]、双谱分析法[7]、小波及小波包[8]分析等.其中短时傅里叶变换只适合分析线性、稳定的信号，经验模态分解计算量大，适时性差且存在模态混叠，Wigner-Ville存在交叉项干扰的缺陷.小波包变换（WPT）被证实为非常有效可行的特征提取方法，但传统小波包分解常造成严重的频率混叠.本文提出基于单子带重构的改进小波包算法，将采集到的正常信号和三种典型故障信号进行三层小波包分解，提取分解后的底层能量，作为后续诊断的输入特征量.除了故障特征提取，故障模式识别也是影响滚动轴承故障诊断效果的关键步骤.神经网络由于其高效的并行信息处理、较强的容错性与学习能力越来越受到广泛的关注[9].本文选用使用率最高的BP神经网络对4种故障类型进行分类训练.然后选用Elman网络对不同故障类型下不同受损深度的轴承故障进行预测.实验结果证实了本文所提出算法的可行性.滚动轴承故障诊断系统原理图如图1所示.小波包分解方法，可以将频带进行多层次划分，并能根据被分析信号的特征自适应地选择相应频段，对多分辨析没有细分的高频部分进一步分解，从而提高时频分辨率[10].但是，由于小波函数的频窗能量的不够集中，各二进尺度之间存在频域交叉现象，造成频带之间混叠甚至交错，最终导致频带划分出现错误，从而影响到分析结果的正确得出[11].因此，本文提出改进型节点重构小波包算法.具体方法见流程图2：图2为改进小波包进行三层分解和两次重构的示意图.图中H、G、h、g分别表示与小波分解低、高滤波器和小波重构低、高滤波器做卷积；↓2和↑2分别表示隔点采样和隔点插零.改进小波包算法相比传统小波包的不同之处在于：1）信号S0与分解滤波器H、G做卷积，对结果进行快速傅立叶变换（FFT）. 2）将傅立叶变换后的低半频段或高半频段谱值置零，然后再进行傅立叶逆变换（IFFT）.3）将IFFT逆变换后的结果经过隔点采样（点插零）继续与分解（重构）滤波器卷积，重复步骤2，直到得到全部分解系数和重构系数由图2中可以看出，改进小波包算法在经过隔点采样和隔点插值上比传统算法多了两个算子，定义上述步骤1、2的过程为经过算子C和算子D.C算子的计算公式为：D算子的计算公式为：定义C、D算子的输出为：式中为数据长度，k={0，1…，Nj-1}，n={0，1，…，Nj-1}.图3所示为未改进之前轴承正常信号和轴承故障点直径为0.177 8 mm的内圈、外圈和滚动体故障信号时域图.从图3时域波形图中可以看出，仅从振动信号时域波形图中无法准确地判断轴承的故障种类.以滚动体故障为例，采用改进后小波包对第二层进行重构，图4为未改进之前第二层重构频谱图，从图中可以看出改进之前节点和频谱有交错现象，经单节点重构后，各频谱成分已被准确地分解到理论划分的各节点频率中，还可提取出任意瞬态信号成分，充分说明改进节点重构小波包算法在消除频带错乱上的有效性.当轴承发生故障时，各节点信号的能量均会发生变化，故通过提取不同频带能量来构造特征向量.其具体步骤为：1）利用dB 5小波对正常及故障信号进行三层小波包分解，以分别表示第三层从低频到高频8个节点的分解系数.2）对第三层小波包分解系数进行单节点重构，提取8个频带范围的重构信号，分别表示为3）利用式（3）来计算n个小波包节点能量，则其能量特征向量如式（5）所示.本文进行了三层分解，故n=8；求取总能量为消除不同量纲影响，对进行统一化处理：求取每一个节点占总能量的百分比4）构造能量特征向量：构造一个 7 维特征向量从而得到故障特征样本.图6所示是同一转速、相同损伤直径（0.1778mm）下轴承正常信号以及不同故障信号的能量分布直方图（已归一化处理）.从图6可以看出，滚动轴承有无故障，各频带能量有很大变化，并且不同故障状态对应各频带的能量分布也不相同.轴承在正常运行时，振动信号的能量分布主要集中在前4个低频区域，它们的能量之和约占总能量的97%，这主要是周期性振源所引起的响应.当轴承发生内圈、滚动体、外圈故障时，振动信号的能量主要分布在第3、4、7、8频段，而且从图中还可以看出，不同的轴承故障类型对应能量的具体分布也明显不同.这主要是由于当轴承发生故障时，其振动信号中包含的冲击成分产生了脉冲冲击响应.由于脉冲冲击是一种瞬态激振，从而引起轴承系统固有频率的共振，并且不同的轴承故障冲击将会导致其产生不同的振动响应信号[12]，从而影响到高频区的共振频带能量分布也不同.提取能量集中的频段进行后续故障诊断分析.根据神经网络运行过程中的信息流向，神经网络可分为前馈式和反馈式两种基本类型.前馈式网络通过引入隐含层及非线性转移函数，具有很强的非线性映射能力；反馈式网络在前馈式网络的隐含层中增加了一个承接层，从而使系统具有适应时变特性的能力，能直接反映动态过程系统的特性[13].本文选取BP这一多层前馈神经网络进行故障诊断，训练其对四种故障类型的分类能力，再结合Elman反馈网络对具体故障类型进行预测训练.在实际应用中，许多学者证明了仅包含输入层、一个隐藏层和输出层的三层BP神经网络的万能逼近能力，应用广泛，能够处理非线性映射函数，具有非常好的应用价值[14].该BP神经网络的结构为10-5-4，即输入层节点数为10，隐含层节点数为5，输出层节点数为4.为提高数据可靠性，本文所用实验来自CaseWest Reserve University轴承数据中心，故障振动信号数据由故障模拟实验台获得[15].本文选取测试轴承型号为SKF-6205，故障采样频率为12 000 Hz，轴的转速近似为1 797 rpm.首先根据故障不同故障类型将故障信号分成四大类，分别用1，2，3，4表示，每种故障含 128个样本，共512个样本.然后将4种故障信号合为一组，从中随机选取288个数据作为训练数据，剩下224个数据作为测试数据，并对训练数据进行归一化处理.设定各类信号的期望输出值，如将正常信号标识为1时，期望输出向量为[1 0 0 0].具体分类见表1.用这288个训练数据训练BP神经网络，网络权值和阈值在训练过程中误差调整.将224个测试样本的两种类型特征量（分别采用未改进的和改进的节点重构小波包变换得到的相对频带能量值）分别输入到训练好的BP网络进行分类，测试网络的分类效果.根据测试结果分析BP神经网络分类能力.改进前后BP神经网络分类误差如图7和表2所示：由图7和表2可以看出，BP神经网络可以很准确地对故障类型进行分类，平均故障识别准确率可达86.99%.除了故障在线诊断，实际应用中对轴承状态进行实时预测也是避免故障，提高轴承使用率的重要方法.针对轴承运行状态动态变换，传统预测方法自适应能量差，预测系统鲁棒性没有保障的特点，提出使用Elman神经网络每一种轴承故障类型下不同的故障损伤程度作动态预测.本文所选Elman神经网络结构为10-5-4，即输入层节点数为11，隐含层节点数为5，输出层节点数为4.如表3所示，每种故障类型的故障损伤程度有（0.177 8 mm，0.279 4 mm），（0.355 6 mm，0.279 4 mm）和（0.533 4 mm，0.279 4 mm）三种，它们分别代表了故障直径和深度.故有10种故障特征总共100×10=1 000个数据样本.数据样本共分为训练样本和测试样本两类，训练样本从每一种正常状态里随机选80组健康样本，剩下的20组选为测试样本.即训练样本有80×10=800个数据，测试样本包含20×10=200个数据.测试样本用来测试Elman神经网络对故障状态的准确预测情况.Elman神经网络的隐含层和输出层传递函数选tansig和purelin，训练步长为1 000，隐含层为nn（i）个神经元.通过作图观察不同隐含层神经元个数时的网络预测效果.预测结果如图8所示：将Elman预测效果与同等实验条件下的PNN预测效果进行对比，发现Elman收敛速度更快，大大缩短了预测用时.对比结果见图9和图10.对比图10、图11可知，网络预测误差还是比较小的（-0.08～+0.02），Elman方法可用于汽轮机轴承故障预测.当隐含层神经元为5个时，网络的预测误差最小，即预测性能最好.由此也可确定本文的预测中间层神经元最佳数目是5个.本文针对轴承动故障诊断误诊率高、故障信号非线性不平稳的问题，提出了改进小波包分析结合BP与Elman神经网络的诊断算法.采用改进小波包算法对正常和三种故障信号进行分解并对第三层进行重构，提取第三层各节点能量作为诊断输入特征向量.结合BP神经网络和Elman神经网络分别对故障进行诊断与预测.综上，基于小波包分析和BP、Elman神经网络的故障诊断方法可快速定位故障点，诊断准确度高，且能建立起故障信息与故障模式输出之间的非线性映射.本文提出的研究方法为各类轴承故障在线诊断及预测提供了一种高效可行的思路，并具有一定的实用性价值.【相关文献】［1］杨宇，于德介，程军圣，等.经验模态分解（EMD）在滚动轴承故障诊断中的应用［J］.湖南大学学报：自然科学版，2003，30（5）： 25-28.［2］任庆玉，李郝林.小波包分析在滚动轴承故障特征提取中的应用［J］.通信电源技术，2015，32（6）： 139-142.［3］ Nguyen P H，Kim J M.Multi-fault diagnosis of rolling element bearings using a wavelet kurtogram and vector median based feature analysis［J］.Shock and Vibration，2015,10-13:1-14.［4］ Jin X，Zhao M，Chow T W S，et al.Motor bearing fault diagnosis using trace ratio linear discriminant analysis［J］.IEEE Transactions on Industrial Electronics，2014，61（5）：2441-2451.［5］孙红星，张洋.机械轴承故障信号提取仿真研究［J］.计算机仿真，2016，33（3）： 419-423.［6］徐展，基于振动法的风电机组传动链状态监测与故障诊断研究［D］.杭州：浙江大学，2012.［7］程静，王维庆，何山.双谱分析法在风机轴承故障诊断中的应用［J］.自动化仪表，2016，37（7）： 27-30.［8］ Yan R，Shan M，Cui J，et al.Mutual information-assisted wavelet function selection for enhanced rolling bearing fault diagnosis［J］.Shock and Vibration，2015（2）： 1-9. ［9］徐春梅，彭道刚，张悦.基于集成法的汽轮机组智能故障诊断仿真研究［J］.计算机仿真，2015，32（7）： 408-412.［10］焦圣喜，迟警，李婉珍.基于小波包和GA-LM-BP神经网络的汽轮机故障诊断［J］.制造业自动化，2015，37（8）：109-113.［11］申戬林，王灵梅，孟恩隆，等.改进小波包联合PNN的风电故障诊断研究［J］.可再生能源，2014，32 （4）：412-417.［12］陈季云，陈晓平.基于小波包分析的滚动轴承故障特征提取［J］.微计算机信息，2007，23（4）：192-193.［13］史峰，王小川，郁磊，等.MATLAB神经网络30个案例分析［M］.北京：北京航天航空大学出版社，2010.［14］王大虎，王敬冲，史艳楠，等.基于模糊神经网络的矿井提升机故障诊断研究［J］.计算机仿真，2015，32（10）：345-349.［15］ Wade A，Smith Robert，Randall B.Rolling element bearing diagnostics using the case western reserve university data： a benchmark study［J］.Mechanical Systems and Signal Processing，2015，64-65（4）： 100-131.。
基于小波神经网络的设备故障诊断方法研究(中国石油大学神经学硕士专业毕业论文)
中国石油大学毕业论文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 Network学科专业：研究方向：作者姓名：指导教师：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3db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。
关键词：故障诊断，小波包，神经网络，遗传算法Research on Fault Diagnosis Method of EquipmentBased 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 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 3db is chosen, and all signals are de-noised by hard threshold 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, 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, genetic 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 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. Connection 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 crossover 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 GA+BP neural network has less work but high training performance, and the local minimum is inexistent. I n addition, the 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 algorithm目录第1章绪论 (1)1.1故障诊断的意义 (1)1.2故障诊断技术的研究现状 (1)1.3故障诊断方法概述 (2)1.4MATLAB仿真平台简介 (3)1.5论文的研究内容 (4)1.6论文的组织结构 (4)第2章故障信号的采集 (6)2.1仪器简介 (6)2.2实验方案设计 (6)2.2.1 实验装置构成 (6)2.2.2应用软件介绍 (7)2.3故障信号的数据采集 (8)第3章小波分析及信号处理 (9)3.1小波分析在信号处理中的应用现状 (9)3.2小波分析理论 (10)3.2.1小波分析的基本概念及特点 (10)3.2.2 多分辨率分析 (11)3．3小波包分析 (12)3.3.1 小波包的定义 (12)3.3.2 小波包的子空间分解 (12)3.3.3 小波包的分解与重构算法 (12)3.4小波基函数的选择 (13)3.5信号的小波包降噪 (15)3.5.1 小波包降噪的方法和步骤 (15)3.5.2 降噪效果的评价标准 (16)3.6故障信号的特征提取 (18)第4章BP神经网络及在故障诊断中的应用 (21)4.1人工神经网络在故障诊断中的应用现状 (21)4.2BP神经网络 (21)4.2.1 BP神经网络的结构 (21)4.2.2 BP算法描述 (22)4.2.3 BP神经网络的优缺点 (24)4.3BP神经网络的设计 (24)4.3.1 学习样本的确定 (24)4.3.2 网络层数的考虑 (25)4.3.3输入、输出和隐含层的设计 (25)4.3.4 激励函数的选择 (26)4.3.5网络初始值的选取 (26)4.3.6学习算法的选择 (26)4.3.7 学习速率 (26)4.3.8 训练停止条件 (27)4.4BP神经网络在故障诊断中的应用 (27)4.5BP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 (31)5.1遗传算法简介 (31)5.2标准遗传算法 (31)5.3遗传算法的特点 (32)5.4GA+BP算法设计 (33)5.4.1 遗传编码与解码 (33)5.4.2 适应度函数的设计 (36)5.4.3 遗传算子的设计 (36)5.4.4 控制参数的选择 (39)5.5GA+BP神经网络在故障诊断中的应用 (42)5.5.1网络的设计 (42)5.5.2 故障诊断仿真实验 (43)5.5.3 故障诊断结果分析 (45)5.6BP神经网络与GA+BP神经网络故障诊断结果对比分析 (45)结论 (47)参考文献 (49)攻读学位期间取得的成果 .................................................................... 错误！未定义书签。
应用小波包神经网络的塔机起重臂损伤识别
应用小波包神经网络的塔机起重臂损伤识别罗丹，任敏（西安建筑科技大学机电工程学院，陕西西安710055）来稿日期：2019-09-11基金项目：多因素耦合作用下塔式起重机动力学特性研究，陕西省教育厅专项科研计划（No.11JK0873）作者简介：罗丹，（1973-），陕西人，女，博士研究生，副教授，主要研究方向：塔式起重机动力特性、结构健康监测；任敏，（1992-），陕西人，女，硕士研究生，主要研究方向：塔机臂架损伤识别1引言塔式起重机（以下简称塔机）是工程施工中主要的运输设备之一，塔机属于特种设备，其金属结构承受交变应力，施工作业中存在危险。
在建筑施工中，由塔机引起的人员伤亡和设备事故发生较为频繁，且重大事故率居高不下。
对于任何结构而言，无论多微小的损伤都不可以忽视，因为损伤都是从非常微小的水平开始进行累积，当累积的损伤达到一定的程度时，就会产生质变，导致严重事故的发生[1-2]。
因而如何及时对结构的损伤的具体位置以及损伤程度进行准确识别，这对于塔机起重臂的维护是极为重要的。
在对结构的损伤进行检测的时候，可以采用构建损伤指标的方式对损伤的信息进行检测，从而得损伤检测的目的[3]。
该检测方式的原理在于通过结构损伤情况与其动态特征之间的关联，从结构动力特征的变化量出发，使得构建的损伤指标可以及时对结构的损伤进行检测与反映，从而将结构损伤的检测的难点转移到选取适宜的损伤识别指标这一问题上。
但是，在现实结构损伤监测的过程中，适宜损伤识别指标的选取往往是较为困难。
这是由于当前在选取识别指标方法上，主要选取的是对结构损伤进行全局性动态特征测试的指标，比如当前最常用的固有振动频率的指标，这些指标在监测的过程中往往会忽视局部性的微小结构损伤。
而如果想要监测达到一定的效果，就必须在动态响应信号中及时对可以反映结构敏感损伤的特征量进行提取。
当前，我国大部分的结构损伤识别方法采用实测结构的频率、振型、频响函数等为指标，国内外众多学者在此方面已经作了大量研究。
基于小波包神经网络方法的支撑座连接螺栓松动损伤诊断的实验研究
第25卷2006年第1期1月机械科学与技术MECHAN I CAL SC I E NCE AND TECHNOLOGY Vol .25January No .12006收稿日期:20041228基金项目:国家自然科学基金项目(10176014)资助作者简介:董广明(1977-),男(汉),山东,博士研究生E 2mail:g mdong@sjtu .edu .cn 董广明文章编号:100328728(2006)0120102205基于小波包2神经网络方法的支撑座连接螺栓松动损伤诊断的实验研究董广明1,陈 进1,雷宣扬1,宁佐贵2,王东升2,王雄祥2(1上海交通大学振动、冲击、噪声国家重点实验室,上海 200240;2中国工程物理研究院结构力学研究所,绵阳 621900)摘 要:在某导弹支撑座模型宽带随机振动实验的基础上,针对其连接螺栓松动所产生的支撑座结构响应的非平稳特性,采用小波包分析的方法得到缩减的信号特征;然后利用BP 神经网络的模式分类功能,进行了螺栓松动程度的损伤识别研究。
实验结果表明,小波包结合神经网络的方法可以有效地识别该支撑座连接螺栓的松动程度。
关 键 词:宽带随机振动实验;支撑座结构;螺栓松动;小波包;BP 神经网络中图分类号:T H113.1 文献标识码:AExper i m en t a l Study on D i a gnosi n g the A tt ach m en t Bolt L ooseness i n a C l am p i n gSupport Ba sed on W avelet Packet Tran sfor ma ti on and Neura l NetworkDong Guang m ing 1,Chen J in 1,Lei Xuanyang 1,N ing Zuogui 2,W ang Dongsheng 2,W ang Xi ongxiang 2(1State Key Laborat ory of V ibrati on,Shock &Noise,Shanghai J iaot ong University,Shanghai 200240;2I nstitute of StructuralMechanics,Chinese Academy of Engineering Physics,M ianyang 621900)Abstract:On the basis of br oad 2band random vibrati on test on a cla mp ing support in a m issile,wavelet packet analysis method was used t o obtain the reduced features of structural res ponse signals,which have non 2stati onary characteristics due t o the attachment bolt l ooseness .Then da mage identificati on of severity of bolt l ooseness was studied by utilizing the pattern classificati on functi on of the BP neural net w ork .Test results show that the combinati on of wavelet packets and neural net w orks can effectively identify the sever 2ity of bolt l ooseness in the cla mp ing support .Key words:br oad 2band random vibrati on test;cla mp ing support;bolt l ooseness;wavelet packet;neural net w ork 工程中常用的局部无损检测技术(non 2destructive e 2valuati on,NDE )已经成功地应用于检查结构部件的裂纹,松动等损伤[1]。
12基于信息融合的支撑座早期松动故障诊断
基于信息融合的支撑座早期松动故障诊断孙卫祥 陈进 伍星 董广明（上海交通大学振动、冲击、噪声国家重点实验室，上海 200240）宁佐贵，王东升，王雄祥（中国工程物理研究院结构力学研究所，四川绵阳，621900）摘 要：采用基于信号分析的无模型检测方案和信息融合技术，对支撑座早期松动故障进行检测诊断。
针对支撑座松动的小波包变换特征和功率谱特征进行特征融合与决策融合，同时采用基于熵度量的无监督特征约简方法对功率谱特征进行约简，有效地减少了特征数目，加快了融合和诊断速度。
特征融合与决策融合采用分层神经网络实现，该网络综合了局部融合和全局融合的优点，具有很高的故障确诊率和很好的抗噪性能，无噪声样本综合确诊率达94.3%，有噪声样本综合确诊率达88.6%。
关键字：信息融合，特征约简，故障诊断，分层神经网络1. 引言工程中常用的局部无损检测技术(non-destructive evaluation (NDE))已经成功地应用于检查结构部件的裂纹，松动等损伤[1]，但要进行结构实时损伤检测，局部NDE 技术还存在一些不足之处[2]，因此，有必要发展简便经济的、不影响结构正常工作状态的结构损伤全局检测技术。
结构损伤全局检测技术一般分为两种：基于动力学模型的损伤检测方案和基于信号分析的无模型损伤检测方案[3]。
目前，基于动力学模型的结构整体损伤监测技术离实际工程应用尚有较大的差距，因此，采用无模型的信号分析方法，对结构损伤信号进行分析和处理成为结构损伤全局检测的一个重要途径。
近几年，利用时间序列分析[4]，小波变换[5]，高阶统计分析[6]等现代信号处理技术的结构损伤诊断方法得到了相当的研究。
但是这些方法都仅仅考虑某一特征作用，没有充分利用多特征的互补作用，检测精度与鲁棒性在一定程度上受到限制。
于是，本文拟将信息融合技术引入支撑座松动的全局监测中，针对小波包变换特征和功率谱特征利用分层神经网络进行特征融合和决策融合，从而提高支撑座松动故障确诊率。
基于小波分析和神经网络的框架结构损伤诊断方法
收稿日期:2003-06-15;修回日期:2003-09-30基金项目:辽宁省自然科学基金(2003)和建设厅科技项目(02001)作者简介:李宏男(1957-),男,教授,博士,主要从事结构抗震、减震控制和健康监测方面的研究文章编号:1000-1301(2003)04-0141-08基于小波分析和神经网络的框架结构损伤诊断方法李宏男1,孙鸿敏2(1.大连理工大学海岸和近海工程国家重点实验室,辽宁大连116024;2.沈阳建筑工程学院土木系,辽宁沈阳110015)摘要:本文提出了基于/能量)损伤0原理,综合利用小波包分析和神经网络的框架结构损伤诊断方法。
在结构损伤诊断中,时域信号经小波分析后其缺损特征会更加明显,把分布在不同频带的结点能量作为神经网络的训练样本能够很好地反映结构缺损特征。
以美国土木工程师学会提出的基准结构为例,阐述了结构损伤的发生、位置和程度诊断过程,取得了令人满意的结果。
关键词:小波;小波包分析;神经网络;损伤诊断;基准结构中图分类号:P315.96文献标识码:ADamage diagnosis of framework structure based on wavelet packetanalysis and neural networkLI Hong -nan 1,SUN Hong -min 2(1.Dalian Universi ty of T echnology,Dalian 116024,China;2.Sh enyang Architecturaland Civil Engi neering Institute,Shenyang 110015,China)Abstract:In this paper,an approach based on 0energy -damage 0theory for structural damage diagnosis is presentedby use of w avelet packet analysis and improved BP neural netw ork.The damage characteristics of the time do -main response sig nals are more obvious after being transformed by the w ing the node energ y in differ -ent frequency bands as a sample of the ANN can perfectly reflect the damage features.Finally,the benchmark structure given by the ASCE is used for describing the process of the damag e diagnosis presented here.Key words:w avelet packet analysis;artificial neural netw ork;damage diagnosis;benchmark structure1 引言结构损伤诊断和安全性评定对于保证桥梁、水坝、电厂、军事设施、高层建筑等重大土木工程结构的正常使用具有极其重要的意义[1],已经成为当前国内外研究的热点问题。
基于视觉测振和卷积神经网络的螺栓松动检测方法
基于视觉测振和卷积神经网络的螺栓松动检测方法
张天龙;闫子权;乔廷强;丁晓宇
【期刊名称】《强度与环境》
【年(卷),期】2022(49)2
【摘要】螺栓松动故障的准确检测对于确保机械产品可靠性具有重要意义。
为了解决现有的基于卷积神经网络(CNN)的检测方法所需的大量高质量数据难以在实际工程中获取的问题,本文提出了一种基于视觉测振和CNN的螺栓松动检测方法。
通过视觉测振技术,从视频中的每一个像素点提取出振动信号,有效解决了CNN模型训练数据难以获取的问题,通过少量实测视频样本即可对CNN模型进行训练,并实现对螺栓连接状态的准确预测。
本文通过一个对悬臂梁结构的敲击实验验证了所提方法的有效性。
【总页数】9页(P48-56)
【作者】张天龙;闫子权;乔廷强;丁晓宇
【作者单位】北京理工大学机械与车辆学院;中国铁道科学研究院集团有限公司铁道建筑研究所;中国航发沈阳发动机研究所
【正文语种】中文
【中图分类】TH113;O327
【相关文献】
1.基于机器视觉高空飞机螺栓松动监测仿真
2.基于多任务卷积神经网络的轨道车辆螺栓异常检测方法
3.基于输电线路的易装螺栓型防振锤防松动装置设计
4.基于图
像的螺栓松动检测技术在钢螺栓连接桥的应用5.基于视觉测振技术的高铁无站台柱雨棚振动测量方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于小波包络解调与人工神经网络的轴承智能诊断技术研究的开题报告
基于小波包络解调与人工神经网络的轴承智能诊断技术研究的开题报告一、研究背景随着工业自动化和智能化水平的不断提高，机械轴承已成为现代工业中不可或缺的重要组件之一。
然而，轴承在长期运行过程中会受到多种因素的影响，如损伤、磨损、缺油等，这些因素会导致轴承的性能下降，进而使得机床的精度和可靠性受到影响，甚至可能引发设备故障，严重影响生产效率。
因此，开发一种高效、精准、可靠的轴承智能诊断技术对于提高机械设备的性能稳定性有着非常重要的作用。
二、研究目的本文旨在研究基于小波包络解调与人工神经网络的轴承智能诊断技术，通过对轴承信号的采集和处理，结合人工神经网络的建立和训练，实现对机械轴承运行状态的识别和预测。
三、研究内容1、分析机械轴承引起的信号特征，并采用小波包络解调方法对轴承振动信号进行预处理，提取出有关轴承运行状态的有效信息。
2、建立人工神经网络模型，包括网络拓扑结构的设计、各层次节点数的确定以及网络训练算法的选择。
3、对建立好的神经网络进行训练，并通过对大量实验数据的测试与分析，对网络的性能进行评估。
4、通过对轴承信号的识别和预测，实现对轴承的故障诊断和预警。
四、技术路线1、信号采集和处理：使用加速度传感器进行轴承振动信号的采集，并采用小波分析方法进行特征信号的分解和差异分析。
2、神经网络的建立和训练：采用BP神经网络算法，选择适宜的网络拓扑结构、节点数和激活函数，并通过训练集集对网络进行训练与模型调优。
3、模型评估和应用实现：采用测试集集对模型进行测试和优化，在实际机械轴承中应用该技术，并对其效果进行评估。
五、预期成果1、对小波包络解调与人工神经网络的轴承智能诊断技术进行深入研究，发表高水平论文若干。
2、建立基于人工神经网络的轴承故障诊断系统，为机械设备的运行和维护提供新的手段和思路，提高设备指标的稳定性和可靠性。
3、提高轴承故障诊断的精度和效率，减少因设备故障而停机维修所带来的损失。
六、研究方法本文采用实验研究和理论分析相结合的方法，通过对机械轴承的振动信号进行采集和处理，结合人工神经网络的建立和训练，分析其特征，从而实现对机械设备的诊断和预测。
基于小波包子带分析的柱塞泵松靴故障程度诊断
基于小波包子带分析的柱塞泵松靴故障程度诊断郑硕;王少萍;卢传奇【摘要】Based on the wavelet packet decomposition theory,this paper proposes a kind of method on the diagnosis of loose slipper fault of piston pumps.Raw hydraulic pump outlet pressure signals are decomposed by wavelet packet into three layers whose time domain,frequency domain as well as time-frequency domain information are fully used in order to deal with the problem which cannot be solved by the fast Fourier transform precisely.By comparing with different sorts of wavelets' diagnosis accuracy,the result shows that the db4 wavelet is more suitable in handling this issue and its accuracy reaches as high as 98.68％.%基于小波包分解理论提出一种柱塞泵松靴故障程度诊断方法.对液压泵出口压力信号进行3层小波包分解,充分利用时域、频域及时频域信息,解决了传统快速傅里叶变换无法准确判断松靴这一渐进性故障程度问题.对比多族小波的多个子小波并比较故障程度判断精确度,结果表明db4小波在对这一问题的处理中表现更为突出,精确度达到98.68％.【期刊名称】《系统仿真技术》【年(卷),期】2017(013)003【总页数】6页(P235-240)【关键词】故障程度诊断;松靴;小波包分解;支持向量机【作者】郑硕;王少萍;卢传奇【作者单位】北京航空航天大学自动化科学与电气工程学院,北京100191;北京航空航天大学自动化科学与电气工程学院,北京100191;北京航空航天大学自动化科学与电气工程学院,北京100191【正文语种】中文【中图分类】TP274飞机发动机驱动泵(EDP)是为飞机舵面操纵提供能源的关键部件,它的失效将影响整个航空液压系统的运转甚至危及飞行安全,因此对其进行故障诊断至关重要[1]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第25卷2006年第1期1月机械科学与技术MECHAN I CAL SC I E NCE AND TECHNOLOGY Vol .25January No .12006收稿日期:20041228基金项目:国家自然科学基金项目(10176014)资助作者简介:董广明(1977-),男(汉),山东,博士研究生E 2mail:g mdong@sjtu .edu .cn 董广明文章编号:100328728(2006)0120102205基于小波包2神经网络方法的支撑座连接螺栓松动损伤诊断的实验研究董广明1,陈 进1,雷宣扬1,宁佐贵2,王东升2,王雄祥2(1上海交通大学振动、冲击、噪声国家重点实验室,上海 200240;2中国工程物理研究院结构力学研究所,绵阳 621900)摘 要:在某导弹支撑座模型宽带随机振动实验的基础上,针对其连接螺栓松动所产生的支撑座结构响应的非平稳特性,采用小波包分析的方法得到缩减的信号特征;然后利用BP 神经网络的模式分类功能,进行了螺栓松动程度的损伤识别研究。
实验结果表明,小波包结合神经网络的方法可以有效地识别该支撑座连接螺栓的松动程度。
关 键 词:宽带随机振动实验;支撑座结构;螺栓松动;小波包;BP 神经网络中图分类号:T H113.1 文献标识码:AExper i m en t a l Study on D i a gnosi n g the A tt ach m en t Bolt L ooseness i n a C l am p i n gSupport Ba sed on W avelet Packet Tran sfor ma ti on and Neura l NetworkDong Guang m ing 1,Chen J in 1,Lei Xuanyang 1,N ing Zuogui 2,W ang Dongsheng 2,W ang Xi ongxiang 2(1State Key Laborat ory of V ibrati on,Shock &Noise,Shanghai J iaot ong University,Shanghai 200240;2I nstitute of StructuralMechanics,Chinese Academy of Engineering Physics,M ianyang 621900)Abstract:On the basis of br oad 2band random vibrati on test on a cla mp ing support in a m issile,wavelet packet analysis method was used t o obtain the reduced features of structural res ponse signals,which have non 2stati onary characteristics due t o the attachment bolt l ooseness .Then da mage identificati on of severity of bolt l ooseness was studied by utilizing the pattern classificati on functi on of the BP neural net w ork .Test results show that the combinati on of wavelet packets and neural net w orks can effectively identify the sever 2ity of bolt l ooseness in the cla mp ing support .Key words:br oad 2band random vibrati on test;cla mp ing support;bolt l ooseness;wavelet packet;neural net w ork 工程中常用的局部无损检测技术(non 2destructive e 2valuati on,NDE )已经成功地应用于检查结构部件的裂纹,松动等损伤[1]。
但要进行结构实时损伤检测,对前述的局部NDE 技术来说就有不足之处。
首先对于大型构件,很难对结构的所有局部进行检测;其次这些技术应用起来往往要求结构的某些功能停止使用,这是很不经济的;更为严重的是,一些重要部位一旦发生损伤,它的破损程度会发展很快,而在未及时发现的情况下,就会导致整个结构的毁坏,后果不堪设想。
因此,有必要发展简便经济的,不影响结构正常工作状态的结构损伤全局监测技术[2]。
结构损伤全局监测技术一般可以分为两种:基于动力学模型的损伤检测方案和基于信号分析的无模型损伤检测方案[3]。
目前,基于动力学模型的结构整体损伤监测技术离实际工程应用尚有较大的差距,主要是由于该方法的有效性依赖于解析或有限元模型的精确程度,而实际复杂构件的结构动力特性受非结构构件、环境因素以及边界条件等影响较大;同时结构的局部变化一般对高阶模态影响较大,而这些模态往往难以精确测量。
因此,采用无模型的信号分析方法,对检测到的结构损伤信号进行特征提取成为结构损伤全局监测的一个重要途径。
近几年,利用时间序列分析[4],小波变换[5],高阶统计分析[6]等现代信号处理技术的结构损伤诊断方法得到了相当的研究。
神经网络方法用于结构损伤的研究始于20世纪90年代,由于结构的破损评估在某种意义上属于模式识别的一类问题,多层神经网络具有很强的非线性映射功能,以及高度的冗余容错特性,在处理模糊信息及模拟专家推理方面显示出巨大的潜力,从而使得利用人工神经网络进行结构破损评估成为可能[7]。
其中神经网络输入参数的确第1期董广明等:基于小波包2神经网络方法的支撑座连接螺栓松动损伤诊断的实验研究定是一个技术性很强的问题,Ka m inski[8]指出,神经网络输入参数的选择及其表达形式会直接影响损伤识别的结果。
而小波包技术是非平稳信号处理的有力工具,是对多分辨率分析的改进,利用小波包技术多分辨率分析的特性将待处理信号分解到相互独立的频段内,根据先验知识,可以有效地进行信噪分离、滤波处理和特征提取[9]。
本文在某导弹支撑座模型宽带随机振动实验的基础上,针对其连接螺栓松动所产生的支撑座结构响应非平稳信号,采用小波包分解的方法得到缩减的信号特征,然后利用BP神经网络的模式分类功能,进行了螺栓松动程度的损伤识别研究。
实验结果表明,小波包结合神经网络的方法可以有效的识别该支撑座连接螺栓的松动程度。
1 神经网络方法用于损伤识别神经网络用于损伤识别的基本方法为:根据结构在不同状态(不同的损伤位置和程度)的响应,通过特征抽取,选择对结构损伤较为敏感的参数作为网络的输入向量,结构的损伤状态作为输出,建立损伤分类样本集,然后对网络进行训练;当网络训练完毕并经过测试后,即已具有模式分类功能。
对于每一输入的状态信息,根据给定的原则将之归到最接近的类别中。
BP神经网络是一种单向传播的多层前向神经网络,网络除了输入输出层外,有一层或多层隐含节点层,同层节点间无任何连接。
输入数据从输入节点层,依次经过各隐含层节点,然后到达输出节点,从而得到输出数据。
由于同层节点间无任何耦合,故每层节点的输出只影响下一层节点的输出,每个节点表示单个神经元,其对应的传递函数常为Sig moid函数。
网络的学习采用反向传播算法,包含两个阶段。
一是前向传播阶段,当给定输入向量时,通过神经网络向前计算每一个神经元的输出,然后计算期望输出Tj和实际输出Oj之间的误差,均方差E表示为E=12∑j(Tj-O j)2 另一个是误差方向传播阶段,它将误差从输出层向输入层进行方向传播以修正相应的权值,修正量可以表示为ΔW kji (m+1)=-η5E5W ji 为了减少学习时间,防止振荡,可增加一个惯性项,上式可转化为ΔW kji (m+1)=-η5E5W ji+αΔW k ji(m)式中:α为动量因子;η为学习率;m为迭代次数。
通过以上两个过程,可以调节初始设置的权值以减少期望输出和实际输出之间的误差,当误差缩小到事先指定的范围,训练结束,BP算法的流程如图1所示。
神经网络输入参数的确定是一个技术性很强的问题,小波包技术是非平稳信号处理的有力工具,本文利用信号分解得到的小波包结点能量作为神经网络的输入参数。
图1 BP学习算法流程图2 小波包特征提取技术小波包分解是通过一组正交共轭滤波器对信号进行二抽一采样的。
设C ij(k)为尺度j上的第i个小波包的分解系数,则小波包分解递推公式为C2ij(k)=12∑lC ij-1(l)・h3(l-2k)C2i+1j(k)=12∑lC ij-1(l)・g3(l-2k)式中:{h(k)},{g(k)}为双尺度序列;{h3(k)},{g3(k)}是{h(k)},{g(k)}的复共轭;i=0,1,2,…,2j-1-1;j=1, 2,…,J;J<l og2N,J为分解层数,N为信号长度。
信号经小波包分解后,形成一系列分解结果,对任一尺度j来说,分解结果为C0j(t),C1j(t),…,C ij(t), (2)个序列,称为自然列或Paley列。
在小波包分解得到的自然列中,各序列所含频带并不依上标排列,而是十分混乱的。
因而,根据{h(k)},{g(k)}低通、高通滤波器的特性,给出一排序函数S(i),其递推表达式为S(0)=0S(1)=1S(2i)=2S(i) S(i)为偶数2S(i)+1 S(i)为奇数S(2i+1)=2S(i)+1S(i)为偶数2S(i)S(i)为奇数 如果原始信号f(k)的采样频率为fs,分解层数为J,则第J层每个序列的分析带宽为fs/2J+1。
按照S(i)的升序对相应的第J层第i个小波包分解系数C iJ(k)进行排序,并可以计算出第J层第i个小波包分解系数C iJ(k)的起始频率为S(i)・fs/2J+1,从而得到频带顺序划分的2J个小波包分解序列。
找到并保留所需的一个或几个频带内的小波包分解系数,令其它小波包系数为零,进行小波包信号重构,小波包信号重构公式为C i j-1(k)=∑l[C2i j(l)・h(k-2l)+C2i+1j(l)・g(k-2l)式中:j=J,J-1,…,1,i=2j-1-1,…,3,2,1,0。
在小波包分析中选取各个独立频段(小波包结点)内信号的平方和作为能量的标志:Ui=∑Mk=1|C i(k)|2,M为301机械科学与技术第25卷信号的样本长度。