基于小波神经网络的液压泵故障诊断方法及实验研究

发布时间：2020-05-07 01:57

【摘要】： 在越来越多的工业设备中,动力传递和伺服控制依靠液压系统来完成。液压系统一旦出现故障,造成的经济损失将十分巨大。液压泵是液压系统的“心脏”,液压泵出现故障将导致整个液压系统无法正常工作,因此对液压泵的状态监测和故障诊断成为了保证液压系统正常运行的关键。小波神经网络是建立在小波分析理论基础上的一种新型神经网络,它综合了小波变换良好的时频局域化性质及神经网络的自学习能力。本文将小波神经网络应用到液压泵故障诊断研究中。试验结果证明,小波神经网络应用于故障诊断领域,有助于提高故障的确诊率,具有良好的发展前景。本文的主要内容如下: (1)概述了故障诊断系统的基本组成环节和旋转机械几种常见故障。详细阐述了常用的旋转机械故障诊断方法及其优缺点,并归纳了故障诊断的新进展。 (2)阐述了小波分析的本质特征。将小波分析引入液压泵状态信号的处理中。通过对采样信号的多分辨率分解、阈值处理和重构,有效去除了系统中混杂的高频噪声,提取了故障特征信号频带内的信号成分。 (3)对BP神经网络的结构及学习算法做了详尽的分析。将BP网络应用于函数逼近和故障诊断中,具有良好的推广能力。 (4)详细阐述了小波分析和神经网络的结合途径。对松散型小波神经网络和紧致型小波神经网络的构造和学习算法进行了详细描述。 (5)将两种小波神经网络分别应用于液压泵的故障诊断,进行了试验分析,取得了很好的诊断效果。总结了小波神经网络的优越性。
【图文】：

压力信号,去噪,正交小波

图 3-4 压力信号的分解与去噪Fig.3-4 Decomposition and noise abatement of pressure signal 本章小结本章对连续小波、离散二进小波和正交小波以及小波包分析的定进行了详细的总结，阐述了小波消噪的步骤。运用小波分析技术，对液压泵出口压力信号进行二进正交小波分频噪声信号进行阈值消噪，消噪后的重构信号，明显突出了信号

误差曲线,误差曲线,隐单元数

和多次实验来确定，因而不存在一个理想的解析式来表示。与问题的要求、输入、输出单元的数目都有着直接关系。隐会导致学习时间过长、误差不一定最佳，也会导致容错性差前没有看到的样本；如果隐单元数太少，则网络可能根本无法定存在一个最佳的隐单元数。以下是几个确定隐单元数目h的：1) h = n + m + a，其中，m 为输出神经元数目，n 为输入单元数之间的常数。2)0nihiC k=∑ >，其中，k 为样本数，n为输入单元数，如果i > h，3)2h = logn，其中， n 为输入单元数。BP 神经网络应用实例为三层的 BP 神经网络可以逼近任意的非线性映射，在实际应用三层的 BP 网络就足够了。因此本例利用一单隐层 BP 网络n(8π x ) + cos(6π x)进行逼近。
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2007
【分类号】：TH137.51;TH165.3

【引证文献】