基于小波神经网络的电动机故障识别

　　1 引言

　　小波神经网络是近年来发展很快的一种数学建模方法，它将小波变换良好的时频局部化性质与传统人工神经网络的自学习功能相结合，将伸缩因子(即尺度参数)和 平移参数引入神经网络，使小波神经网络有更多的自由度，从而使之比普通神经网络具有更加有效的函数逼近能力、更强的模式识别能力和容错能力。小波神经网络是基于小波变换而构成的，将非线性小波基代替传统的非线性sigmoid函数，就可以得到拓扑结构同bp网络相似的小波神经网络(wnn)，由于含有一个 隐层的wnn[1]可逼近hilbert空间紧支集上的任意连续函数，加之其良好的收敛性和鲁棒性，因此使得wnn替代常规的bp网络对设备进行故障诊断 成为可能。

　　2 小波神经网络的构造

　　对多变量输入—输出系统，基于小波空间的信号分类识别自适应神经网络模型为

　　本小波神经网络中的小波基采用morlet小波，前面已经分析过，morlet小波为余弦调制的高斯小波，具有时频域同时分辩率高的优点，其母小波表达式为

　　网络训练的目的是找出蕴含在数据样本中的输入/出关系并将这个关系转化到多层网络节点间的权值上，从而可使未经过训练的输入数据给出正确的输出，这样就称所设计的网络具有了泛化能力。

　　给小波神经网络提供多组输入样本 和对应的教师样本 ，通过基于lms的共轭梯度算法

　　在e最小化过程中，为使迭代过程加快收敛和防止振荡，一般要保证权值的变化比较平稳，根据bp网络的训练经验，在此引入适当的变步长因子η和动量因子α， 设n为迭代次数，则wnn网络参数在迭代过程中的修正公式为

　　3 异步电动机故障诊断wnn的建立和输入向量的选择

　　神经网络的故障识别准确性依赖于特征参数的有效性，因此训练数据的选择是一个很关键的问题，训练数据既要使神经网络易于区分不同的故障，又要使神经网络对尽可能多的同类故障具有适用性。综合实际电动机所发生的常见故障及其在定子电流中对应的故障特征，在此确定基于wnn对转子断条、气隙偏心以及定子绕组三类故障进行识别，三类故障作为故障模式在模式空间中作以下划分:若发生某类故障，则对应的故障状态为1，否则为0。将故障模式作为wnn训练时的理想输出，因此所构造的wnn输出层节点为3个。

　　根据对电动机的故障分析，选择以下故障特征分量作为wnn的输入:

　　(1) 主要反映偏心故障的特征频率分量[1-(1-s)/p]f;

　　(2) 主要反映转子断条故障的特征频率分量(1-2s)f;