求助！轴承故障诊断

liuxiaozi

　　1.请问用什么小波分析轴承的故障最好?我看到有的用db小波，谁有用此小波分解和重构的VC源代码。

　　2.故障信号用小波分解后，如何提取故障特征信号，然后送入BP神经网络进行模式识别。

akeen

我也有同样的问题啊，不过第二步打算用专家系统来做，论坛里也没有好的参考，自己还在思考

akeen

　　我倒是找了个bp算法
　　#include "iostream.h"
　　#include "iomanip.h"
　　#define N 20 //学习样本个数
　　#define IN 1 //输入层神经元数目
　　#define HN 8 //隐层神经元数目
　　#define ON 1 //输出层神经元数目
　　double P[IN]; //单个样本输入数据
　　double T[ON]; //单个样本教师数据
　　double W[HN][IN]; //输入层至隐层权值
　　double V[ON][HN]; //隐层至输出层权值
　　double X[HN]; //隐层的输入
　　double Y[ON]; //输出层的输入
　　double H[HN]; //隐层的输出
　　double O[ON]; //输出层的输出
　　double sita[HN]; //隐层的阈值
　　double gama[ON]; //输出层的阈值
　　double err_m[N]; //第m个样本的总误差
　　double alpha; //输出层至隐层的学习效率
　　double beta; //隐层至输入层学习效率
　　//定义一个放学习样本的结构
　　struct {
　　double input[IN];
　　double teach[ON];
　　}Study_Data[N][IN];
　　///////////////////////////
　　//初始化权、阈值子程序/////
　　///////////////////////////
　　initial()
　　{
　　float sgn;
　　float rnd;
　　int i,j;
　　//隐层权、阈值初始化//
　　{
　　//sgn=pow((-1),random(100));
　　sgn=rand();
　　rnd=sgn*(rand()%100);
　　W[j]= rnd/100;//隐层权值初始化。
　　}
　　//randomize();
　　{
　　//sgn=pow((-1),random(1000));
　　sgn=rand();
　　rnd=sgn*(rand()%1000);
　　sita[j]= rnd/1000;//中间层阈值初始化
　　cout<<"sita"<
　　}
　　//输出层权、阈值初始化//
　　//randomize();
　　for (int k=0;k
　　for (int j=0;j
　　{
　　//sgn=pow((-1),random(1000));
　　sgn=rand();
　　rnd=sgn*(rand()%1000);
　　V[k][j]=rnd/1000;//第m个样本输出层权值初始化
　　}
　　//randomize();
　　{
　　//sgn=pow((-1),random(10));
　　sgn=rand();
　　rnd=sgn*(rand()%10);
　　gama[k]=rnd/10;//输出层阈值初始化
　　cout<<"gama[k]"<
　　}
　　return 1;
　　}//子程序initial()结束
　　////////////////////////////////
　　////第m个学习样本输入子程序///
　　///////////////////////////////
　　input_P(int m)
　　{
　　for (int i=0;i
　　P=Study_Data[m]->input;
　　//获得第m个样本的数据
　　//cout<<"第"< //fprintf(fp,"第%d个样本的学习输入：
　　//P[%d]=%f\n",m,P);
　　return 1;
　　}//子程序input_P(m)结束
　　/////////////////////////////
　　////第m个样本教师信号子程序//
　　/////////////////////////////
　　input_T(int m)
　　{
　　for (int k=0;k
　　T[k]=Study_Data[m]->teach[k];
　　//cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]);
　　return 1;
　　}//子程序input_T(m)结束
　　/////////////////////////////////
　　//隐层各单元输入、输出值子程序///
　　/////////////////////////////////
　　H_I_O(){
　　double sigma;
　　int i,j;
　　for (j=0;j
　　sigma=0.0;
　　for (i=0;i
　　sigma+=W[j]*P;//求隐层内积
　　}
　　X[j]=sigma - sita;//求隐层净输入
　　H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出
　　}
　　return 1;
　　}//子程序H_I_O()结束
　　///////////////////////////////////
　　//输出层各单元输入、输出值子程序///
　　///////////////////////////////////
　　O_I_O()
　　{
　　double sigma;
　　for (int k=0;k
　　sigma=0.0;
　　for (int j=0;j
　　sigma+=V[k][j]*H[k];//求输出层内积
　　}
　　Y[k]=sigma-gama[k]; //求输出层净输入
　　O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出
　　}
　　return 1;
　　}//子程序O_I_O()结束
　　////////////////////////////////////
　　//输出层至隐层的一般化误差子程序////
　　////////////////////////////////////
　　double d_err[ON];
　　Err_O_H(int m)
　　{
　　double abs_err[ON];//每个样本的绝对误差都是从0开始的
　　double sqr_err=0;//每个样本的平方误差计算都是从0开始的
　　//for (int output=0;output
　　for (int k=0;k
　　abs_err[k]=T[k]-O[k];
　　//求第m个样本下的第k个神经元的绝对误差
　　sqr_err+=(abs_err[k])*(abs_err[k]);//求第m个样本下输出层的平方误差
　　d_err[k]=abs_err[k]*O[k]*(1.0-O[k]);//d_err[k]输出层各神经元的一般化误差
　　}
　　err_m[m]=sqr_err/2;//第m个样本下输出层的平方误差/2=第m个样本的均方误差
　　return 1;
　　}//子程序Err_O_H(m)结束
　　////////////////////////////////////
　　//隐层至输入层的一般化误差子程序////
　　////////////////////////////////////
　　double e_err[HN];
　　Err_H_I(){
　　double sigma;
　　//for (int hidden=0;hidden
　　for (int j=0;j
　　sigma=0.0;
　　for (int k=0;k
　　sigma=d_err[k]*V[k][j];
　　}
　　e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差
　　}
　　return 1;
　　}//子程序Err_H_I()结束
　　////////////////////////////////////////////////////////
　　//输出层至隐层的权值调整、输出层阈值调整计算子程序//////
　　////////////////////////////////////////////////////////
　　Delta_O_H(int m,FILE* fp)
　　{
　　for (int k=0;k
　　for (int j=0;j
　　//cout<<"第"<
　　fprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,W[k][j]);
　　V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整
　　}
　　gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整
　　}
　　return 1;
　　}//子程序Delta_O_H()结束
　　/////////////////////////////////////////////////////
　　//隐层至输入层的权值调整、隐层阈值调整计算子程序/////
　　/////////////////////////////////////////////////////
　　Delta_H_I(int m,FILE* fp)
　　{
　　for (int j=0;j
　　for (int i=0;i
　　//cout<<"第"< fprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,V[j]);
　　W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整
　　}
　　sita[j]+=beta*e_err[j];
　　}
　　return 1;
　　}//子程序Delta_H_I()结束
　　/////////////////////////////////
　　//N个样本的全局误差计算子程序////
　　/////////////////////////////////
　　double Err_Sum()
　　{
　　double total_err=0;
　　for (int m=0;m
　　total_err+=err_m[m];//每个样本的均方误差加起来就成了全局误差
　　}
　　return 1;
　　}//子程序Err_sum()结束
　　/**********************/
　　/**程序入口，即主程序**/
　　/**********************/
　　main()
　　{
　　FILE *fp;
　　double sum_err;
　　int study;//训练次数
　　if ((fp=fopen("bp.txt","a+"))==NULL)
　　{
　　printf("不能创建bp.txt文件!\n");
　　exit(1);
　　}
　　cout<<"请输入输出层到隐含层学习效率: alpha=\n";
　　cin>>alpha;
　　cout<<"请输入隐含层到输入层学习效率: beta=\n";
　　cin>>beta;
　　int study=0; //学习次数
　　double Pre_error ; //预定误差
　　cout<<"请输入预定误差: Pre_error= \n";
　　cin>>Pre_error;
　　int Pre_times;
　　cout<<"请输入预定最大学习次数:Pre_times=\n";
　　cin>>Pre_times;
　　cout<<"请输入学习样本数据\n";
　　{
　　for (int m=0;m
　　cout<<"请输入第"<
　　for (int i=0;i
　　cin>>Study_Data[m]->input;
　　}
　　{
　　for (int m=0;m
　　cout<<"请输入第"<
　　for (int k=0;k
　　cin>>Study_Data[m]->teach[k];
　　}
　　initial(); //隐层、输出层权、阈值初始化 (1)
　　do
　　{
　　++study; ///???
　　for (int m=0;m
　　{
　　input_P(m); //输入第m个学习样本 (2)
　　input_T(m);//输入第m个样本的教师信号 (3)
　　H_I_O(); //第m个学习样本隐层各单元输入、输出值 (4)
　　O_I_O(); //第m个学习样本输出层各单元输入、输出值 (5)
　　Err_O_H(m); //第m个学习样本输出层至隐层一般化误差 (6)
　　Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7)
　　Delta_O_H(m,fp); //第m个学习样本输出层至隐层权阈值调整、修改 (8)
　　Delta_H_I(m,fp); //第m个学习样本隐层至输入层权阈值调整、修改 (9)
　　} //全部样本训练完毕
　　sum_err=Err_Sum(); //全部样本全局误差计算 (10)
　　{
　　cout<<"第"<
　　fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err);
　　}
　　while (sum_err > Pre_error) //or(study
　　{ //N个样本全局误差小于预定误差否? 小于则退出 (11)
　　cout<<"网络已经学习了"<
　　fprintf(fp,"网络已经学习了%d次，现在的全局误差为：%f\n",study,total_err);
　　fclose(fp);
　　}
　　char s;
　　cout<<"请随便输入一个字符，按回车退出程序!\n";
　　cin>>s;
　　return 1;
　　}

realhappy

一般用小波包分解得到各个频段的能量函数在送入神经网络进行训练，小波分解一般用于信号除躁或者检查奇异值。

liuxiaozi

谢谢,那小波包的频带又是如何划分的?

realhappy

看你用几级小波包分解，比如四级就是16个频带，5级就是32个频带，然后根据典型的故障建立频带能量，输入神经网络训练后，就可以用来判断了。

liuxiaozi

谢谢,我的意思是每个频带的范围大小是多少,如何计算,选取有用的频带,并不是故障信号分布在每个频带里.如知道轴承的型号,大概知道故障特征频率,就可以选取所需的频带.