CN102122133A - 自适应小波神经网络异常检测故障诊断分类系统及方法 - Google Patents

Abstract

本发明是一种自适应小波神经网络异常检测故障诊断分类系统及方法，可应用到经济管理异常检测、图像识别分析、视频检索、音频检索、信号异常检测、安全检测等领域。该系统包括采集装置、变送装置、A/D转换装置、自适应小波神经网络异常检测故障诊断分类处理机、显示交互装置、异常报警装置、异常处理装置七个部分构成。自适应小波神经网络异常检测故障诊断分类系统的异常检测故障诊断分类对象是待检测系统自适应小波神经网络对样本可以自动建立自适应机制，通过小波变换多尺度分析能有效提取信号的特征信息，并能够得到更加准确的异常检测、故障诊断定位结果。采用该方法的装置具有通用性，在上述应用领域中准确度高，可实时监控，而且成本低。

Description

自适应小波神经网络异常检测故障诊断分类系统及方法

技术领域

本发明提出了一种自适应小波神经网络异常检测故障诊断分类系统及方法，可应用到异常检测、故障诊断、模式识别、工业、经济管理、图像、视频、音频、信号处理、安全等领域。

背景技术

目前，异常检测和故障诊断的应用需求极为广泛，例如在工业控制领域，很多设备都要在工作异常时发出警报，使管理员可以采取及时的处理措施；在施工领域，施工人员迫切需要一种诊断方法和设备对故障设备和系统进行分析，并作出故障定位。在经济管理，需要一种对于经济学相关的数据进行分析的方法，能够及时地分析和定位异常和问题。在图像和视频处理领域，需要一种方法能够对存在异常的图像和视频加以定位和分类，特别是视频检索、异常检测研究领域存在需求。对于音频和信号处理，例如声纳探测、机械噪音分析，也特别需要一种能够对异常信号敏感的异常检测，故障诊断分类方法。还有公共安全、质量安全检测领域，信息异常检测的必要性就显得格外重要，强烈需求一种能够自动运行的异常检测、问题分类的方法。医学上根据基因分析病症，根据检查结果诊断分析病因病情的需求同样是本发明的一个典型的应用点。

上述工业、经济管理、图像、视频、音频、信号处理、安全等领域对异常检测和故障诊断需求都很大，但没有一种可以解决上述需求的通用的异常检测，故障诊断分类方法和系统(装置)。即使在某个特殊领域存在着一些初级的异常检测、故障诊断方法，例如模板比对法、一般神经网络法、概率法，也都存在着应用局限性、自适应性差、准确度低(误诊误判率高)和对样本数据严重依赖的问题。而且没有一种用于多领域的异常检测、故障诊断分类的分析系统。即使在某个专门的领域存在专用的故障分析仪，使用时对检测对象的要求十分苛刻，特别是对系统的输入输出缺乏自适应能力，而且价格昂贵。

发明内容

本发明的目的是为满足上述领域对异常检测和故障诊断分类系统及方法的需求，克服现有异常检测、故障诊断方法的上述缺陷，提供了一种自适应小波神经网络异常检测故障诊断分类系统及方法，该方法克服了应用有局限性、自适应性差、准确度低(误诊误判率高)和对样本数据严重依赖的问题，该方法可以解决工业、经济管理、图像、视频、音频、信号处理、安全、医学等领域尚未解决的智能诊断、自动异常检测、数据辅助分析的问题和需求。

为了实现上述目的，本发明采取了如下技术方案：

自适应小波神经网络异常检测故障诊断分类系统100，包括采集装置101、变送装置102、A/D转换装置103、自适应小波神经网络异常检测故障诊断分类处理机104、显示交互装置105、异常报警装置106和异常处理装置107。自适应小波神经网络异常检测故障诊断分类系统100的异常检测故障诊断分类对象是待检测系统110。

采集装置101的输入接在待检测系统110的M个监测点(111-1至111-M)上，采集当前监测点的模拟信号a(.)＝a(a₁，a₂…，a_i)，其中(i＝1，2，…，M)，并同过采集装置101内部的保护机制限制接入的模拟信号，保护后级装置；采集装置101的输出与变送装置102的输入相连，将接入的模拟信号经过变送装置102转换成为标准的模拟信号A(.)＝A(A₁，A₂，…，A_i)，其中(i＝1，2，…，M)；变送装置102的输出与A/D转换装置103的输入相连，将变送器输出的标准模拟信号转换成为数字信号x(.)＝x(x₁，x₂，…，x_i)，其中(i＝1，2，…，M)；A/D转换装置103的输出与自适应小波神经网络异常检测故障诊断分类处理机104的输入相连，自适应小波神经网络异常检测故障诊断分类处理机104通过自适应小波神经网络异常检测故障诊断分类方法对M个监测点(111-1至111-M)监测的结果进行计算，得出检测结果f(.)＝f(f₁，f₂，…，f_m)，m＝1，2，…，F；自适应小波神经网络异常检测故障诊断分类处理机104的数字输入输出接口与显示交互装置105的输入相连，显示交互装置105显示自适应小波神经网络异常检测故障诊断分类处理机104计算的结果，并接受操纵者对系统工作状态的设定和对样本数据的输入；自适应小波神经网络异常检测故障诊断分类处理机104的异常检测输出接口与异常报警装置106相连接，异常报警装置106用于在发生异常和故障时，通过警示装置、通讯工具对操纵者进行报警；自适应小波神经网络异常检测故障诊断分类处理机104的异常处理输出接口与异常处理装置107相连接，异常处理装置107在发生异常和故障时，通过硬件装置对待检测系统进行控制。

所述的待检测系统110和采集装置101，采集装置101的M个输入装置是根据待检测系统110具体应用到一个领域时M个监测点(111-1至111-M)的类型而确定的，采集结果为模拟信号a(.)＝a(a₁，a₂，…，a_i)，其中(i＝1，2，…，M)；当系统应用于工业控制领域时，待检测系统110的监测点(1111至111M)的类型为电压、电流、电阻、温度、湿度、流量、受力、磁场强度、光强、辐射、振动、角度时，采集装置则选用与之对应的传感器；当系统应用于图像、视频处理领域时，待检测系统110的监测点(111-1至111-M)的类型为一幅幅图像时，采集装置则选用与之对应的摄像头、摄像机、照相机、取景器、图像传感器、感光元件传感器、录像机、放像机、计算机；当系统应用于音频、信号处理领域时，待检测系统110的监测点(111-1至111-M)的类型为声音信号、电磁波信号、生物信号、雷达信号、声纳信号、光电信号时，采集装置则选用与之对应的信号传感器、信号接收器、信号探测器；当系统应用于经管信息领域时，待检测系统110的监测点(111-1至111-M)的类型为经济指标、化学分析指标、设备检测结果、调查统计结果时，采集装置则选用与之对应的计算机检测系统、检测设备、化学分析设备、统计计算设备。

所述的自适应小波神经网络异常检测故障诊断分类处理机104，采用了自适应小波神经网络异常检测故障诊断分类方法，其中自适应小波神经网络300由输入层301、自适应层302、小波函数计算层303、输出层304、综合层305五个部分依次连接构成。其中包括M个输入层301结点，M个自适应层302结点，n个小波函数计算层303结点，N个输出层304结点和F个综合层305结点构成。其中w_ji为自适应层302与小波函数计算层303的连接权值，w_jk为小波函数计算层303与输出层304的连接权值；M、n的取值范围在5-10之间。

其中输入层301用来存储经过采集、变送、转换处理得到的输入变量x(.)＝x(x₁，x₂，…，x_i)，(i＝1，2，…，M)；自适应层302将其自适应变换为标准化的待计算量X(.)＝X(X₁，X₂，…，X_i)，其中(i＝1，2，…，M)；小波函数计算层303计算得到未经处理的检测诊断原始计算结果Y(.)＝Y(Y₁，Y₂，…，Y_i)，其中(i＝1，2，…，N)；输出层304对检测诊断原始结果进行逆自适应变换，得到检测诊断计算结果y(.)＝y(y₁，y₂，…，y_j)，其中(j＝1，2，…，N)；综合层305对检测诊断计算结果进行综合计算，得到最终的检测诊断结果f(.)＝f(f₁，f₂，…，f_m)，m＝1，2，…，F。

所述的自适应小波神经网络异常检测故障诊断分类处理机104，可以是计算机、工控机、服务器、单片机系统、嵌入式系统或硬件电路；可以接受显示交互装置105的数据输入、指令输入，根据输入改变采用了自适应小波神经网络异常检测故障诊断分类方法的系统的工作状态；可以根据操纵者的指令，对指定的异常和故障通过异常报警装置106进行报警；可以根据操纵者的指令，对指定的异常和故障通过异常处理装置107进行控制量输出。

自适应小波神经网络异常检测故障诊断分类方法，由网络训练210和网络计算220两个核心步骤组成。

5.1网络训练210

网络训练210由参数配置211、系统初始化212、建立样本自适应机制213、自适应小波网络训练214和保存网络215五个步骤构成。

5.1.1参数配置211：

在进行网络训练210和网络计算220的计算前，要对自适应小波神经网络异常检测故障诊断分类方法涉及的参数进行配置。通过显示交互设备显示交互装置105，输入训练样本xt(..)，网络学习速率η，η的取值一般在[0.01，0.7]之间；动量系数μ，μ的取值一般在(0，1)之间；目标熵Et，Et的取值一般在[样本数据精度数量级×10^-3，样本数据精度数量级×10^-1]之间；sigmoid为激励函数参数θ₀、θ₁、α和β，取值范围详见输出层304的计算描述部分。网络的输入层301和自适应层302结点数M、小波函数计算层303结点数n、输出层304结点数N和综合层305结点数F，并将上述参数保存为D_AWNN(.)＝[η，μ，Et，θ₀，θ₁，α，β，M，n，N，F]；输入并保存综合层305计算公式f_AWNN(y₁，y₂，…，y_N)；

通过显示交互装置105输入训练样本其中每一行表示一组训练样本，xt_ji表示第j个训练样本的第i个输入值，t_jk表示第j个训练样本的第k个目标值；i＝1，2，…，M，M为待监测量的个数；j＝1，2，…，L，L为训练样本组数；k＝1，2，…，N，N为自适应小波神经网络输出的维数；

5.1.2系统初始化212：

初始化自适应层302和小波函数计算层303之间的网络权值表wi_j(..)，小波函数计算层303、输出层304之间的w_jk(..)和小波函数参数a_j(.)，b_j(.)；

5.1.3建立样本自适应机制213

监控量输入自适应机制的建立过程如下：按照式1至式4计算自适应向量：

$\mathrm{adp}(.)=\left(\begin{array}{cccccccc}\mathrm{adpx}{M}_1& \mathrm{adpx}{M}_2& \·\·\·& \mathrm{adpx}{M}_M& {\mathrm{adptM}}_1& {\mathrm{adptM}}_2& \·\·\·& {\mathrm{adptM}}_N\\ \mathrm{adpx}{m}_1& \mathrm{adpx}{m}_2& \·\·\·& {\mathrm{adpxm}}_M& {\mathrm{adptm}}_1& {\mathrm{adptm}}_2& \·\·\·& {\mathrm{adptm}}_N\end{array}\right),$

$\mathrm{adp}(.)=\left(\begin{array}{cccccccc}\mathrm{adpx}{N}_1& \mathrm{adpx}{N}_2& \·\·\·& \mathrm{adpx}{N}_M& {\mathrm{adptN}}_1& {\mathrm{adptN}}_2& \·\·\·& {\mathrm{adptN}}_N\\ \mathrm{adpx}{n}_1& \mathrm{adpx}{n}_2& \·\·\·& {\mathrm{adpxn}}_M& {\mathrm{adptn}}_1& {\mathrm{adptn}}_2& \·\·\·& {\mathrm{adptn}}_N\end{array}\right)$

其中adpxM_j表示L个样本中第j个输入变量的最大值，adpxm_j表示L个样本中第j个变量的最小值，adptN_j表示L个样本中第j个目标值的最大值，adpxn_j表示L个样本中第j个目标值的最小值；

adpxM_j＝max(xt_ij)，i＝1，2，…，M，j＝1，2，…，L    (1)

adpxm_j＝min(xt_ij)，i＝1，2，…，M，j＝1，2，…，L    (2)

adptN_j＝max(t_ij)，i＝1，2，…，N，j＝1，2，…，L    (3)

adptn_j＝min(t_ij)，i＝1，2，…，N，j＝1，2，…，L    (4)

根据自适应向量adp(.)，按照式5将x(.)自适应变换为X(.)：

$X(i,j)=\frac{\mathrm{xt}(i,j)-{\mathrm{adpxm}}_i}{{\mathrm{adpxM}}_i-{\mathrm{adpxm}}_i},$ i＝1，2，…，M    (5)

同理根据自适应向量adp(.)，按照式6将t(.)自适应变换为T(.)：

$T(i,j)=\frac{t(i,j)-{\mathrm{adptn}}_i}{{\mathrm{adptN}}_i-{\mathrm{adptn}}_i},$ i＝1，2，…，N    (6)

与之对应的训练样本xt(..)，就被变换为了XT(..)，

可以分为自适应输入矩阵

和自适应目标值矩阵

两部分；

5.1.4自适应小波网络训练214

令小波函数计算层303的结点为小波函数Ψ(x)通过伸缩平移产生的一组小波基，如式7所示：

${\mathrm{\Ψ}}_j\left(x\right)=\frac{1}{\sqrt{a_j}}\·\mathrm{\Ψ}\left(\frac{x-b_j}{a_j}\right)---\left(7\right)$

其中，Ψ_j为第j个小波基，j＝1，2，…，n，n为小波基的个数；a_j为第j个小波基的伸缩因子，决定小波函数的形状；b_j为第j个小波基的平移因子，决定小波函数的水平位置；

以当前自适应层的输出X(.)作为输入，则第i个输出层变量Y(i)的网络计算220公式如式8：

$Y\left(i\right)=\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\·{\mathrm{\Ψ}}_j(\underset{k=0}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}\·X_k),$ i＝1，2，…，N    (8)

其中，w_ij为自适应层302与小波函数计算层303的连接权值，w_jk为小波函数计算层303与输出层304的连接权值，X_k表示小波函数计算层303第k个输入变量；

自适应小波神经网络的训练方法采用经典的基于梯度最速下降法的神经网络训练方法，令网络学习速率为η，动量系数为μ，提高收敛速度，网络参数调整公式如下：

对于L组样本xt(..)，采用下列方式表示样本：x_pk为第p个训练样本第k个输入，X_pk为自适应变换后的x_pk，Y_pi为第p个训练样本实际计算出的第i个输出，t_pi为第p个训练样本对应的第i个目标输出，T_pi为自适应变换后的t_pi，按照式9定义熵函数E：

$E=-\underset{p=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}[T_{\mathrm{pi}}\·\ln y_{\mathrm{pi}}+(1-T_{\mathrm{pi}})\ln (1-y_{\mathrm{pi}})]---\left(9\right)$

设小波函数计算层303第j个训练样本的输入为net_j，计算公式为式10：

${\mathrm{net}}_j=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}\·X_{\mathrm{pk}}---\left(10\right)$

则由式8和式10，得到式11，计算出未经处理的检测诊断原始计算结果：

$Y\left(i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\mathrm{\Ψ}\left({\mathrm{net}}_j\right),$ (i＝1，2，…，N)        (11)

由式9和式11，求偏导数得到式12至式15：

$\frac{\∂E}{\∂w_{\mathrm{ij}}}=-\underset{p=1}{\overset{L}{\mathrm{\Σ}}}(T_{\mathrm{pi}}-y_{\mathrm{pi}}){\mathrm{\Ψ}}_j\left({\mathrm{net}}_{\mathrm{pj}}\right)---\left(12\right)$

$\frac{\∂E}{\∂w_{\mathrm{jk}}}=-\underset{p=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(T_{\mathrm{pi}}-y_{\mathrm{pi}})\·w_{\mathrm{ij}}\·{{\mathrm{\Ψ}}_j}^{\′}\left({\mathrm{net}}_{\mathrm{pj}}\right)\·X_{\mathrm{pk}}/a_j---\left(13\right)$

$\frac{\∂E}{\∂b_j}=\underset{p=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(T_{\mathrm{pi}}-y_{\mathrm{pi}})\·w_{\mathrm{ij}}\·{{\mathrm{\Ψ}}_j}^{\′}\left({\mathrm{net}}_{\mathrm{pj}}\right)/a_j---\left(14\right)$

$\frac{\∂E}{\∂a_j}=\underset{p=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(T_{\mathrm{pi}}-y_{\mathrm{pi}})\·w_{\mathrm{ij}}\·{{\mathrm{\Ψ}}_j}^{\′}\left({\mathrm{net}}_{\mathrm{pj}}\right)\·\left(\frac{{\mathrm{net}}_{\mathrm{pj}}-b_j}{b_j}\right)/a_j---\left(15\right)$

网络学习速率为η，动量系数为μ，则自适应小波神经网络权值调整公式为式16至式19：

$w_{\mathrm{jk}}(t+1)=w_{\mathrm{jk}}\left(t\right)-\mathrm{\η}\·\frac{\∂E}{\∂w_{\mathrm{jk}}}+\mathrm{\μ}\·\mathrm{\Δ}{w}_{\mathrm{jk}}\left(t\right)---\left(16\right)$

$w_{\mathrm{ij}}(t+1)=w_{\mathrm{jk}}\left(t\right)-\mathrm{\η}\·\frac{\∂E}{\∂w_{\mathrm{ij}}}+\mathrm{\μ}\·\mathrm{\Δ}{w}_{\mathrm{ij}}\left(t\right)---\left(17\right)$

$a_j(t+1)=a_j\left(t\right)-\mathrm{\η}\·\frac{\∂E}{\∂a_j}+\mathrm{\μ}\·\mathrm{\Δ}{a}_j\left(t\right)---\left(18\right)$

$b_j(t+1)=b_j\left(t\right)-\mathrm{\η}\·\frac{\∂E}{\∂b_j}+\mathrm{\μ}\·\mathrm{\Δ}{b}_j\left(t\right)---\left(19\right)$

按照基于梯度最速下降法的神经网络训练方法进行迭代计算，直至当前训练熵E小于目标熵Et时，停止迭代计算；训练的结果为满足目标熵Et的自适应层302和小波函数计算层303之间的网络权值表wi_j(..)，小波函数计算层303、输出层304之间的w_jk(..)和小波函数参数a_j(.)，b_j(.)；

5.1.5保存网络215

保存自适应层302和小波函数计算层303之间的网络权值表Wij(..)＝w_ij(..)，小波函数计算层303、输出层304之间的Wjk(..)＝w_jk(..)和小波函数参数Aj(.)＝a_j(.)，Bj(.)＝b_j(.)，以及保存自适应向量ADP(.)＝adp(.)，用于网络计算220；

5.2网络计算220

网络计算220由网络初始化221、待测样本输入222、样本数据自适应化223、自适应小波网络计算224和计算结果综合225五个步骤构成；

5.2.1网络初始化221：

在网络计算220计算前，至少要进行一次网络训练210以获得用于自适应小波神经网络计算的参数Wij(..)、Wjk(..)、Aj(.)和Bj(.)；

载入自适应层302和小波函数计算层303之间的网络权值表w_ij(.)＝Wij(..)，小波函数计算层303、输出层304之间的网络权值表w_jk(..)＝Wjk(..)和小波函数参数a_j(.)＝A_j(.)，b_j(.)＝B_j(.)；以及载入自适应向量adp(.)＝ADP(.)；从网络配置参数D_AWNN[]＝[η，μ，Et，θ₀，θ₁，α，β，M，n，N，F]中载入网络学习速率η＝D_AWNN[η]，动量系数μ＝D_AWNN[μ]，目标熵Et＝D_AWNN[Et]，Sigmoid为激励函数参数θ₀＝θ_AWNN[θ₀]、θ₁＝D_AWNN[θ₁]、α＝D_AWNN[α]和β＝D_AWNN[β]，网络的输入层301和自适应层302结点数M＝D_AWNN[M]、小波函数计算层303结点数n＝D_AWNN[n]、输出层304结点数N＝D_AWNN[N]和综合层305结点数F＝D_AWNN[F]；载入综合层305计算公式f_AWNN(y₁，y₂，…，y_N)；

5.2.2待测样本输入222：

采集装置101采集当前检测系统110的M个监测点(111-1至111-M)监测点的模拟信号a(.)＝a(a₁，a₂，…，a_i)，其中(i＝1，2，…，M)，将其经过变送装置102转换成为标准的模拟信号A(.)＝A(A₁，A₂，…，A_i)，其中(i＝1，2，…，M)；A/D转换装置103将变送器输出的标准模拟信号转换成为数字信号x(.)＝x(x₁，x₂，…，x_i)，其中(i＝1，2，…，M)，并输入自适应小波神经网络异常检测故障诊断分类处理机104作为待测样本的输入；

5.2.3样本数据自适应化223：

根据载入的自适应向量adp(.)，按照式20将x(.)自适应变换为X(.)：

$X\left(i\right)=\frac{x\left(i\right)-{\mathrm{adpxm}}_i}{{\mathrm{adpxM}}_i-{\mathrm{adpxm}}_i},$ i＝1，2，…，M    (20)

5.2.4自适应小波网络计算224：

以当前自适应层的输出X(.)作为输入，则第i个输出层变量Y(i)的网络计算220公式如式21：

$Y\left(i\right)=\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\·{\mathrm{\Ψ}}_j(\underset{k=0}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}\·X_k),$ i＝1，2，…，N    (21)

其中，w_ij为自适应层302与小波函数计算层303的连接权值，w_ik为小波函数计算层303与输出层304的连接权值，Ψ_j为第j个小波基，X_k表示小波函数计算层303第k个输入变量；

输出层采用Sigmoid为激励函数，将小波函数计算层303的输出Y(i)按照式22计算得到输出层304输出y(i)：

$y\left(i\right)=\frac{1}{1+e^{[-(Y\left(i\right)+{\mathrm{\θ}}_1)/{\mathrm{\θ}}_0]}}\·\mathrm{\α}-\mathrm{\β},$ i＝1，2，…，N    (22)

式22中参数的物理意义是：参数θ₁表示横向偏值，正的θ₁使激活函数水平向左移动；参数θ₀的作用是调节sigmoid函数水平形状的，较小的θ₀使sigmoid函数逼近一个阶越限幅函数，而较大的θ₀将使sigmoid函数变得较为平坦；α的作用是调节sigmoid函数纵向形状的，较小的α使sigmoid函数高度较小呈扁平状，而较大的α将使sigmoid函数高度较大；β表示纵向偏值，正的β使激活函数垂直向上移动；

式22中参数的取值的原则是：如果自适应小波神经网路输出的结论期望是布尔型，θ₀取值较小，在[0，1)之间；如果自适应小波神经网路输出的结论期望是连续型，θ₀取值较大，在[1，2)之间；θ₀的的取值一般为1，在特殊应用时取值范围一般在(-1，1)之间；α和β的配合可以调整sigmoid函数的输出范围，例如α＝1和β＝0时sigmoid函数的输出范围是(0，1)，而α＝2和β＝1时sigmoid函数的输出范围是(-1，1)，通常情况下α和β的取值是上述的这两种情况；

5.2.5计算结果综合225：

综合层305将自适应小波神经网路计算的结果通过计算得出一个或多个结论，结论的个数用F来表示，计算公式可以用式23表示；

f_m＝f_AWNN(y₁，y₂，…，y_N)，m＝1，2，…，F    (23)

F个f_m即为自适应小波神经网路计算的最终结论；

本发明的与现有技术相比的优势：

1.本发明设计的自适应小波神经网络，比普通的神经网络多了一个自适应层302，可以在网络训练210时，可以自动对各类应用中用到的样本数据建立起自适应机制，在网络计算220时，可以自动运用自适应机制将输入的待监测样本数据转换成与训练样本匹配的自适应小波神经网络的输入。自适应层302使本发明设计的自适应小波神经网络与其它神经网络相比，即本发明设计的自适应小波神经网络异常检测故障诊断分类方法与其它网络异常检测故障诊断分类方法相比，拥有了自适应的特点，具有了通用性和跨领域应用性。

2.本发明设计的自适应小波神经网络，比普通的神经网络多了一个综合层305，使得神经网络的输出直接具有计算结果到检测诊断结果的映射机制，比其它神经网络具有更好的表达结论的能力。综合层305使本发明设计的自适应小波神经网络与其它神经网络相比，即本发明设计的自适应小波神经网络异常检测故障诊断分类方法与其它网络异常检测故障诊断分类方法相比，能够得到更准确的检测、诊断结论。

3.小波变换通过尺度伸缩和平移对信号进行多尺度分析，能够有效提取信号的局部信息；神经网络具有自学习、自适应和容错性等特点并是一类通用的函数(映射)逼近器，本发明提出的自适应小波神经网络在继承了两者的优点的基础上，引入自适应机制和综合机制，使得本发明较之现有方法和技术，同时具更好的自适应能力、函数(映射)逼近能力和模式识别分类能力，可以得到更明确、更精确的异常检测和故障诊断结论。

附图说明

图1自适应小波神经网络的层次结构图；

图2自适应小波神经网络异常检测故障诊断分类方法的流程图；

图3自适应小波神经网络异常检测故障诊断分类系统(装置)框图。

具体实施方式

下面结合附图1～图3对本发明进行详细说明：

本发明中的采集装置101的M个输入装置是根据待检测系统110具体应用到一个领域时M个监测点的类型而确定的：当系统应用于工业控制领域时，待检测系统110的监测点的类型为电压、电流、电阻、温度、湿度、流量、受力、磁场强度、光强、辐射、振动或角度时，采集装置则选用于之对应的传感器；当系统应用于图像、视频处理领域时，待检测系统110的监测点类型为一幅图像时，采集装置101则选用于之对应的摄像头、摄像机、照相机、取景器、图像传感器、感光元件传感器、录像机、放像机或计算机；当系统应用于音频、信号处理领域时，待检测系统110的监测点类型为声音信号、电磁波信号、生物信号、雷达信号、声纳信号、光电信号时，采集装置则选用于之对应的信号传感器、信号接收器、信号探测器；当系统应用于经管信息领域时，待检测系统110的监测点类型为经济指标、化学分析指标、设备检测结果、调查统计结果时，采集装置则选用于之对应的计算机检测系统、检测设备、化学分析设备或统计计算设备。

本实施例以工业控制过程中实时地对设备进行异常检测和故障诊断为例。在详细描述实施过程中，对于关键步骤，也举例说明了本发明提出的自适应小波神经网络异常检测故障诊断分类方法在其它领域应用时的实施方法，以便加深读者对本发明内容的理解。

1.自适应小波神经网络异常检测故障诊断分类系统(装置)的实施方案：

采用了自适应小波神经网络异常检测故障诊断分类方法的系统(装置)由采集装置101、变送装置102、A/D转换装置103、自适应小波神经网络异常检测故障诊断分类处理机104、显示交互装置105、异常报警装置106、异常处理装置107七个部分构成。

自适应小波神经网络异常检测故障诊断分类系统的待测系统为常见的多路加热系统，该待测系统对60路加热炉加热，采用普通PID控制方法从室温加热至200℃。60路加热系统根据供电负载要求共分为5组，每组有12个加热炉，共用一条动力电电缆。

在本实施例中采集装置101为5支Pt100温度传感器、5支10A电流互感器、5支500V电压变送器。所以每组加热炉配有1支Pt100温度传感器、1支10A电流互感器和1支500V电压变送器，分别将其安装在每组第一个加热炉的炉内、加热炉的交流供电电线和加热炉的交流供电端子上。由于不需要远距离传输，变送装置102直接采用导线，将三种传感器采集的温度、电流、电压信号接到MD转换装置103。A/D转换装置103采用由ADC0809为核心的模拟电路，将温度信号、电流信号、电压信号转换成为0～1的数字信号，通过总线接口传给自适应小波神经网络异常检测故障诊断分类处理机104。自适应小波神经网络异常检测故障诊断分类处理机104采用以S3C2410为核心的采用WindowsCE5.0为操作系统的嵌入式开发板，在WindowsCE5.0编写采用了自适应小波神经网络异常检测故障诊断分类方法的控制程序。显示交互装置105为3.5寸触摸液晶屏，通过数据总线和自适应小波神经网络异常检测故障诊断分类处理机104连接。异常报警装置106采用100W红色灯泡、大功率蜂鸣器和GSM通讯模块，其中100W红色灯泡、大功率蜂鸣器接在固态继电器的输出上，固态继电器的输入与自适应小波神经网络异常检测故障诊断分类处理机104的位I/O接口相连，GSM通讯模块通过串口与自适应小波神经网络异常检测故障诊断分类处理机104的串口相连。异常处理装置107采用500V固态继电器，固态继电器的输入与自适应小波神经网络异常检测故障诊断分类处理机104的位I/O接口相连，输出串联接入监控对象的总电源回路。

以上是采用了自适应小波神经网络异常检测故障诊断分类方法的系统(装置)如何将实际应用中的模拟信号转换为自适应小波神经网络的输入，以及网络的输出如何反馈给管理员和待测系统的过程。在图像、视频处理中，上述15个输入点可以是将图像进行灰度化后形成的5×3的灰度值矩阵；在医学处理中，上述输入点可以是15项检查化验的数据。输入值域没有限制，自适应小波神经网络会在网络训练210中自动建立自适应机制，解决输入标准化问题。

2.自适应小波神经网络的网络训练：

自适应小波神经网络的网络训练由参数配置211、系统初始化212、建立样本自适应机制213、自适应小波网络训练214和保存网络215五个步骤构成；

2.1参数配置211：

在进行网络训练210和网络计算220的计算前，要对自适应小波神经网络异常检测故障诊断分类方法涉及的参数进行配置；通过显示交互设备显示交互装置105，

对于训练样本xt(..)，每一行表示了一个训练样本，前15列为输入，最后1列为该15个输入对应的工作状态，用户可以通过建立最后一列的数值与工作状态(可以是异常状态)的对应关系，来实现对异常和故障的分类标识。

例如建立工作状态处置表如下：

状态代号	状态描述	是否异常报警	是否异常处理	备注
					1	电压过低	是	否
2	电压过高	是	是
					3	电流过低	是	否
4	电流过高	是	是

5	温度过低	是	否
					6	温度过高	是	是
7	加热炉异常	是	是
					8	控制器异常	是	是
9	电源故障	是	否
					0	正常	否	否

网络学习速率η＝0.3；

动量系数μ＝0.5；

目标熵Et＝0.01；

sigmoid为激励函数参数θ₀＝1、θ₁＝0、α＝2和β＝1；

网络的输入层301和自适应层302结点数M＝15；

小波函数计算层303结点数n＝10；

输出层304结点数N＝1；

综合层305结点数F＝1；

并将上述参数保存为D_AWNN(.)＝[η，μ，Et，θ₀，θ₁，α，β，M，n，N，F]；

输入并保存综合层305计算公式f_AWNN(y)＝y；

2.2系统初始化212：

初始化自适应层302和小波函数计算层303之间的网络权值表wi_j(..)，小波函数计算层303、输出层304之间的w_jk(..)和小波函数参数a_j(.)，b_j(.)；

2.3建立样本自适应机制213

根据训练样本xt(..)，输入层301的结点存放待计算的自适应小波神经网络的输入向量x(.)＝x(x₁，x₂，…，x₁₅)，输入层301不对输入向量进行任何计算，即输入层301的输出仍然是x(x₁，x₂，…，x₁₅)；

自适应层302的在网络训练301中根据训练样本的输入变量，建立监控量输入自适应机制，在网络计算302中根据上述自适应机制将自适应小波神经网络的输入向量x(.)＝x(x₁，x₂，…，x₁₅)变换为X(.)＝X(X₁，X₂，…，X₁₅)；

监控量输入自适应机制的建立过程如下：按照式24至式27计算自适应向量 $\mathrm{adp}(.)=\left(\begin{array}{cccccccc}\mathrm{adpx}{M}_1& \mathrm{adpx}{M}_2& \·\·\·& \mathrm{adpx}{M}_M& {\mathrm{adptM}}_1& {\mathrm{adptM}}_2& \·\·\·& {\mathrm{adptM}}_N\\ \mathrm{adpx}{m}_1& \mathrm{adpx}{m}_2& \·\·\·& {\mathrm{adpxm}}_M& {\mathrm{adptm}}_1& {\mathrm{adptm}}_2& \·\·\·& {\mathrm{adptm}}_N\end{array}\right),$

$\mathrm{adp}(.)=\left(\begin{array}{cccccccc}\mathrm{adpx}{N}_1& \mathrm{adpx}{N}_2& \·\·\·& \mathrm{adpx}{N}_M& {\mathrm{adptN}}_1& {\mathrm{adptN}}_2& \·\·\·& {\mathrm{adptN}}_N\\ \mathrm{adpx}{n}_1& \mathrm{adpx}{n}_2& \·\·\·& {\mathrm{adpxn}}_M& {\mathrm{adptn}}_1& {\mathrm{adptn}}_2& \·\·\·& {\mathrm{adptn}}_N\end{array}\right),$

其中adpxM_j表示L个样本中第j个输入变量的最大值，adpxm_j表示L个样本中第j个变量的最小值，adptN_j表示L个样本中第j个目标值的最大值，adpxn_j表示L个样本中第j个目标值的最小值；

adpxM_j＝max(xt_ij)，i＝1，2，…，M，j＝1，2，…，L    (24)

adpxm_j＝min(xt_ij)，i＝1，2，…，M，j＝1，2，…，L    (24)

adptN_j＝max(t_ij)，i＝1，2，…，N，j＝1，2，…，L    (26)

adptN_j＝min(t_ij)，i＝1，2，…，N，j＝1，2，…，L    (27)

根据自适应向量adp(.)，按照式5将x(.)自适应变换为X(.)：

$X(i,j)=\frac{\mathrm{xt}(i,j)-{\mathrm{adpxm}}_i}{{\mathrm{adpxM}}_i-{\mathrm{adpxm}}_i},$ i＝1，2，…，M    (28)

同理根据自适应向量adp(.)，按照式6将t(.)自适应变换为T(.)：

$T(i,j)=\frac{t(i,j)-{\mathrm{adptn}}_i}{{\mathrm{adptN}}_i-{\mathrm{adptn}}_i},$ i＝1，2，…，N    (29)

与之对应的训练样本xt(..)，就被变换为了XT(..)；

2.4自适应小波网络训练214

设计小波函数计算层303的结点为小波函数Ψ(x)通过伸缩平移产生的一组小波基，如式30所示：

${\mathrm{\Ψ}}_j\left(x\right)=\frac{1}{\sqrt{a_j}}\·\mathrm{\Ψ}\left(\frac{x-b_j}{a_j}\right)---\left(25\right)$

自适应小波神经网络的训练方法采用经典的基于梯度最速下降法的神经网络训练方法，通过网络学习速率为η，动量系数为μ，提高收敛速度，网络参数调整公式如下：

对于L组样本xt(..)，采用下列方式表示样本：x_pk为第p个训练样本第k个输入，X_pk为自适应变换后的x_pk，Y_pi为第p个训练样本实际计算出的第i个输出，t_pi为第p个训练样本对应的第i个目标输出，T_pi为自适应变换后的t_pi，定义熵函数为式31

$E=-\underset{p=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}[T_{\mathrm{pi}}\·\ln y_{\mathrm{pi}}+(1-T_{\mathrm{pi}})\ln (1-y_{\mathrm{pi}})]---\left(26\right)$

设式32：

${\mathrm{net}}_{\mathrm{pj}}=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}\·X_{\mathrm{pk}}---\left(27\right)$

则由式43和式27，得到式33：

$Y\left(i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\mathrm{\Ψ}\left({\mathrm{net}}_j\right),$ (i＝1，2，…，N)(28)

由式26和式28，求偏导数得到式34至式37：

$\frac{\∂E}{\∂w_{\mathrm{ij}}}=-\underset{p=1}{\overset{L}{\mathrm{\Σ}}}(T_{\mathrm{pi}}-y_{\mathrm{pi}}){\mathrm{\Ψ}}_j\left({\mathrm{net}}_{\mathrm{pj}}\right)---\left(29\right)$

$\frac{\∂E}{\∂w_{\mathrm{jk}}}=-\underset{p=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(T_{\mathrm{pi}}-y_{\mathrm{pi}})\·w_{\mathrm{ij}}\·{{\mathrm{\Ψ}}_j}^{\′}\left({\mathrm{net}}_{\mathrm{pj}}\right)\·X_{\mathrm{pk}}/a_j---\left(30\right)$

$\frac{\∂E}{\∂b_j}=\underset{p=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(T_{\mathrm{pi}}-y_{\mathrm{pi}})\·w_{\mathrm{ij}}\·{{\mathrm{\Ψ}}_j}^{\′}\left({\mathrm{net}}_{\mathrm{pj}}\right)/a_j---\left(31\right)$

$\frac{\∂E}{\∂a_j}=\underset{p=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(T_{\mathrm{pi}}-y_{\mathrm{pi}})\·w_{\mathrm{ij}}\·{{\mathrm{\Ψ}}_j}^{\′}\left({\mathrm{net}}_{\mathrm{pj}}\right)\·\left(\frac{{\mathrm{net}}_{\mathrm{pj}}-b_j}{b_j}\right)/a_j---\left(32\right)$

网络学习速率为η，动量系数为μ，则自适应小波神经网络权值调整公式为式38至式41：

$w_{\mathrm{jk}}(t+1)=w_{\mathrm{jk}}\left(t\right)-\mathrm{\η}\·\frac{\∂E}{\∂w_{\mathrm{jk}}}+\mathrm{\μ}\·\mathrm{\Δ}{w}_{\mathrm{jk}}\left(t\right)---\left(33\right)$

$w_{\mathrm{ij}}(t+1)=w_{\mathrm{jk}}\left(t\right)-\mathrm{\η}\·\frac{\∂E}{\∂w_{\mathrm{ij}}}+\mathrm{\μ}\·\mathrm{\Δ}{w}_{\mathrm{ij}}\left(t\right)---\left(34\right)$

$a_j(t+1)=a_j\left(t\right)-\mathrm{\η}\·\frac{\∂E}{\∂a_j}+\mathrm{\μ}\·\mathrm{\Δ}{a}_j\left(t\right)---\left(35\right)$

$b_j(t+1)=b_j\left(t\right)-\mathrm{\η}\·\frac{\∂E}{\∂b_j}+\mathrm{\μ}\·\mathrm{\Δ}{b}_j\left(t\right)---\left(36\right)$

按照基于梯度最速下降法的神经网络训练方法进行迭代计算，直至当前训练熵E小于目标熵Et时，停止迭代计算；

对自适应小波神经网络进行训练，训练的结果为满足目标熵Et的自适应层302和小波函数计算层303之间的网络权值表wi_j(.)，小波函数计算层303、输出层304之间的w_jk(..)和小波函数参数a_j(.)，b_j(.)；

2.5保存网络215

保存自适应层302和小波函数计算层303之间的网络权值表Wij(..)＝w_ij(..)，小波函数计算层303、输出层304之间的Wjk(..)＝w_jk(..)和小波函数参数Aj(.)＝a_j(.)，Bj(.)＝b_j(.)，用于网络计算220；

3.自适应小波神经网络的网络计算220：

由网络初始化221、待测样本输入222、样本数据自适应化223、自适应小波网络计算224和计算结果综合225五个步骤构成；

3.1网络初始化221：

在网络计算220计算前，至少要进行一次网络训练210以获得用于自适应小波神经网络计算的参数Wij(..)、Wjk(..)、A_j(.)、B_j(.)和ADP(.)；

载入自适应层302和小波函数计算层303之间的网络权值表w_ij(.)＝Wij(..)，小波函数计算层303、输出层304之间的网络权值表w_jk(..)＝Wjk(..)和小波函数参数a_j(.)＝A_j(.)，b_j(.)＝B_j(.)；以及载入自适应向量adp(.)＝ADP(.)；从网络配置参数D_AWNN[]＝[η，μ，Et，θ₀，θ₁，α，β，M，n，N，F]中载入网络学习速率η＝D_AWNN[η]，动量系数μ＝D_AWNN[μ]，目标熵ET＝D_AWNN[Et]，Sigmoid为激励函数参数θ₀＝D_AWNN[θ₀]、θ₁＝D_AWNN[θ₁]、α＝D_AWNN[α]和β＝D_AWNN[β]，网络的输入层301和自适应层302结点数M＝D_AWNN[M]、小波函数计算层303结点数n＝D_AWNN[n]、输出层304结点数N＝D_AWNN[N]和综合层305结点数F＝D_AWNN[F]；载入综合层305计算公式f_AWNN(y₁，y₂，…，y_N)；

3.2待测样本输入222：

将实施例第一部分中，自适应小波神经网络异常检测故障诊断分类处理机104采集的5个温度、5个电流和5个电压信号存入x(.)中，即为待计算的自适应小波神经网络的输入向量x(.)。

例如x(.)＝[1 1 1 1 0 1 1 0 1 1 0 1 1 1 1]。

3.3样本数据自适应化223：

根据自适应向量adp(.)，按照式42将x(.)自适应变换为X(.)：

$X\left(i\right)=\frac{x\left(i\right)-{\mathrm{adpxm}}_i}{{\mathrm{adpxM}}_i-{\mathrm{adpxm}}_i},$ i＝1，2，…，15        (37)

3.4自适应小波网络计算224：

以当前自适应层的输出X(.)作为输入，则第i个输出层变量Y(i)的网络计算220公式如式43：

$Y\left(i\right)=\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\·{\mathrm{\Ψ}}_j(\underset{k=0}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}\·X_k),$ i＝1        (38)

其中，w_ij为自适应层102与小波函数计算层103的连接权值，w_ik为小波函数计算层103与输出层104的连接权值，Ψ_j为第j个小波基，X_k表示小波函数计算层103第k个输入变量。计算出输出Y(.)。

输出层采用Sigmoid为激励函数，

再将小波函数计算层103的输出Y(i)按照式44计算得到输出层104输出y(i)：

$y\left(i\right)=\frac{2}{1+e^{[-Y\left(i\right)]}}-1,$ i＝1(39)

计算出输出y(i)；

3.5计算结果综合225：

以y(i)为输入，计算最终结果f_m＝f_AWNN(y)＝y(i)，m＝1，并根据f_m和自适应小波神经网络的实际应用背景解释成为相应的结论；

例如本实施例中，输入样本为x(.)＝[1 1 1 1 0 1 1 0 1 1 0 1 1 1 1]时，经过网络计算220得到的f₁＝0.9705≈1，所以可以认定，从当前监测点检测的结果可以判定，待测系统的工作状态属于第1种情况。并送显示交互装置105显示，查询工作状态处置表，做异常报警，通过异常报警装置106点亮警示灯，发出蜂鸣，通过GSM模块给管理员发送短信息提醒，但不作异常处理，即不操作异常处理装置107。

Claims (5)

1.自适应小波神经网络异常检测故障诊断分类系统，其特征在于：包括采集装置(101)、变送装置(102)、A/D转换装置(103)、自适应小波神经网络异常检测故障诊断分类处理机(104)、显示交互装置(105)和异常报警装置(106)；自适应小波神经网络异常检测故障诊断分类系统(100)的异常检测故障诊断分类对象是待检测系统(110)；

采集装置(101)的输入端接在待检测系统(110)的M个监测点上，采集当前各监测点的模拟信号，采集装置(101)的输出端与变送装置(102)的输入端相连，变送装置(102)将采集的模拟信号转换成标准的模拟信号；变送装置(102)的输出端与A/D转换装置(103)的输入端相连，将变送器输出的标准模拟信号转换成为数字信号；A/D转换装置(103)的输出端与自适应小波神经网络异常检测故障诊断分类处理机(104)的输入端相连，自适应小波神经网络异常检测故障诊断分类处理机(104)通过自适应小波神经网络异常检测故障诊断分类方法对M个监测点监测的结果进行计算得出检测结果；自适应小波神经网络异常检测故障诊断分类处理机(104)的数字输入输出接口与显示交互装置(105)的输入相连，显示交互装置(105)显示自适应小波神经网络异常检测故障诊断分类处理机(104)计算的结果，并接受操纵者对系统工作状态的设定和对样本数据的输入；自适应小波神经网络异常检测故障诊断分类处理机(104)的异常检测输出接口与异常报警装置(106)相连接，异常报警装置(106)用于在发生异常和故障时，通过警示装置、通讯工具对操纵者进行报警。

2.根据权利要求1中所述的自适应小波神经网络异常检测故障诊断分类系统，其特征在于，所述采集装置(101)的M个输入装置是根据待检测系统(110)具体应用到一个领域时M个监测点的类型而确定的：当系统应用于工业控制领域时，待检测系统(110)的监测点的类型为电压、电流、电阻、温度、湿度、流量、受力、磁场强度、光强、辐射、振动或角度时，采集装置则选用于之对应的传感器；当系统应用于图像、视频处理领域时，待检测系统(110)的监测点类型为一幅图像时，采集装置(101)则选用于之对应的摄像头、摄像机、照相机、取景器、图像传感器、感光元件传感器、录像机、放像机或计算机；当系统应用于音频、信号处理领域时，待检测系统(110)的监测点类型为声音信号、电磁波信号、生物信号、雷达信号、声纳信号、光电信号时，采集装置则选用于之对应的信号传感器、信号接收器、信号探测器；当系统应用于经管信息领域时，待检测系统(110)的监测点类型为经济指标、化学分析指标、设备检测结果、调查统计结果时，采集装置则选用于之对应的计算机检测系统、检测设备、化学分析设备或统计计算设备。

3.根据权利要求1中所述的自适应小波神经网络异常检测故障诊断分类系统，其特征在于：所述的自适应小波神经网络异常检测故障诊断分类处理机(104)采用了自适应小波神经网络异常检测故障诊断分类方法，其中自适应小波神经网络(300)由输入层(301)、自适应层(302)、小波函数计算层(303)、输出层(304)、综合层(305)五个部分依次连接构成；其中包括M个输入层(301)结点，M个自适应层(302)结点，n个小波函数计算层(303)结点，N个输出层(304)结点和F个综合层(305)结点构成；其中w_ji为自适应层(302)与小波函数计算层(303)的连接权值，w_ik为小波函数计算层(303)与输出层(304)的连接权值；其中输入层(301)用来存储经过采集、变送、转换处理得到的输入变量；自适应层(302)将输入变量自适应变换为标准化的待计算量后输入给小波函数计算层(303)；小波函数计算层(303)计算得到未经处理的检测诊断原始计算结果；输出层(304)对检测诊断原始结果进行逆自适应变换，得到检测诊断计算结果；综合层(305)对检测诊断计算结果进行综合计算，得到最终的检测诊断结果。

4.根据权利要求1中所述的自适应小波神经网络异常检测故障诊断分类系统，其特征在于：所述的自适应小波神经网络异常检测故障诊断分类处理机(104)为计算机、工控机、服务器、单片机系统或嵌入式系统。

5.自适应小波神经网络异常检测故障诊断分类方法，其特征在于：包括网络训练(210)和网络计算(220)两个步骤：

网络训练(210)：包括参数配置(211)、系统初始化(212)、建立样本自适应机制(213)、自适应小波网络训练(214)和保存网络(215)五个步骤；

参数配置(211)：在进行网络训练(210)和网络计算(220)的计算前，先进行参数配置，通过显示交互设备显示交互装置(105)输入训练样本、输入层(301)和自适应层(302)的结点数M、小波函数计算层(303)结点数n、输出层(304)结点数N和综合层(305)结点数F；

系统初始化(212)：初始化自适应层(302)和小波函数计算层(303)之间的网络权值表wi_j(..)，小波函数计算层(303)和输出层(304)之间的网络权值表w_jk(..)、以及小波函数参数a_j(.)，b_j(.)；

建立样本自适应机制(213)：将输入的训练样本xt(..)变换为标准化的待计算量XT(..)；

自适应小波网络训练(214)：训练得到自适应层(302)和小波函数计算层(303)之间的网络权值表wi_j(..)，小波函数计算层(303)和输出层(304)之间的w_jk(..)和小波函数参数a_j(.)，b_j(.)；

保存网络(215)：保存自适应小波网络训练步骤中得到的各参数；

网络计算(220)：包括网络初始化(221)、待测样本输入(222)、样本数据自适应化(223)、自适应小波网络计算(224)和计算结果综合(225)五个步骤；

网络初始化(221)：载入自适应层(302)和小波函数计算层(303)之间的网络权值表wi_j(..)，小波函数计算层(303)和输出层(304)之间的w_jk(..)、以及小波函数参数a_j(.)，b_j(.)；

待测样本输入(222)：采集装置(101)采集当前检测系统(110)的各个监测点的模拟信号，并将其依次经过变送装置(102)、A/D转换装置(103)转换成为数字信号后输入给自适应小波神经网络异常检测故障诊断分类处理机(104)作为待测样本的输入；

样本数据自适应化(223)：将输入的待测样本自适应变换为标准化的待计算量X(.)；

自适应小波网络计算(224)：以当前自适应层的输出X(.)作为输入，计算得到小波函数计算层的输出变量Y(i)，再将小波函数计算层(303)的输出Y(i)计算得到输出层(304)的输出y(i)：

计算结果综合(225)：综合层(305)将自适应小波神经网路计算的结果y(i)通过计算得出最终结果f_m。

Images