阅读说明：本技术 一种基于混合小波神经网络的工业设备故障诊断方法 (Industrial equipment fault diagnosis method based on hybrid wavelet neural network ) 是由 张瑞聪 张卫山 房凯 于 2019-04-01 设计创作，主要内容包括：本发明提出了一种基于混合小波神经网络的工业设备故障诊断方法,以音频信号作为故障信息的载体输入到Mixed-BPWNN模型,得到音频信号中的中所包含的故障信息。其核心方法包括两个方面：一方面对采集的音频信号进行小波分析,另一方面将传统网络模型中隐含层的激活函数用小波函数替代。该方法充分继承了小波变换良好的时频局部化性质及神经网络的自学习功能的特点,保留了全局最优解和局部细节最优解的优势,大大提高了网络模型对音频数据的处理能力和对故障诊断的精确度。(The invention provides a Mixed wavelet neural network-based industrial equipment fault diagnosis method, which is characterized in that an audio signal is used as a carrier of fault information and is input into a Mixed-BPWNN model to obtain the fault information contained in the audio signal. The core method comprises two aspects: on one hand, wavelet analysis is carried out on the collected audio signals, and on the other hand, the activation function of a hidden layer in the traditional network model is replaced by a wavelet function. The method fully inherits the good time-frequency localization property of wavelet transformation and the characteristic of the self-learning function of the neural network, retains the advantages of the global optimal solution and the local detail optimal solution, and greatly improves the processing capacity of the network model to audio data and the accuracy to fault diagnosis.)

一种基于混合小波神经网络的工业设备故障诊断方法

技术领域

本发明涉及工业设备故障识别领域，具体涉及到一种基于混合小波神经网络的工业设备故障诊断方法。

背景技术

基于混合小波神经网络的工业设备故障诊断方法，将采集到的音频信号进行小波分析，得到适合模型的输入；以传统的BP神经网络拓扑结构为基础，将隐含层的激活函数用小波函数替代，得到Mixed-BPWNN模型。能够最大限度地提高模型对音频信号的处理能力和故障诊断的精确度。

最接近本发明的技术有：

(1)、基于小波分析的多REF神经网络轧制力设定模型：由于轧制力信号影响因素多，关联复杂，难以建立精确的机理模型。

(2)、基于多分辨率分析的小波神经网络：在多维输入的情况下，随着网络的输入维数增加，网络所训练的样本呈指数增长，网络结构也随之变得庞大。

由于音频信号的复杂性和多样性，神经网络对音频信号的处理仍然存在很多问题，主要表现为处理方式不灵活、训练收敛速度慢、精确度不高等方面。

发明内容

为解决现有技术中的缺点和不足，本发明提出了基于混合小波神经网络的工业设备故障诊断方法，经过小波分析和神经网络两次结合，大大提高了模型对音频信号的分析能力和故障诊断的精确度。

本发明的技术方案为：

一种基于混合小波神经网络的工业设备故障诊断方法，以音频信号作为故障信息的载体输入到Mixed-BPWNN模型，得到音频信号中的中所包含的故障信息，包括以下步骤：

步骤(1)、将采集的音频信号用db系列的小波进行小波分解；

步骤(2)、重构每层的细节分量并计算每层细节信号的能量值；

步骤(3)、以传统的BP神经网络拓扑结构为基础，将隐含层的激活函数用小波函数替代，得到Mixed-BPWNN模型；

步骤(4)、根据设备不同运转状态下的高频细节信号能量分布，将能量组成特征向量，该特征向量对应设备运转的故障模式，归一化输入到Mixed-BPWNN模型。

本发明的有益效果：

(1)将音频信号进行小波分析，把处理后的数据作为Mixed-BPWNN模型的输入，即为“松散型”的结合方式，这样的处理方式会让模型对音频信号的处理更加精确，加快模型训练的收敛速度；

(2)用小波函数代替神经网络隐含层的众多激活函数，即为“紧致型”的结合方式，不仅有全局最优解，还保持局部细节最优解，学习能力更强；

(3)可以根据音频信号的不同特征选取不同的小波函数，使得网络模型更加灵活。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于混合小波神经网络的工业设备故障诊断方法流程图：

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明的基于混合小波神经网络的工业设备故障诊断方法的核心包括两个方面：一方面对采集的音频信号进行小波分析，另一方面将传统网络模型中隐含层的激活函数用小波函数替代。

下面结合图，对基于混合小波神经网络的工业设备故障诊断方法的具体流程进行详细说明：

步骤(1)、将采集的音频信号用db系列的小波进行小波分解；

步骤(2)、重构每层的细节分量并计算每层细节信号的能量值；

步骤(3)、以传统的BP神经网络拓扑结构为基础，将隐含层的激活函数用小波函数替代，得到Mixed-BPWNN模型；

步骤(4)、根据设备不同运转状态下的高频细节信号能量分布，将能量组成特征向量，该特征向量对应设备运转的故障模式，归一化输入到Mixed-BPWNN模型。

本发明的基于混合小波神经网络的工业设备故障诊断方法，充分继承小波变换良好的时频局部化性质及神经网络的自学习功能的特点，保留全局最优解和局部细节最优解的优势，大大提高了网络模型对音频数据的处理能力和对故障诊断的精确度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。