淺談小波神經網絡及其在機械工程領域中的應用

摘要：隨著科學技術的持續發展，人工神經網絡誕生并得到廣泛應用，借助計算機的力量對生物體中的神經網絡功能進行模擬，具有較強的聯想、容錯、記憶能力。為了克服傅里葉在局部分析方面存在的弊端，小波分析誕生，其在時域與頻域等多個方面都具有良好的性能，在機械工程領域具有較為顯著的應用效果。基于此，本文將簡單介紹兩種小波神經網絡的構成方式，并對其在機械工程中的應用進行研究和分析。

關鍵詞：小波神經網絡；機械工程；應用

引言：小波分析是小波神經網絡的簡稱，由小波變換理論與人工神經網絡結合而成，在聯想記憶、故障診斷等方面得到廣泛應用。小波分析的理論思想為使用已經定位的小波函數，替代Sigmoid函數作為激活函數，充分發揮小波分析的局部性質，與神經網絡中的自學習作用相結合，使容錯能力、數據壓縮、故障診斷等能力均得到進一步增強。

1.小波神經網絡的構成方式

1.1松散式結合

松散型方式是小波分析與神經網絡相結合的一種方式，將其作為神經網絡的前置處理方式，能夠為神經網絡輸送更多的特征向量，為神經網絡的處理提供更多便利。在實施的過程中，首先需要對輸入信號進行小波變換，然后將轉變后的信號建立在神經網絡當中進行識別。這樣做的作用在于減少噪聲干擾，提升信號識別的準確性，也可以在信號轉變為小波以后，在該領域中對網絡模式進行識別，事實上，借助小波變換的力量對信號進行分割，使其倍傳輸到數以千計的頻帶當中，再經過濾波器的作用獲取到更加理想的識別效果。

1.2緊湊式結合

小波與神經網絡之間還可以采用緊湊式方式結合，也就是由小波函數與尺度函數一同產生神經元。根據相關調查研究顯示，此種方式的應用頻率最為廣泛，理論思想是在1992年，由張清華等人提出，也就是將普通神經網絡中的隱層函數利用小波函數進行替換，并且利用小波基函數中的尺度參數替換輸入層的權值，用平移參數替換隱層閾值。由于小波函數與學習參數在選取方式上不盡相同，因此二者在緊湊式結合時不但可以采用小波函數直接替代隱層函數的方式來完成，還可以在多分辨理論的基礎上，構成小波神經網絡[1]。

2.小波神經網絡模型在機械工程中的應用

2.1在工況監測與預測中的應用

由于機械工程環境復雜多變，具有較強的不確定性，使工況監測與預測工作的難度提升，通過學習運用，能夠使小波神經網絡獲得較為理想的學習效果。在小波神經網絡的運行中，能夠對一系列與工況相關的動態信號，包括作用力、噪聲、溫度場等方面進行檢測，使特征參數提升，并將當前的工藝系統狀態輸出。利用小波神經網絡構建聲發射信號、砂輪狀態等非線性聯系，以此來對砂輪當前的運行情況進行檢測。采用具有較強逼近力的正交小波，依據磨削信號特征，合理的選擇Morlet解析小波。采用模糊BP算法，對慣性系數、速率系數進行適當的調整，使網絡結構得到有效的簡化，提升收斂速度。另外，相關實驗研究顯示，采用松散式小波網絡能夠對刀具目前的運行情況進行監測，包括低頻部分、均值、方差等，將數據輸入到BP網絡當中后，便能夠獲取到刀具狀態。

2.2在故障診斷中的應用

故障診斷方面的重點在于征兆空間到故障空間之間的映射，從而完成故障識別與診斷。當小波分析技術的應用中，充分發揮了人工神經網絡的作用，高效的完成了識別任務，主要利用到的技術為信號分析與模式識別兩種。對此，在 相關實驗中利用小波變換功能，將通風機振動信號按照不同的頻段進行劃分，使不同頻段中的能源作為特征向量，并且針對不同故障產生對應的特征值，將其輸入到BP神經網絡樣本當中，在訓練后的故障分類器便能夠對通風機當前工作情況進行診斷。從實驗研究結果能夠看出，神經網絡與小波分析的結合，使故障診斷技術繼承了二者的優勢，使故障診斷水平與效率得到顯著增強。

在WNN基礎上對電動機的氣隙偏心、轉子斷條故障進行分析，并且將此類故障的特征頻率輸入到WNN當中。利用Morlet小波對小波分析中的神經網絡進行分析，利用共軛梯度的方式，盡可能的縮小誤差函數，使平移因子、尺度因子的修正量得到有效保障。利用訓練樣本對設計網絡進行訓練，其目標與誤差的平方和為0.02，根據訓練結果能夠看出，當訓練到285步時，能夠與目標誤差相滿足，這時訓練停止。從實驗結果可知，電動機處于故障或者正常狀態下時，能夠從定子電流中將數據提煉出來，故障檢測結果較為理想，WNN在經過訓練以后能夠滿足數據故障檢測的需求[2]。

2.3在自動控制與智能識別中的應用

借助小波變換的力量對零件圖像的尺度進行檢測，將檢測邊緣的圖像劃分為多個區域，對邊緣的像素量進行監測，并且通過神經網絡進行識別。從大量實驗研究中能看出，此種方式較為簡便，具有較強的應用價值。在小波神經網絡的基礎上，能夠對軸心軌跡的運行情況進行研究，對模糊隸屬度函數進行傳輸。從實驗研究結果可知，頻率特征與軸心軌跡之間并不具有規律，同時此種識別方式與實際情況一致，因此可以應用于軸心軌跡的邊界分類問題的研究當中。

利用小波神經網絡能夠使部分自控制方面的問題迎刃而解。在動態系統建模中將小波分析融入其中，并在此基礎上提出訓練算法，建立小波神經網絡，采用動態非線性方式進行傳輸，使建模效果與其他模型之間進行對比研究，從對比結果中能夠看出，利用小波神經網絡進行系統建模能夠獲得S型神經網絡。同時，將其與以往傳統的模型進行對比可知，模型中的分裂蒸餾塔模型仍然保留原樣，并且具有良好的精確性與數據有效性。

結論：綜上所述，小波神經網絡在機械工程中得到了較為廣泛的應用，經過科學技術的應用獲得了一定的進步。隨著神經網絡研究的日益深入，使原本單一的神經計算開始朝著生物智能的方向發展，小波神經研究與智能技術間的聯系也不斷加強，在日后的研究中，將進一步增強小波網絡與模糊邏輯、遺傳算法等方面的結合，并且針對小波分析的計算、魯棒性、收斂性等方面進行研究，使其應用范圍得到進一步增強。

參考文獻：

[1]黃洪鐘， 黃文培， 王金諾. 神經網絡技術在機械工程中的應用與展望[J]. 機械科學與技術， 2016（4）：97-103.

[2]趙登山， 王報軍. 小波神經網絡在機械性能評估及其在機械預診斷中的應用[J]. “以可靠性理論為基礎，開展關鍵設備系統管理工程”學術交流會， 2015.