58、非平稳故障诊断与混合系统故障检测方法研究

非平稳故障诊断与混合系统故障检测方法研究

1. 基于局部波神经网络的非平稳故障诊断

在非平稳故障诊断领域，局部波神经网络展现出了独特的优势。当参数 a 为 10，b 为 5，c 为 10，频率 f1 为 5Hz，f2 为 10Hz，f3 为 25Hz 时，模拟信号的时域波形以及局部波分解的本征模态权重如图 1 所示（为清晰展示，仅给出部分数据，采样频率为 1000Hz）。从图中可以看出，局部波能够有效地将复杂的多振荡信号分解为各个模态权重。后续将这些本征模态权重作为特征输入到构建的网络中，从而得到局部波神经网络。

1.1 RBFN 的构建

RBF 神经网络在模式识别方面与反向传播神经网络（BPNN）有相似之处，广泛应用于在线和离线的非线性自适应建模与控制。不过，BP 神经网络在实际应用中存在一些不足，如学习收敛速度慢、容易陷入局部极小值，且初始数据对学习性能影响较大。

RBF 神经网络是一种神经元分类器，其神经中心变换函数能形成多个分段接收域，构成复杂的决策场。它通过输入 - 输出对的训练集，利用训练算法学习从输入到输出的非线性映射，本质上是对非线性映射的近似。该网络包含输入节点层、中间非线性处理层和线性输出层，中间非线性处理层通常采用径向对称神经元函数，最常用的是高斯函数，表达式如下：
[R_i = \exp\left(-\frac{|x - c_i|^2}{2\sigma_i^2}\right), i = 1,2,\cdots,N]
其中，x 是 n 维输入向量，ci 是与 x 同维度的神经网络中心，σi 表示宽度的标量值，m 是中间层的单元数，‖x - ci‖表示 x 与 ci 之间的欧几里得距离。

神经网络的