改进小波神经网络在异步电机故障诊断中应用

《改进小波神经网络在异步电机故障诊断中应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2010年第1期工业仪表与自动化装置·71·改进的小波神经网络在异步电机故障诊断中的应用胡博，陶文华，崔博，刘殊廷(辽宁石油化工大学信息与控制工程学院，辽宁抚顺113001)摘要：根据异步电机的复杂故障特点，结合小波变换技术，提出了一种改进的小波神经网络用于异步电机的故障诊断。利用小波变换技术提取异步电机特征信号作为小波神经网络的输入向量，并对小波神经网络算法进行优化，提出了动量系数和学习率自适应调整的小波神经网络算法，给出了动量系数和学习率的调整方法。通过实际测试数据的诊断结果说明该方法的有效性和可行性，具有诊断准确率高、收敛速度快、泛化能力强等优点。关键词：异步电

2、机；小波神经网络；故障诊断；小波变换中图分类号：TP183文献标志码：A文章编号：1000—0682(2010)01—0071—04TheapplicationoftheimprovedwaveletneuralnetworkinasynchronousmotorsfaultdiagnosisHUBo，TAOWenhua，CUIBo，LIUShuting(SchoolofInformation＆ControlEngineering，LiaoningShihuaUniversity，LiaoningFushun113001，China)Abstract：Accordin

3、gtoasynchronousmotorScomplexfaultcharacteristics，andcombiningwavelettransformtechnique，animprovedwaveletneuralnetworkforfaultdiagnosisofasynchronousmotorwasproposedinthispaper．TakingwavelettransformtechniqueaswaveletneuralnetworktheinputvectorofpickingupasynchronousmotorSthecharacterist

4、icsignal，andthewaveletneuralnetworkalgorithmwasoptimized．Theself—adaptivewaveletneuralnetworkalgorithmaboutadjustingmomentumvectorandlearningratewasproposedandgiventhemomentumfactorandthelearningrateadjustmentmethod．Theactualtestifiedresultsshowthatthemethodisefectiveandfeasible，hasabet

5、terdiagnosticaccuracy，fastandgeneralizedperformances．Keywords：asynchronousmotor；waveletneuralnetwork；faultdiagnosis；wavelettransform性，成为时频分析方法中发展最为迅速的一种。该0引言文以小波变换技术作为电机故障信号特征提取手现代工业生产、电力系统及产业部门以至人们段，小波网络采用动量法和学习率自适应调整结合的13常生活，几乎离不开各种各样的电机，它们己是的梯度下降法，并与传统的神经网络进行对比，结当今生产活动和日常生活中最重要的原动力和驱

6、动果表明该方法克服了传统神经网络易陷入局部极小装置。电机发生故障时，对振动信号进行分析可以值，收敛速度慢且容易引起振荡等缺点，提高了学习掌握故障产生的机理，并可提取故障特征信号，从而速度并增加算法的可靠性和诊断的准确性。达到故障诊断的目的。然而，振动信号中往往含有l小波神经网络大量的时变、短时冲击、突发性质的成分，这使得电机故障诊断中所测的实际信号往往是时变、非平稳1．1小波变换信号。由于小波分析¨’2以其良好的时频局部特在函数空间()中选取母小波函数，使该母小波函数满足容许性条件j，即：ll(∞)IIIdw<∞(1)收稿日期：2009一O1—04JK作者简介：胡博(

7、1983)，女，辽宁抚顺人，硕士研究生。或者等价于：·72·工业仪表与自动化装置2010年第1期-o一则称(t)为一个基本小波或者母小波(MotherWavelet)。式中()为缈(t)的傅立叶变换，再对yP=，=1(、k：1P(、a)，)，】(t)进行伸缩和平移变换，就得到小波基函数：=1，2，⋯，d(5)式中P(k=l，2，⋯，m)表示第P个样本在输入层的，，66(t)=lal一÷f—=_兰)I。，b∈R；口>0(3)第k个输人变量；yiP是第P个样本在输出层第i个其中a，b分别是(t)的伸缩因子和平移因子，对于节点的实际输出；m，n，d分别表示