淺談小波神經(jīng)網(wǎng)絡(luò)及其在機械工程領(lǐng)域中的應(yīng)用

摘要：隨著科學技術(shù)的持續(xù)發(fā)展，人工神經(jīng)網(wǎng)絡(luò)誕生并得到廣泛應(yīng)用，借助計算機的力量對生物體中的神經(jīng)網(wǎng)絡(luò)功能進行模擬，具有較強的聯(lián)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(lǐng)域具有較為顯著的應(yīng)用效果?；诖?，本文將簡單介紹兩種小波神經(jīng)網(wǎng)絡(luò)的構(gòu)成方式，并對其在機械工程中的應(yīng)用進行研究和分析。

關(guān)鍵詞：小波神經(jīng)網(wǎng)絡(luò)；機械工程；應(yīng)用

引言：小波分析是小波神經(jīng)網(wǎng)絡(luò)的簡稱，由小波變換理論與人工神經(jīng)網(wǎng)絡(luò)結(jié)合而成，在聯(lián)想記憶、故障診斷等方面得到廣泛應(yīng)用。小波分析的理論思想為使用已經(jīng)定位的小波函數(shù)，替代Sigmoid函數(shù)作為激活函數(shù)，充分發(fā)揮小波分析的局部性質(zhì)，與神經(jīng)網(wǎng)絡(luò)中的自學習作用相結(jié)合，使容錯能力、數(shù)據(jù)壓縮、故障診斷等能力均得到進一步增強。

1.小波神經(jīng)網(wǎng)絡(luò)的構(gòu)成方式

1.1松散式結(jié)合

松散型方式是小波分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合的一種方式，將其作為神經(jīng)網(wǎng)絡(luò)的前置處理方式，能夠為神經(jīng)網(wǎng)絡(luò)輸送更多的特征向量，為神經(jīng)網(wǎng)絡(luò)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(zhuǎn)變后的信號建立在神經(jīng)網(wǎng)絡(luò)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(zhuǎn)變?yōu)樾〔ㄒ院?，在該領(lǐng)域中對網(wǎng)絡(luò)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?shù)綌?shù)以千計的頻帶當中，再經(jīng)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(jié)合

小波與神經(jīng)網(wǎng)絡(luò)之間還可以采用緊湊式方式結(jié)合，也就是由小波函數(shù)與尺度函數(shù)一同產(chǎn)生神經(jīng)元。根據(jù)相關(guān)調(diào)查研究顯示，此種方式的應(yīng)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(jīng)網(wǎng)絡(luò)中的隱層函數(shù)利用小波函數(shù)進行替換，并且利用小波基函數(shù)中的尺度參數(shù)替換輸入層的權(quán)值，用平移參數(shù)替換隱層閾值。由于小波函數(shù)與學習參數(shù)在選取方式上不盡相同，因此二者在緊湊式結(jié)合時不但可以采用小波函數(shù)直接替代隱層函數(shù)的方式來完成，還可以在多分辨理論的基礎(chǔ)上，構(gòu)成小波神經(jīng)網(wǎng)絡(luò)[1]。

2.小波神經(jīng)網(wǎng)絡(luò)模型在機械工程中的應(yīng)用

2.1在工況監(jiān)測與預(yù)測中的應(yīng)用

由于機械工程環(huán)境復(fù)雜多變，具有較強的不確定性，使工況監(jiān)測與預(yù)測工作的難度提升，通過學習運用，能夠使小波神經(jīng)網(wǎng)絡(luò)獲得較為理想的學習效果。在小波神經(jīng)網(wǎng)絡(luò)的運行中，能夠?qū)σ幌盗信c工況相關(guān)的動態(tài)信號，包括作用力、噪聲、溫度場等方面進行檢測，使特征參數(shù)提升，并將當前的工藝系統(tǒng)狀態(tài)輸出。利用小波神經(jīng)網(wǎng)絡(luò)構(gòu)建聲發(fā)射信號、砂輪狀態(tài)等非線性聯(lián)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(jù)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(shù)、速率系數(shù)進行適當?shù)恼{(diào)整，使網(wǎng)絡(luò)結(jié)構(gòu)得到有效的簡化，提升收斂速度。另外，相關(guān)實驗研究顯示，采用松散式小波網(wǎng)絡(luò)能夠?qū)Φ毒吣壳暗倪\行情況進行監(jiān)測，包括低頻部分、均值、方差等，將數(shù)據(jù)輸入到BP網(wǎng)絡(luò)當中后，便能夠獲取到刀具狀態(tài)。

2.2在故障診斷中的應(yīng)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(shù)的應(yīng)用中，充分發(fā)揮了人工神經(jīng)網(wǎng)絡(luò)的作用，高效的完成了識別任務(wù)，主要利用到的技術(shù)為信號分析與模式識別兩種。對此，在 相關(guān)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(chǎn)生對應(yīng)的特征值，將其輸入到BP神經(jīng)網(wǎng)絡(luò)樣本當中，在訓練后的故障分類器便能夠?qū)νL機當前工作情況進行診斷。從實驗研究結(jié)果能夠看出，神經(jīng)網(wǎng)絡(luò)與小波分析的結(jié)合，使故障診斷技術(shù)繼承了二者的優(yōu)勢，使故障診斷水平與效率得到顯著增強。

在WNN基礎(chǔ)上對電動機的氣隙偏心、轉(zhuǎn)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(jīng)網(wǎng)絡(luò)進行分析，利用共軛梯度的方式，盡可能的縮小誤差函數(shù)，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(shè)計網(wǎng)絡(luò)進行訓練，其目標與誤差的平方和為0.02，根據(jù)訓練結(jié)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(jié)果可知，電動機處于故障或者正常狀態(tài)下時，能夠從定子電流中將數(shù)據(jù)提煉出來，故障檢測結(jié)果較為理想，WNN在經(jīng)過訓練以后能夠滿足數(shù)據(jù)故障檢測的需求[2]。

2.3在自動控制與智能識別中的應(yīng)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(qū)域，對邊緣的像素量進行監(jiān)測，并且通過神經(jīng)網(wǎng)絡(luò)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(yīng)用價值。在小波神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，能夠?qū)S心軌跡的運行情況進行研究，對模糊隸屬度函數(shù)進行傳輸。從實驗研究結(jié)果可知，頻率特征與軸心軌跡之間并不具有規(guī)律，同時此種識別方式與實際情況一致，因此可以應(yīng)用于軸心軌跡的邊界分類問題的研究當中。

利用小波神經(jīng)網(wǎng)絡(luò)能夠使部分自控制方面的問題迎刃而解。在動態(tài)系統(tǒng)建模中將小波分析融入其中，并在此基礎(chǔ)上提出訓練算法，建立小波神經(jīng)網(wǎng)絡(luò)，采用動態(tài)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(jié)果中能夠看出，利用小波神經(jīng)網(wǎng)絡(luò)進行系統(tǒng)建模能夠獲得S型神經(jīng)網(wǎng)絡(luò)。同時，將其與以往傳統(tǒng)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(shù)據(jù)有效性。

結(jié)論：綜上所述，小波神經(jīng)網(wǎng)絡(luò)在機械工程中得到了較為廣泛的應(yīng)用，經(jīng)過科學技術(shù)的應(yīng)用獲得了一定的進步。隨著神經(jīng)網(wǎng)絡(luò)研究的日益深入，使原本單一的神經(jīng)計算開始朝著生物智能的方向發(fā)展，小波神經(jīng)研究與智能技術(shù)間的聯(lián)系也不斷加強，在日后的研究中，將進一步增強小波網(wǎng)絡(luò)與模糊邏輯、遺傳算法等方面的結(jié)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(yīng)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(jīng)網(wǎng)絡(luò)技術(shù)在機械工程中的應(yīng)用與展望[J]. 機械科學與技術(shù)， 2016（4）：97-103.

[2]趙登山， 王報軍. 小波神經(jīng)網(wǎng)絡(luò)在機械性能評估及其在機械預(yù)診斷中的應(yīng)用[J]. “以可靠性理論為基礎(chǔ)，開展關(guān)鍵設(shè)備系統(tǒng)管理工程”學術(shù)交流會， 2015.