分類號 密級 U D C 學號 01041030 長沙理工大學碩士學位論文 基于遺傳 樁基檢測中的應用 研 究 生 姓 名 培 養(yǎng) 單 位 計算機與通信工程學院 指導教師姓名、職稱 副教授 學 科 專 業(yè) 計算機應用技術 研 究 方 向 智 能 控 制 論 文 提 交 日 期 2004年 5月 10日 in of 2004 I 摘要 故障檢測與診斷技術在近幾十年得到飛速的發(fā)展，神經(jīng)網(wǎng)絡和遺傳算法在故障檢測與診斷中有著成功的應用，并且兩者的結(jié)合在故障檢測與診斷技術中有著廣闊的應用前景。樁基檢測屬于工程問題，用 于樁基完整性檢測的方法主要是時域和頻域分析法，對結(jié)果的分析需要依靠技術人員的工程經(jīng)驗，而且由于樁 統(tǒng)的方法遇到了很大的困難。因此需要嘗試新的方法，本文將神經(jīng)網(wǎng)絡與遺傳算法相結(jié)合來檢測樁基完整性，為樁基完整性檢測開辟了一個新途徑。 本文闡述了樁基檢測中遺傳 經(jīng)網(wǎng)絡的基本設計思想和算法實現(xiàn)過程，在遺傳 經(jīng)網(wǎng)絡中將遺傳算法與 法結(jié)合來訓練神經(jīng)網(wǎng)絡的結(jié)構(gòu)和權(quán)值。由于神經(jīng)網(wǎng)絡的結(jié)構(gòu)不同，在遺傳算法中采用小生境技術，將群體分為主群體和小群體，主群體中含有不同網(wǎng)絡結(jié)構(gòu)的個體，小群體中的個體網(wǎng) 絡結(jié)構(gòu)是相同的，采用小群體可以防止優(yōu)秀個體早期退化。文中提出了小生境技術中初始群體的設計思想和算法實現(xiàn)過程。 特征提取是信號識別與分類中的重要一環(huán)，對提高系統(tǒng)的準確性、改善系統(tǒng)性能起著關鍵的作用。特征提取的方法有很多，利用小波包變換對信號進行特征提取是近年來發(fā)展起來的一種新的特征表示手段，在許多領域中已獲得了成功的應用。對于樁基檢測信號，本文用基于最優(yōu)小波包基的特征提取方法。文中提出了基于熵規(guī)則的最優(yōu)小波包基選擇策略，并且給出了對于所有的訓練樣本的小波包最優(yōu)基選擇的具體實現(xiàn)方法。用此方法提取故障的特征，可以 減少輸入向量的維數(shù)，并且有利于故障類型的識別和分類。 將本文提出的方法應用于實際樁基信號的完整性檢測中，對于幾種模型樁的樁基故障，本文的方法都能給出正確的識別結(jié)果，實驗結(jié)果表明了該方法的有效性，檢測準確率達到了預期的效果。因此本文的故障診斷方法在工程實際中有著廣闊的應用前景，對于解決實際問題有著重要的意義。 關鍵詞： 經(jīng)網(wǎng)絡；遺傳算法；小生境技術；故障診斷；小波包分析；特征提取；樁基檢測 n A(NN A in of is a of of of to on of in of So in a NN A is to of In of in of is it be to of In is of is of of is in in is in of is of an in by is in of of of on is In of is of is by of is of of in to of of So in to BP of 目 錄 摘要 . I . 一章 緒論 . 1 基檢測 . 1 障診斷的方法 . 1 經(jīng)網(wǎng)絡在故障診斷中的應用 . 2 經(jīng)網(wǎng)絡的發(fā)展與應用 . 2 經(jīng)網(wǎng)絡在故障診斷中的應用概況 . 4 波分析在故障診斷中的應用概況 . 7 傳算法在故障診斷中的應用概況 . 8 文完成的主要工作 . 8 第二章 經(jīng)網(wǎng)絡和遺傳算法的基本理論 . 10 P 神經(jīng)網(wǎng)絡 . 10 向傳播網(wǎng)絡模型與 結(jié)構(gòu) . 10 P 算法 . 12 P 網(wǎng)絡的設計 . 13 P 網(wǎng)絡的限制與不足 . 15 傳算法 . 16 述 . 16 典遺傳算法 . 17 用 幾個要點 . 18 第三章 基于最優(yōu)小波包基的特征提取 . 20 波包分析 . 20 波包的定義 . 20 波包的性質(zhì) . 21 波包的空間分解 . 22 波包算法 . 23 優(yōu)小波包基的選擇 . 24 優(yōu)小波包基的概念 . 24 優(yōu)小波包基的快速搜索法 . 25 于熵準則的小波包基選擇 . 26 小波包最優(yōu)基分解提取信號特征 . 27 四章 遺傳 經(jīng)網(wǎng)絡的設計 . 29 述 . 29 經(jīng)網(wǎng)絡的選取 . 30 經(jīng)網(wǎng)絡權(quán)值的選取 . 30 經(jīng)網(wǎng)絡結(jié)構(gòu)設計 . 30 文的神經(jīng)網(wǎng)絡設計方法 . 31 碼表示 . 32 擇策略 . 33 傳操作 . 33 體設計 . 34 值函數(shù) . 34 傳 法的步驟 . 36 第五章 遺傳 經(jīng)網(wǎng)絡在樁基檢測中的應用 . 37 述 . 37 于神經(jīng)網(wǎng)絡的樁基完整性檢測的設計思路 . 38 本的采集 . 38 本原理 . 38 響因素 . 38 樣信號特征 . 39 經(jīng)網(wǎng)絡設計 . 41 本的選擇 . 41 基信號的特征提取 . 41 入輸出節(jié)點的確定 . 41 文方法的識別結(jié)果及分析 . 42 傳神經(jīng)網(wǎng)絡識別結(jié)果以及與本文方法的對比 . 43 結(jié) . 45 全文總結(jié) . 46 致謝 . 48 參考文獻 . 49 附錄（攻讀碩士學位期間發(fā)表論文） . 53 - 1 - 第一章 緒論 基檢測 樁基檢測屬于工程問題，通常是用動測法對樁身進行檢驗，然后對動測數(shù)據(jù)進行分析，以判斷樁身存在哪種缺陷。對動測數(shù)據(jù)進行分析的方法 很多，就其原理而言主要有時域分析和頻域分析法，但這些方法對于結(jié)果的解釋主要還是依靠測試人員的工程經(jīng)驗，有時對于同一種測試數(shù)據(jù)，不同背景的人做出的判斷可能有相當大的出入，亦即由于樁 統(tǒng)的處理方法遇到了極大的困難。因此，我們需要嘗試新的比較實用的方法，為樁基檢測開辟新的途徑。目前比較實用的方法是神經(jīng)網(wǎng)絡分析法，但是人們對這方面的討論還不多，很多理論和知識還不完善。樁基完整性檢測也屬于一類故障診斷問題，本文將其作為故障識別和分類問題來討論。 障診斷的方法 故障檢測與診斷是控制科學的重 要組成部分，作為一種交叉性科學領域，它與容錯控制、魯棒控制、自適應控制、智能控制等多種技術密切的聯(lián)系。故障檢測與診斷技術在過去的十幾年里得到了飛速發(fā)展，一些新的理論與方法，如：主元分析、遺傳算法、小波變換、神經(jīng)網(wǎng)絡、模糊系統(tǒng)、模式識別、自適應理論、非線性理論等都已經(jīng)在這里得到了成功的應用。 故障診斷的方法按照通常的分類方法可以分為基于解析模型的方法、基于信號處理的方法和基于知識的方法三大類。 基于解析模型的方法是最早發(fā)展起來的，此方法需要建立被診斷對象的較為精確的數(shù)學模型。由于系統(tǒng)的運動方程采用參數(shù)矢量表 示，這種參數(shù)實際上代表了系統(tǒng)的指標，所以根據(jù)系統(tǒng)參數(shù)的估計值與其正常值之間的偏離數(shù)值，可以判斷系統(tǒng)的故障狀態(tài)。進一步，它又可以分為參數(shù)估計方法、狀態(tài)估計方法和等價空間方法。這種方法在最近 20 年中得到了廣泛的應用。然而以往的研究大都局限于線性系統(tǒng)，因為非線性系統(tǒng)的故障診斷的難點在于數(shù)學模型很難建立，參數(shù)估計方法比狀態(tài)估計方法更適合非線性系統(tǒng)。 當難以建立診斷對象的解析數(shù)學模型時，基于信號處理的方法是非常有效的，因為這種方法回避了抽取對象的數(shù)學模型的難點。而直接利用信號模型，如相關- 2 - 函數(shù)、高階統(tǒng)計量、頻譜和自回歸 滑動平均過程，以及熱門的小波分析技術。但是，避開對象數(shù)學模型，是這種方法的優(yōu)點，也是它的缺點。 基于知識的方法與基于信號處理的方法類似，也不需要系統(tǒng)的定量數(shù)學模型，但它克服了后者的缺點，引入了診斷對象的許多信息，特別是可以充分的利用專家診斷知識等，所以是一種很有前途的方法，尤其是在非線性系統(tǒng)領域。 神經(jīng)網(wǎng)絡是近年來出現(xiàn)的一種新的方法，它具有自學習和能擬和任意連續(xù)非線性函數(shù)的能力，以及其并行處理、全局作用的能力，使得它在處理非線性問題時具有很大的優(yōu)勢。另外，遺傳算法是基于自然選擇和基因遺傳學原理的搜索算法，可 獲得全局最優(yōu)解。將兩種方法結(jié)合起來有著巨大的應用前景。 經(jīng)網(wǎng)絡在故障診斷中的應用 經(jīng)網(wǎng)絡的發(fā)展與應用 么是神經(jīng)網(wǎng)絡 人工神經(jīng)網(wǎng)絡是指模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，運用大量的處理部件，由人工方式構(gòu)造的網(wǎng)絡系統(tǒng)。 神經(jīng)網(wǎng)絡理論突破了傳統(tǒng)的、串行處理的數(shù)字電子計算機的局限，是一個非線性動力學系統(tǒng)，并以分布式存儲和并行協(xié)同處理為特色，雖然單個神經(jīng)元的結(jié)構(gòu)和功能極其簡單有限，但是大量的神經(jīng)元構(gòu)成的網(wǎng)絡系統(tǒng)所實現(xiàn)的行為卻是極其豐富多彩的。 工神經(jīng)網(wǎng)絡研究的歷史及其應用 神經(jīng)網(wǎng)絡的研究已有五十多年的歷史，但其發(fā)展是不平衡的，它的興衰還與“人工智能走什么路”這一爭議問題有關。由于其結(jié)構(gòu)的復雜性，起始階段進展不快，并一度陷入低谷，但仍有不少有識之士在極其艱難的條件下堅持研究，使研究工作始終沒有中斷，并在模型建立等理論方面取得了突破性的成果。時至今天，人工神經(jīng)網(wǎng)絡成了信息領域的熱門研究課題。 初始發(fā)展期（ 20 世紀 40 年代 20 世紀 60 年代） 早在 1943 年，美國心理學家 數(shù)學家 合提出了形式神經(jīng)的數(shù)學模型，即 型，從此開創(chuàng)了神經(jīng)科 學理論研究的新紀元。 型能夠完成有限的邏輯運算。 1944 年，心理學家 出了改變神經(jīng)元間連接強度的 則，他們至今仍在各種神經(jīng)網(wǎng)絡模型中起著重要的作用。 1957 年，計算機科學家 硬件完成了最早的神經(jīng)網(wǎng)絡模型，即感知器（ - 3 - 并用來模擬生物的感知和學習能力。 1962 年，電機工程師 出了自適應線性元件 是一個連續(xù)取值的線性網(wǎng)絡，在信號處理系統(tǒng)中用于抵消通訊中的回波和噪聲，應用十分廣泛。 低谷期（ 20 世紀 60 年代末 20 世紀 70 年代末） 1969 年，人工智能之父 表的感知器（ 一書指出，感知器無科學價值可言，連 輯分類都作不到，只能作線性劃分。由于 學術界的地位和影響，故其后若干年內(nèi)，這一研究方向處于低潮。另一方面，傳統(tǒng)的馮諾依曼電子數(shù)字計算機正處在發(fā)展的全盛時期，整個學術界都陶醉在成功的喜悅之中，從而掩蓋了新型計算機發(fā)展的必然。 盡管如此，在此期間仍然有不少有識之士不斷努力，在極端艱難的條件下致力于這一研究，為神經(jīng)網(wǎng)絡的發(fā)展奠定了理論基礎 。 學的 出了自適應共振理論 絡。芬蘭的 學的 出了自組織映射網(wǎng)絡。日本大坂大學的 出了神經(jīng)認知機網(wǎng)絡模型。日本東京大學的 神經(jīng)網(wǎng)絡進行了數(shù)學理論的研究。 興盛期（ 20 世紀 80 年代以后） 20 世紀 70 年代末期，研究和試圖模擬聽覺的人工智能專家首先遇到挫折，人們習以為常的知識難以教給計算機。計算機的設計者和制造商也發(fā)現(xiàn)前面有不可逾越的線路微型化的物理極限，人們才開始思考馮諾依曼機到底 還能走多遠。同時， 科學、生物學、光學的迅速發(fā)展也為人工神經(jīng)網(wǎng)絡的發(fā)展打下了基礎。 1982 年，加州大學的物理學家 出了 絡模型，并用電路實現(xiàn)。 1985 年， 出了 法，把學習的結(jié)果反饋到神經(jīng)網(wǎng)絡的隱層，來改變權(quán)系矩陣，它是迄今為止最普遍的網(wǎng)絡。 人提出了 模型。 1988 年，蔡少堂提出了細胞神經(jīng)網(wǎng)絡模型。 近年來，神經(jīng)網(wǎng)絡理論引起了美國、歐洲與日本等國科學家和企業(yè)家的巨大熱情。新的研究小組、實驗室、風險公司等與日俱增，世 界各國也正在組織和實施與此有關的重大研究項目。如美國 劃、日本 劃、法國尤里卡計劃、德國歐洲防御計劃和前蘇聯(lián)高技術發(fā)展計劃等。 1986 年 4 月，美國物理學會在 開了國際神經(jīng)網(wǎng)絡學術會議。 1987 年 6 月， 成立了國際神經(jīng)網(wǎng)絡學會。 1988 年起， 1990 年 3 月， 經(jīng)網(wǎng)絡會刊問世。 - 4 - 神經(jīng)網(wǎng)絡理論的應用也已經(jīng)滲透到各個領域，并在智能控制、模式識別、計算機視覺、自適應濾波、 信號處理、非線性優(yōu)化、語音識別、知識處理、傳感技術與機器人等方面取得了令人鼓舞的進展。神經(jīng)網(wǎng)絡代表一種新的主義，即連接主義，用于解決諸如知識表達、推理學習、聯(lián)想記憶、乃至復雜的社會現(xiàn)象，如混沌，社會演變等復雜系統(tǒng)的統(tǒng)一模型，它將預示著一個新的工業(yè)的到來。 經(jīng)網(wǎng)絡在故障診斷中的應用概況 故障診斷是近 40 年來發(fā)展起來的一門新學科。它是適應工程實際需要而形成的各學科交叉的綜合學科。 基于神經(jīng)網(wǎng)絡的故障診斷問題可以看成模式識別。通過對一系列過程參量進行測量，然后用神經(jīng)網(wǎng)絡從測量空間影射到故障空間，實現(xiàn)故 障診斷。 人工神經(jīng)網(wǎng)絡之所以適合于故障診斷，有以下三個原因： 1)訓練過的神經(jīng)網(wǎng)絡能存儲有關過程的知識，能直接從定量的、歷史故障信息中學習?？梢愿鶕?jù)對象的正常歷史數(shù)據(jù)訓練網(wǎng)絡，然后將此信息與當前測量數(shù)據(jù)進行比較，以確定故障。 2)人工神經(jīng)網(wǎng)絡具有濾除噪聲及在有噪聲情況下得出正確結(jié)論的能力，可以訓練人工神經(jīng)網(wǎng)絡來識別故障信息，使其能在噪聲環(huán)境中有效的工作，這種濾除噪聲的能力使得人工神經(jīng)網(wǎng)絡適合在線故障檢測和診斷。 3)人工神經(jīng)網(wǎng)絡具有分辨原因及故障類別的能力。 外的研究發(fā)展狀況 神經(jīng)網(wǎng)絡用于故 障診斷起源于 80 年代末期。 1989 年美國珀杜大學的 人將人工神經(jīng)網(wǎng)絡用于故障診斷中 7，并與基于知識的專家系統(tǒng)進行了比較。他們診斷的設備是一個流化態(tài)催化裂化單元的故障，確定了 18 種征兆（輸入節(jié)點）和 13 種故障類型（輸出節(jié)點），隱層有 527個節(jié)點。所用的算法是反向傳播算法，獲得了理想的結(jié)果；它能正確的確定94%98%的故障原因。美中不足的是訓練時間太長，并且訓練時輸入的數(shù)據(jù)不是實時的；人工神經(jīng)網(wǎng)絡映射連續(xù)變量比映射布爾量要困難得多，盡 管存在這些局限性，但他們?nèi)允堑谝淮螌⑷斯ど窠?jīng)網(wǎng)絡成功的應用于模式匹配和故障診斷中。 同年，日本慶應義塾大學的 人將神經(jīng)網(wǎng)絡用于診斷化工過程的初期故障 8。他們認為人工神經(jīng)網(wǎng)絡通過聯(lián)想記憶有學習和存儲故障信息的能力，并且具有聯(lián)想診斷過程故障的能力。網(wǎng)絡可以從穩(wěn)態(tài)過程變量數(shù)值中學習到故障知識，這些參量既有正常狀態(tài)下采集的也有故障狀態(tài)下采集的，用來表- 5 - 示故障的程度。提出了一個兩級多層神經(jīng)網(wǎng)絡用于故障診斷，一級網(wǎng)絡用于識別含有噪聲的故障，一旦識別出故障，二級就來估算故障的程度，這樣可以 診斷出早期故障。 美國德克薩斯大學的 人應用人工神經(jīng)網(wǎng)絡進行故障診斷 9時采用連續(xù)變量作為輸入，但其工作的一個限制是只適合于穩(wěn)態(tài)系統(tǒng)。診斷的對象是 3 個等溫連續(xù)攪拌釜反應器， 人用人工神經(jīng)網(wǎng)絡識別 6 種可能的故障。他們根據(jù)一個標量決策函數(shù)采用人工神經(jīng)網(wǎng)絡對輸入模式進行分類；采用 法，討論了隱層節(jié)點數(shù)對學習效率的影響。當訓練集中只有 6 個輸入模式時，人工神經(jīng)網(wǎng)絡的誤診斷率僅為 20%；有 12 個模式時，系統(tǒng)的診斷正確率為 100%。 1990 年 ， 人用人工神經(jīng)網(wǎng)絡進行傳感器故障檢測 10，傳感器故障檢測的最主要問題是對過程的正確模擬。對一個復雜的非線性過程，這一任務非常困難。 人試圖用人工神經(jīng)網(wǎng)絡來區(qū)分由傳感器故障引起的模式和由過程 聲及擾動引起的模式。結(jié)果表明：人工神經(jīng)網(wǎng)絡對傳感器故障的預測準確性比其它方法高，原因是人工神經(jīng)網(wǎng)絡能抓住非線性問題，另外人工神經(jīng)網(wǎng)絡能夠在線進行訓練，訓練好后，它所需要的計算時間要少于其它算法。 人進一步擴展了這種采用人工神經(jīng)網(wǎng)絡的故障檢測方法 11，他們采用的是所謂的局部區(qū)域網(wǎng)絡（ 并展示了一種去除網(wǎng)絡多余節(jié)點，提高效率的方法。該網(wǎng)絡只有一層，同時采用有監(jiān)督和無監(jiān)督學習方法訓練。 基于這一工作，局部接收區(qū)域網(wǎng)絡展示了在線進行傳感器故障檢測的希望。首先，網(wǎng)絡能夠準確的檢測出故障，效果優(yōu)于 人的反向傳播網(wǎng)絡；其次，局部接收區(qū)域網(wǎng)絡與任何人工神經(jīng)網(wǎng)絡一樣可以離線訓練，然后用于在線服務。 1990 年美國賓夕法尼亞大學的 人探索了采用自適應人工神經(jīng)網(wǎng)絡進行故障診斷和過程控制 12。自適應人工神經(jīng)網(wǎng)絡可用于故障識別系統(tǒng)，采用基于則的 法，以連接強度表示輸入（報警和傳感器測量結(jié)果）和輸出（故障、傳感器故障或控制系統(tǒng)故障）之間的關系。這個系統(tǒng)是一個能夠象線性相關性一樣學習非線性和邏輯關系的模式識別器。對一個小模擬化工廠進行診斷，用加入了噪聲的定性（報警）和定量（傳感器）數(shù)據(jù)進行網(wǎng)路學習，非線性網(wǎng)絡學習的重要性在于要求有足夠靈敏度的特征數(shù)據(jù)和優(yōu)化報警閾值問題。 麻省理工學院的 人采用徑向偏置函數(shù)即高斯密度函數(shù)： - 6 - )|e 2h 代替 數(shù)： 11)( 結(jié)果表明，采用徑向基函數(shù)可以使： 1)人工神經(jīng)網(wǎng)絡的泛化能力加強，能更好的處理訓練數(shù)據(jù)以外的測試實例。 2)人工神經(jīng)網(wǎng)絡能估計測試實例與原來的分類器的接近程度。 3)訓練速度加快。 1991 年北卡羅來納州立大學的 人用人工神經(jīng)網(wǎng)絡對交流感應電動機進行了故障診斷 13。他們認為交流感應電動機的初期故障如果檢測不出來，則可導致整個機器損壞，超過 大電機的早期故障檢測法用于中小型感應電機上造價太高或不實用。為此他們建立了一種基于高序神經(jīng)網(wǎng)絡的中小型感應電動機初期故障診斷法，這種方法避免了傳統(tǒng)初期故障診斷法中存在的一些問題。該方法利用了一些可靠的信息，如轉(zhuǎn)子速度和定子電流等。神經(jīng)網(wǎng)絡的設計是在實驗室的一個 552W 永磁感應電動機上實時進行的，計算結(jié)果表明，基于神經(jīng)網(wǎng)絡的初期故障檢測儀的識別準確率超過 95%，適合現(xiàn)場應用。 人論述了過程自動化領域的神經(jīng)網(wǎng)絡診斷法，他們認為幾種結(jié)構(gòu)的神經(jīng) 網(wǎng)絡比基于模型的方法和專家系統(tǒng)更適合于故障診斷，并指出雙曲正切多層感知器網(wǎng)絡單元最適合故障診斷。將其用于熱交換器 統(tǒng)有 14 個含有噪聲的測量結(jié)果和 10 種故障，該網(wǎng)絡經(jīng) 3000 次學習后能將故障正確的檢測并分類，并用主分量分析法描述故障診斷問題。 1994 年 人用混合神經(jīng)網(wǎng)絡診斷多故障 14，采用 大量的模式分為很多小的子集以便網(wǎng)絡能夠更有效的對故障進行分類。它的優(yōu)點是即使網(wǎng)絡是用單故障訓練的，但對沒學過的多故障也 可以檢測，并在反應器中得到了應用。 內(nèi)的研究狀況 我國也有一些學者對神經(jīng)網(wǎng)絡在旋轉(zhuǎn)機械故障診斷中的應用進行了探討，取得了一定的成果。東北大學虞和濟教授對機械設備故障診斷的人工神經(jīng)網(wǎng)絡法進行了深入的研究 515，建立了旋轉(zhuǎn)機械神經(jīng)網(wǎng)絡分類系統(tǒng)并得到了應用，取得了滿意的效果。西安交通大學的屈梁生教授等較早地利用人工神經(jīng)網(wǎng)絡對大型旋轉(zhuǎn)機械的各種故障進行了全面的研究 16，研究了如何從現(xiàn)場故障信號中提取故障特- 7 - 征并將全息診斷法用于神經(jīng)網(wǎng)絡診斷系統(tǒng)中。東南大學的鐘秉林等也就神經(jīng)網(wǎng)絡對給定知識的表 達、聯(lián)想、記憶能力及網(wǎng)絡結(jié)構(gòu)進行了研究 17并指出神經(jīng)網(wǎng)絡在機械故障診斷中顯示了極大的應用潛力。張煒等一批科技工作者對旋轉(zhuǎn)機械故障診斷中的神經(jīng)網(wǎng)絡算法進行了研究 18，采用動態(tài)學習算法，引入控制因子，結(jié)果表明這種改進提高了 絡的收斂速度，改善了網(wǎng)絡的性能，具有實際應用意義。建立了基于概率神經(jīng)網(wǎng)絡的大機組快速響應診斷系統(tǒng)，其收斂速度為 絡的 2 萬倍；實現(xiàn)了對大機組常見故障快速、簡捷、自動的智能化診斷并減少了對專家的依賴；研制出實用的“傻瓜”式智能診斷軟件，已投入使用。此外還有人就神經(jīng)網(wǎng)絡用于設備故障 診斷的各種問題進行了研究并均取得了一定的結(jié)果。 波分析在故障診斷中的應用概況 在故障診斷中，故障信號往往含有大量的時變、突發(fā)性質(zhì)的成分，傳統(tǒng)的信號分析方法如 換無能為力，不能有效的提取故障的特征。而且在故障診斷領域，我們經(jīng)常會遇到非平穩(wěn)信號，應用 換也不能得到有效的結(jié)果。小波變換作為一種時頻分析方法，它在時頻兩域都具有表征信號局部特征的能力，特別適宜于非平穩(wěn)信號的處理，從而為故障診斷技術提供了良好的技術支持。近年來，許多學者對小波變換在故障診斷方面的應用進行了研究，取得了 大量有價值的成果。 小波分析在故障診斷中主要用于故障信號的特征提取。張靜遠等討論了四種基于小波變換的特征提取方法 19：基于小波變換的模極大值特征、基于小波分解的能量特征、基于小波包分解的熵特征以及基于適應性小波網(wǎng)絡的特征提取方法，闡述了各方法的基本原理和實現(xiàn)過程。陳長征、虞和濟等人提出了基于小波分析的機械故障特征提取方法 20，通過對奇異故障信號的檢測、信噪分離和信號頻帶分析來提取故障特征，這種方法提取的故障信息應用在神經(jīng)網(wǎng)絡等其他故障診斷方法中可以更準確、更全面的診斷故障。周維忠等提出了一種基于小波 系數(shù)聚類的特征提取方法 21，克服了樣本抽樣數(shù)目較大時神經(jīng)網(wǎng)絡結(jié)構(gòu)復雜的問題。而且沈國重、黃艷芳等將小波變化和神經(jīng)網(wǎng)絡結(jié)合起來進行故障診斷 2223。 小波分析可以對信號進行有效的時頻分解，但由于其對尺度是按二進制變化的，所以在高頻頻段其頻率分辨率較差，而在低頻頻段其時間分辨率較差，即對信號的頻帶進行等間隔劃分。小波包分析能夠為信號提供一種更加精細的分析方法，它將頻帶進行多層次劃分，對小波分解沒有細分的高頻部分進一步分解，并能夠根據(jù)被分析信號的特征，自適應的選擇相應的頻帶，使之與信號頻譜相匹配，- 8 - 從而 提高了時頻分辨率。基于此，王首勇、張曉文等提出了基于小波包變換的特征提取方法 242526。用小波包進行特征提取，為了更有效的提取信號的特征，需要提取小波包的最優(yōu)基， 討論了小波包最優(yōu)基的提取方法 2728。并且黃艷芳、何福順、楊潔明等將小波包分析與神經(jīng)網(wǎng)絡的故障診斷系統(tǒng)結(jié)合起來29。 傳算法在故障診斷中的應用概況 遺傳算法在故障診斷中的應用剛剛起步，公開發(fā)表的文獻不多，但是在基于神經(jīng)網(wǎng)絡的故障診斷中，遺傳算法用于神經(jīng)網(wǎng)絡的輔助設計發(fā)揮著很大的作用。由于遺傳算法 具有全局尋優(yōu)的能力，在神經(jīng)網(wǎng)絡的設計中得到越來越廣泛的應用。 用遺傳算法設計神經(jīng)網(wǎng)絡主要是神經(jīng)網(wǎng)絡結(jié)構(gòu)和權(quán)值的設計，在固定網(wǎng)絡結(jié)構(gòu)時只需要在學習的過程中優(yōu)化網(wǎng)絡的權(quán)值，這種方法比較簡單。因為對于一個故障診斷問題，神經(jīng)網(wǎng)絡的結(jié)構(gòu)不容易確定，因此需要對網(wǎng)絡的結(jié)構(gòu)和權(quán)值共同設計， 明等給出了用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡結(jié)構(gòu)和權(quán)值的方法 303132，并且張敏等給出了結(jié)構(gòu)和權(quán)值的一種新的實數(shù)編碼方案 33，使遺傳操作變的簡單易行。但由于遺傳算法往往找到的是全局次優(yōu)解，而 法找到的是局部最優(yōu)解，因此我們考慮將遺傳算法與 法結(jié)合起來訓練神經(jīng)網(wǎng)絡，以得到全局最優(yōu)解，熊凌等將 法作為遺傳算法的一個算子引入到遺傳算法中 34，收到了很好的效果。又因為在遺傳算法中交叉和變異概率的選取一般是靠經(jīng)驗來選取，相對比較困難，郭曉婷等提出了自適應選擇交叉和變異概率的遺傳算法 35。 同時人們將遺傳算法和神經(jīng)網(wǎng)絡結(jié)合起來用于故障診斷和模式識別，將雄偉、敏等分別討論了其在故障診斷和模式識別中的應用 363738。 文完成的主要工作 在廣泛閱讀故障診斷、樁 基檢測、遺傳算法、小波分析和神經(jīng)網(wǎng)絡的相關文獻的基礎上，針對現(xiàn)有樁基完整性檢測領域中的欠缺之處，本文提出基于遺傳 且將其應用于實際的樁基檢測中，實驗證明了此方法在樁基檢測領域有著廣闊的應用前景。本文主要完成以下工作： 1)提出基于熵規(guī)則的最優(yōu)小波包基的提取，然后用此最優(yōu)基分解來提取樁基信號的