礦井提升機是井下與地面聯系的重要設備，其制動系統減速箱運行狀態(tài)的好壞直接關系到提升機安全運行。目前提升設備的狀態(tài)監(jiān)測與故障診斷所存在的普遍問題是：采用的故障信息量比較窄，不全面，沒有充分利用發(fā)生故障時的所有信息，忽略各信息量之間的相互關系；故障診斷所基于的系統一般是專家系統，專家系統由于其自身的固有缺陷,容易出現“匹配沖突”、“組合爆炸”及無窮遞歸等問題。專家系統基于規(guī)則，但復雜現象很難用簡單的規(guī)則來表示[1]。小波神經網絡是一種基于    

知識的故障診斷方法，它不需要精確的數學模型，具有自學習和知識表達能力強等優(yōu)點，并具有良好的收斂性和魯棒性。因此，文中采用小波神經網絡對減速箱進行故障診斷。

1小波神經網絡的構成和學習算法

小波神經網絡是基于小波分析而構造出的一類前饋網絡，它以小波空間作為模式識別的特征空間，通過將小波基與信號向量的內積進行加權和來實現信號的特征提取，結合小波變換良好的時頻局域化性質及傳統神經網絡的自學習功能。這種網絡在處理復雜非線性函數關系等問題上表現出優(yōu)于傳統神經網絡的收斂速度、容錯能力、預報效果，具有廣泛的應用前景。

1.1 小波神經網絡的構成

小波神經網絡的結構，其中學習樣本經輸入層投影壓縮后作用于小波神經網絡。輸入端有M個節(jié)點，隱層有K個節(jié)點，輸出層有N個節(jié)點，給定P組輸入輸出樣本，xm(m=1,…M)為網絡輸入，yn(n=1,…N)為網絡輸出。隱層選取的小波為Morlet小波，對網絡的輸出也并不是進行簡單的加權求和，而是先對網絡隱層小波節(jié)點的輸出加權求和，經Sigmoid函數變換后，得到最終的網絡輸出。這樣做有利于處理分類問題，同時減少訓練過程中發(fā)散的可能性

1.2  小波神經網絡的學習算法

訓練樣本時，在權值和閾值的修正算法中加入動量項，引進前一步的修正值來平滑學習路徑，避免引入局部極小，加速學習速率。為了避免在逐個樣本訓練時，對權值和閾值修正可能出現的振蕩，采用成批訓練方法，將一批樣本所產生的修正值累計后統一進行一次處理

學習算法的具體實現步驟如下：

（1）網絡參數的初始化：將小波的伸縮因子ak、平移因子bk、網絡連接權值w km和w nk、學習率η(η>0)以及動量因子λ（0np。

（3）計算隱層及輸出層的輸出。

（4）計算誤差和梯度向量。

（5）進行遞增，即m=m+1，如果m0)，則停止網絡的學習，否則將m重置為1，并轉步驟（2）。

2小波神經網絡在礦井提升機中的應用

對礦井提升機減速箱而言，故障診斷的主要對象是齒輪，因為在減速箱的各種故障形式中，齒輪的損壞比例最大。

分別選擇每種情況下的l0組數據作為訓練樣本，設定最大訓練步數為5000，誤差指標為0.02，將這40組特征向量作為訓練樣本，若屬于正常齒輪的訓練樣本，則設定網絡輸出向量為{l，0，0，0}，屬于磨損齒輪則為{0，l，0，0}，屬于裂紋齒輪為{0，0，l，0}，屬于斷齒齒輪為{0，0，0，l}，依次可以得到40個訓練樣本的輸出向量，以此作為目標輸出對神經網絡進行訓練，并把訓練成功的網絡權值和偏差保存起來。最后，利用已經訓練好的網絡，把剩余待診斷的20組齒輪振動信號輸人小波神經網絡，將網絡輸出與訓練樣本的輸出向量相比較，就可以判斷出該齒輪屬于哪種故障[6]，其結果如表1所示。限于篇幅，下面僅舉每一種故障的一個樣本。從表1中可以看出，網絡診斷輸出的結果與實際的故障情況相同，這表明小波神經網絡能夠對齒輪的故障進行正確地識別，且識別的精度較高。

3 結論

應用小波神經網絡對提升機的減速箱進行了故障診斷，并進行了實驗研究，得出以下結論：

1）故障診斷實驗樣本的診斷結果和實際故障情況相吻合，利用小波神經網絡可以對減速箱的故障進行正確的診斷，且識別的精度較高。

2）小波神經網絡可以作為一種性能較優(yōu)的模式識別系統應用于減速箱的故障診斷, 它對減速箱的各種復雜狀態(tài)能夠作出正確的判斷, 具有較好的實用性。