近年来,由于计算机技术、信号处理、人工智能、模式识别等技术的发展,促进了故障诊断技术的不断发展,特别是基于知识的故障诊断方法得到了广泛的研究。其中,随着神经网络技术的日趋完善,基于神经网络的故障诊断方法受到了广泛的关注。由于故障诊断的一个主要步骤是对信号进行采集和处理,而小波分析是对信号进行分析和处理的一个有效的工具,同时由于小波函数的诸多优良特性,将小波函数或尺度函数作为神经网络的激励函数可以获得更好的诊断效果,所以小波与神经网络的结合——小波神经网络在故障诊断中的应用成为近年来故障诊断领域中研究的一个热点。 本文在综合分析了各种小波神经网络的结构与算法并对油田抽油机井的数据进行小波包分解以提取其特征向量的基础之上,构造了基于单尺度多维紧支径向小波框架的自适应对角回归小波神经网络。该网络包括初始的学习网络和在训练过程中根据精度的要求而自适应并入的子网络,各级网络的隐含 层均由单尺度下的多维紧支径向小波框架构成,且尺度逐级增加,每一级网络对其上一级网络的误差进行学习,而且对新并入的子网络参数的训练不影响已训练好的网络的参数,直到满足精度要求为止,这样就可以根据精度的要求自适应地确定网络的隐含层节点数,使隐含层节点数的确定有据可依,在很大的程度上优化了网络的结构,较之多维小波神经网络通常所采用的张量积结构可以更进一步地缓解多维小波神经网络中普遍存在的“维数灾”问题。同时,网络的隐含层节点采用对角回归结构,通过引入一阶自反馈环节可以在不增加网络输入节点的前提下反映系统的动态特性,且其对信息的记忆可以达到无限。针对所提出的网络,本文推导出了与之相适应的带遗忘因子的动态递推最小二乘算法对网络的各参数进行训练,同时给出了尺度和位移参数的初始化方法以及网络权值的初始化方法。 应用本文所构造的小波神经网络并利用采集到的电流数据经小波包分解后得到的特征向量对油田抽油机井的故障进行诊断,实际结果表明,基于小波神经网络的故障诊断方法比传统的 BP 神经网络诊断方法更高效、更准确,可以更好地应用于实际生产过程中。