很多大型工程和復雜的應用環境中，會使用到眾多大型水泵組成的機組，這些大型的泵機組，為了操作和管理方便，都會應用到比較復雜的各種應用，其中有我們稱之為泵機組神經網絡的應用。可能很多人對這個不甚了解，我們在下面就來對它的一些情況進行說明。
一、小波包分解基本原理
1、故障特征的提取
泵機組的各類故障信號通常在各個高頻段和低頻段都有分布，而小波包分解在低頻和高頻段都可以達到很精細的程度，因此非常適用于需同時提取低頻和高頻特征的信號分解。對小波包分解得到的各頻帶內的信號進行統計和分析，形成反映信號特征的頻帶能量指標。小波包尺度過少，不能有效提取故障特征，分解尺度過多，特征向量的維數大，會影響診斷速度。所以在發動機泵機組故障診斷中，根據發動機泵機組軸承和齒輪振動信號的特點，采用3尺度分解得到8個頻帶能量E3j E3j=∫S3j（t）2dt=2 n k=1 xjk2其中，xjk（j=0，1，…，7；k=1，2，…，n）表示重構信號s3j的離散點幅值。
當泵機組某部件或某系統出現故障時，會對各頻帶內信號的能量有較大的影響，故可以能量為元素構造一個特征向量T. T=E30，E31，E32，E33，E34，E35，E36，E37當能量較大時，E3j（j=0，1，…，7）通常是一個較大的數值，在數據分析上會帶來不方便的地方。因此，需對向量進行歸一化處理，令E=（2 7 j=0 E3j2）12 T'=，向量T'即為歸一化后的向量。
2、BP神經網絡的主要原理
神經網絡具有處理復雜多模式及進行聯想，推測和記憶的功能，并且具有很強的實時性。通過對故障實例和診斷經驗的訓練學習，用分布在完了過內部的連接權值來表達所學習的故障診斷支持，實現故障與征兆之間的非線性影射關系。BP神經網絡是指基于誤差反向傳播算法（BP算法）的多層前向神經網絡，神經元的變換函數采用s型函數，因此輸入量是0～1之間的連續兩，可以實現從輸入到輸出的任意非線性映射。由于連接權的調整采用的是反向傳播算法（Backpropagation），因此該網絡也稱為BP網絡。
BP網絡通常由輸入層，輸出層和若干個隱層構成，*層為輸入層，第Q層為輸出層，中間各層為隱層，前層至后層通過權連接。設第q層（q=1，2，…，Q）的神經元個數為，輸入到第q層的第個神經元的連接權系數為w（q）
ij（i=1，2，…，nq；=1，2，…，nq-1），該網絡的輸入輸出變換系數為s（q）
i=2 nq-1 j=0 w（q）ijxq-1 j式中：xq-1 0=Η（q）
io0-1. xq i=f（s（q）
i）= 1 1+e-Λsi（q）
以上兩式中：=1，2，…，；=1，2，…，；q=1，2，…，Q.設給定P組輸入樣本Θ（o）
xp = p1，x（0）
p2，…，x（0）
利用該樣本集首先對BP網絡進行訓練，也即對網絡的連接權系數進行學習和調整，以使網絡實現給點的輸入輸出映射關系，經過選練得BP網絡，對于不適樣本集中的輸入也能給出合適的輸出，該性質稱為泛化功能。
設擬合誤差的代價函數為E= 1 2 p p=1 2（dpi-x（Q）
pi）2 =2 p p=1 Ep 332010年第9期岳亮等基于小波包-神經網絡的泵機組故障診斷即：Ep= 1 2 no i=1（dpi-xQ pi）2為了使E按網絡權系數的梯度逐漸下降至zui小值，網絡的訓練采用基于梯度下降原理的BP算法。
二、模糊貼近度的故障識別原理
設故障標準模式為{Ei}（i=1，…，m），各模式所對應的故障為{Fi}（i=1，…，m），待診斷向量為R，則模糊貼近度采用的是一種極合相似的識別方法，通過計算R與{Ei}（i=1，…，m）中各個模式E的相似程度，來確定E所對應的故障F發生的可能性d（R，Ei）。模糊貼近度較為成熟的計算方法有距離法，內積法和zui大zui小法。
三、小波包神經網絡故障診斷的應用
為取得神經網絡的訓練樣本，對油泵進行了故障模擬試驗。共設置四種狀態，正常狀態，軸承內圈故障，軸承外圈故障，泵軸松動，泵不對中。每類故障采樣6組數據，分別進行小波包3層分解，取得了30組數據。表1為由振動信號提取到的小波包頻帶能量百分比，組成30×8維矩陣，作為神經網絡的輸入向量。
利用BP神經網絡進行分類訓練，表中數據為神經網絡輸入向量，分類輸出結果為四類，利用模糊貼近度原理分別定義輸出向量為：<1000>，<0100>，<0010>，<0001>.由于低頻部分能量較高，而高頻部分能量偏低，訓練后的神經網絡擬合度很低，識別精度不能滿足故障模式識別的要求，所以對數據進行列向歸一化取25組進行神經網絡分類樣本訓練，從各狀態下取一種狀態作為測試樣本。通過神經網絡樣本訓練后的精度很高，取其中任意一種狀態的特征向量進行測試，輸出的結果都與實際溫和，說明該方法可以應用到*油泵的故障診斷中。
通過對油泵故障信號進行小波包分解提取特征向量和神經網絡對故障類型的識別，取得了很好的效果。對于故障頻率分布比較分散的故障，利用小波包分解，在不丟失任何振動信號的基礎上，利用神經網絡提高了故障識別精度。在*油庫中，油泵一般為統一的型號，安裝條件也不盡相同，在各種故障條件下產生的故障信號也很類似。通過對某一類型油泵進行故障試驗，采集各類故障條件下的振動信號建立故障診斷數據庫，可以快速準確的診斷出油泵所存在的故障，保證*油庫泵房的正常運行。
可以說，泵機組的神經網絡對機組的運轉是很重要的。所以，在機組神經網絡出現故障的時候，我們*時間就是進行修復。對于故障的情況，我們在上面已做相關說明。
本文章由G型螺桿泵：（）整理分享，如需轉載請注明出處。
(來源：江蘇泰豐機械有限公司)
