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的好壞直接關系到提升機安全運行。目前提升設備的狀態監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。專家系統基于規則，但復雜現象很難用簡單的規則來表示[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個節點，隱層有K個節點，輸出層有N個節點，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能夠作出正確的判斷, 具有較好的實用性。