针对回转窑作为一个复杂的非线性系统而难以提取有效故障特征的问题,构造了一种动态递归小波神经网络。采用基于梯度符号变化的变学习率以及引入动量项的算法,以回转窑窑尾温度、分解炉温度、窑尾负压、窑头负压、窑头温度、烧成带温度、窑电流、筒体表面温度8个物理量,作为神经网络的8个输入节点,将小波神经网络理论较好地应用在回转窑故障诊断中。归纳了回转窑的主要故障及现象。本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ 采用动态递归小波神经网络,从输出层反馈到输入层形成关联层,以存储上一时刻的输出信息。小波神经网络在网络训练时可以有效地利用输出信号回转窑故障诊断-数控滚圆机滚弧机张家港电动液压滚圆机滚弧机。对回转窑故障数据进行归一化处理并作为网络的输入向量,再用小波函数代替神经网络中的激励函数,以故障序列作为网络的输出向量。试验仿真结果表明,该网络具有较好的故障识别率和时间收敛性能。 小波神经网络的理论基础是小波函数的重构理论。递归神经网络其实就是一个动态神经网络，将当前网络的输出反馈到输入层，形成一个关联层;或者是将当前隐含层输出反馈到输入层，形成一个关联层。本文关联层有两个节点，这两个节点都是从输出层反馈到关联层所形成的。关联层存储着前一时刻网络输出的信息，通过关联层到隐含层的连接权值，将信息输入到隐含层;再通过前馈的过程，当前时刻的网络输出又会反馈到关联层。关联层的引入，增强了神经网络的逼近能力。小波神经网络结构如图1所示。图1小波神经网络结构图Fork图1中:输入层到隐含层的权值为W1ij;隐含层到输出层的权值为W0jk;隐含层自反馈的连接权值取1;系统的总输入为xi(i=1，2，…，m);隐含层的总输入为netj(j=1，2，…，l);隐含层的输出为yj;输出层的输出为On(n=1，2，…，n);小波基函数为ψ(·)，其选择对小波神经网络的影响显著。根据回转窑实际工况，对常见的小波函数进行了试验对比，最终选取Marr小波。网络的数学模型可表示为:·6·回转窑故障诊断-数控滚圆机滚弧机张家港电动液压滚圆机滚弧机本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/