小波神经网络对减速箱进行故障诊断

矿井提升机是井下与地面联系的重要设备，其制动系统减速箱运行状态的好坏直接关系到提升机安全运行。目前提升设备的状态监测与故障诊断所存在的普遍问题是：采用的故障信息量比较窄，不全面，没有充分利用发生故障时的所有信息，忽略各信息量之间的相互关系；故障诊断所基于的系统一般是专家系统，专家系统由于其自身的固有缺陷,容易出现“匹配冲突”、“组合爆炸”及无穷递归等问题。专家系统基于规则，但复杂现象很难用简单的规则来表示[1]。小波神经网络是一种基于    

知识的故障诊断方法，它不需要精确的数学模型，具有自学习和知识表达能力强等优点，并具有良好的收敛性和鲁棒性。因此，文中采用小波神经网络对减速箱进行故障诊断。

1小波神经网络的构成和学习算法

小波神经网络是基于小波分析而构造出的一类前馈网络，它以小波空间作为模式识别的特征空间，通过将小波基与信号向量的内积进行加权和来实现信号的特征提取，结合小波变换良好的时频局域化性质及传统神经网络的自学习功能。这种网络在处理复杂非线性函数关系等问题上表现出优于传统神经网络的收敛速度、容错能力、预报效果，具有广泛的应用前景。

1.1 小波神经网络的构成

小波神经网络的结构，其中学习样本经输入层投影压缩后作用于小波神经网络。输入端有M个节点，隐层有K个节点，输出层有N个节点，给定P组输入输出样本，xm(m=1,…M)为网络输入，yn(n=1,…N)为网络输出。隐层选取的小波为Morlet小波，对网络的输出也并不是进行简单的加权求和，而是先对网络隐层小波节点的输出加权求和，经Sigmoid函数变换后，得到最终的网络输出。这样做有利于处理分类问题，同时减少训练过程中发散的可能性

1.2  小波神经网络的学习算法

训练样本时，在权值和阈值的修正算法中加入动量项，引进前一步的修正值来平滑学习路径，避免引入局部极小，加速学习速率。为了避免在逐个样本训练时，对权值和阈值修正可能出现的振荡，采用成批训练方法，将一批样本所产生的修正值累计后统一进行一次处理

学习算法的具体实现步骤如下：

（1）网络参数的初始化：将小波的伸缩因子ak、平移因子bk、网络连接权值w km和w nk、学习率η(η>0)以及动量因子λ（0np。

（3）计算隐层及输出层的输出。

（4）计算误差和梯度向量。

（5）进行递增，即m=m+1，如果m0)，则停止网络的学习，否则将m重置为1，并转步骤（2）。

2小波神经网络在矿井提升机中的应用

对矿井提升机减速箱而言，故障诊断的主要对象是齿轮，因为在减速箱的各种故障形式中，齿轮的损坏比例最大。

分别选择每种情况下的l0组数据作为训练样本，设定最大训练步数为5000，误差指标为0.02，将这40组特征向量作为训练样本，若属于正常齿轮的训练样本，则设定网络输出向量为{l，0，0，0}，属于磨损齿轮则为{0，l，0，0}，属于裂纹齿轮为{0，0，l，0}，属于断齿齿轮为{0，0，0，l}，依次可以得到40个训练样本的输出向量，以此作为目标输出对神经网络进行训练，并把训练成功的网络权值和偏差保存起来。最后，利用已经训练好的网络，把剩余待诊断的20组齿轮振动信号输人小波神经网络，将网络输出与训练样本的输出向量相比较，就可以判断出该齿轮属于哪种故障[6]，其结果如表1所示。限于篇幅，下面仅举每一种故障的一个样本。从表1中可以看出，网络诊断输出的结果与实际的故障情况相同，这表明小波神经网络能够对齿轮的故障进行正确地识别，且识别的精度较高。

3 结论

应用小波神经网络对提升机的减速箱进行了故障诊断，并进行了实验研究，得出以下结论：

1）故障诊断实验样本的诊断结果和实际故障情况相吻合，利用小波神经网络可以对减速箱的故障进行正确的诊断，且识别的精度较高。

2）小波神经网络可以作为一种性能较优的模式识别系统应用于减速箱的故障诊断, 它对减速箱的各种复杂状态能够作出正确的判断, 具有较好的实用性。