基于小波神经网络的设备故障诊断方法研究ResearchonFaultDiagnosisMethodofEquipmentBasedonWaveletNeuralNetworkResearchonFaultDiagnosisMethodofEquipmentBasedonWaveletNeuralNetworkAThesisSubmittedfortheDegreeofMasterCandidate：SUNShi-huiSupervisor：Prof.ZHAOShi-junCollegeofInformation&ControlEngineeringChinaUniversityofPetroleum(EastChina)关于学位论文的独创性声明本人郑重声明：所呈交的论文是本人在指导教师指导下独立进行研究工作所取得的成果，论文中有关资料和数据是实事求是的。尽我所知，除文中已经加以标注和致谢外，本论文不包含其他人已经发表或撰写的研究成果，也不包含本人或他人为获得中国石油大学（华东）或其它教育机构的学位或学历证书而使用过的材料。与我一同工作的同志对研究所做的任何贡献均已在论文中作出了明确的说明。若有不实之处，本人愿意承担相关法律责任。学位论文作者签名：日期：年月日学位论文使用授权书本人完全同意中国石油大学（华东）有权使用本学位论文（包括但不限于其印刷版和电子版），使用方式包括但不限于：保留学位论文，按规定向国家有关部门（机构）送交学位论文，以学术交流为目的赠送和交换学位论文，允许学位论文被查阅、借阅和复印，将学位论文的全部或部分内容编入有关数据库进行检索，采用影印、缩印或其他复制手段保存学位论文。保密学位论文在解密后的使用授权同上。学位论文作者签名：日期：年月日指导教师签名：日期：年月日摘要神经网络以其固有的记忆能力、自学习能力以及强容错性为故障诊断问题提供了一个新方法。本文针对科学实验中广泛使用的平流泵的故障特点，深入研究了BP神经网络的故障诊断方法。首先用小波包分析技术做信号处理。选取小波函数，用硬阈值小波包降噪的方法将信号降噪，然后进行小波包分解与重构，以提取信号的能量特征向量，并将得到的特征向量作为神经网络的输入。本文采用具有一个隐含层的三层BP神经网络进行故障诊断，深入分析故障诊断的结果后发现：第一，网络容易陷入极小值而导致诊断失败；第二，网络的隐含层节点数难以确定。为了解决上述问题，本文研究设计了GA+BP算法。该方法是将遗传算法与神经网络相结合。首先，GA对BP神经网络做前期优化，确定出最佳网络结构及该结构对应的初始权值、阈值和网络的学习速率；然后，构造具有最佳结构和参数的神经网络来进行故障诊断。GA+BP算法的设计中，把每个染色体分解为连接基因和参数基因，对这两部分采取不同的遗传操作。连接基因采用二进制编码方法，参数基因采用实数编码方法；连接基因采用一点交叉方式和基本变异方式，参数基因中的权阈基因和速率基因各自采用算术交叉方式和非均匀变异方式。另外，交叉算子和变异算子都采用自适应的方法。GA+BP神经网络与BP神经网络故障诊断的结果对比后可以看到：第一，GA+BP神经网络比BP神经网络的工作量少，且克服了陷入局部极小的缺点，有更好的训练性能；第二，GA+BP神经网络的故障诊断准确率高于BP神经网络。由此可见，GA+BP神经网络能够更好的进行平流泵的故障诊断工作。关键词：故障诊断，小波包，神经网络，遗传算法ResearchonFaultDiagnosisMethodofEquipmentBasedonWaveletNeuralNetworkSUNShi-hui（DetectionTechnologyandAutomaticEquipment）DirectedbyProf.ZHAOShi-junAbstractNeuralnetworkoffersanewmethodforfaultdiagnosisowingtoitsmemoryability,self-learningabilityandstronglyfaulttolerance.Thispapermakesresearchonthefaultdiagnosismethodofneuralnetworkdeeplybasedonthefaultcharacteristicsofpumpwhichiswidelyusedinexperiment.Waveletpacketanalysisisusedtodothesignalprocessing.Waveletischosen,andallsign