基于神经网络和小波变换的轴承故障诊断.docVIP

Proceedings of the 6th WSEAS International Conference on Wavelet Analysis Multirate Systems, Bucharest, Romania, October 16-18, 2006 基于神经网络分类和小波变换的轴承故障诊断 小波分解处理加速度计信号和振动信号正常的轴承，轴承的内圈故障，外圈故障及球故障获得从电机驱动的实验系统。实验的结果提交，并相对于这一领域目前表现最佳。后面几节介绍一些如网络体系结构、 性能和实现人工智能方法设计注意事项。结果证明它包括处理信号演变的下一个合乎逻辑的步骤。第二阶段信号分类特征提取McFadden是WT在应用齿轮振动信号分析方面的先锋。结果表明，小波能够检测早期机械故障和不同类型的同时故障。 1999年，Newland介绍了在WT工程领域方面的多种计算方法和关于他振动分析方面的应用程序的例子；同时，他建议谐波小波，并成功地确定了高峰和分阶段的短暂的信号。Newland的研究使小波在工程应用中尤其是振动分析中广泛流行。王等人对敏感性和目前公认的技术的鲁棒性齿轮损坏监测进行了实验研究，结果表明，WT在齿轮健康技术方面的监测室可靠地，比其他的方法更加强大。 刘等人提出了一种基于小波变换的方法，是关于球轴承故障诊断方面的。小波包系数被作为典型特征而运用。结果表明他们在故障方面具有灵敏度高的特点。Aminian等人开发了基于Bayessian神经网络的故障诊断系统，作为与处理器它使用了WT、正常化和信号的主要成分。Loparo等人使用模糊分类对轴承故障进行诊断，它基于WT，用小波系数的标准偏差实现产生的典型的载体。Farías等分析了影响载重吨在处理信号工具性能的应用，图像分类和确定WT最好的参数工作区。鹏等进行了有关WT在机器的监测和故障诊断方面的应用的书目调查。 在许多研究的对象明显的不知道哪些类型的小波最能适应Mallat的搜索通用技术的延伸。Goumas等人进行了洗衣机方面的故障检测的研究，根据载重吨统计分类标准偏差故障贝叶斯的理论，成功率在87%左右。总之，多种故障特征可以通过小波系数或能量获得。由于小波系数突出在信号变化，而信号变化往往预测故障的发生，基于小波系数的特点是适合故障的检测。然而，轻微变化的信号往往有小的能量，这些变化很容易掩盖小波以能源为基础的功能。因此，以小波能源为基础的功能无法检测早期故障。 2.数据处理 通过检查与早期的轴承故障运行条件下的振动数据的大小，它是能够区分正常的数据来自不同类型的故障数据。然而，这并不总是适用的，因为信号的形态，随着时间的推移故障故障变化的结果从开始到??失败的进展。因此，一些故障是无法察觉，直到故障已经迫在眉睫。 因为早期发现和隔离故障是非常重要的，基于条件的维护，更复杂的信号处理方法是必要的。我们的方法的第一步是进行小波分析处理测试数据。 2.1小波理论的简要回顾 傅里叶变化把时域信号变为频域信号，使用三角函数作为基函数的功能。另一方面，小波变换（WT）通过有限的能源基础功能改变信号在空间域的尺度域，称为小波。WT不能使用分析方程，积分等，因此在实际的方式评估，WT离散需要MRA的多分辨分析是最合适的形式来执行它。MRA的组成，适用于递归滤波器来计算小波分解。 给定F[N],对信号进行分析 : 根据出现在方程中的矢量规模，定义参数T和s。其中j代表分解水平和k是转换因素。 信号的滤波过程F [N]，导致其外小波分解，开始由一个半带低通滤波器，拥有一个适用于信号的脉冲响应H [N]。过滤器适合数学与信号卷积运算和过滤器的脉冲响应。超过一半的最大信号频率的低通滤波器消除所有的频率成分，例如，如果信号F [N]超过2500赫兹，低带通滤波器的最高频率成分将消除所有1250-2500赫兹频段的频率成分，将给第一细节系数（CD1）。 2.2 特征向量形成。 为小波分解提供更多款系数的是5级细节系数（CD5）的所有条件。因为有少系数信息（42），他们在视觉上不同。系数按分解水平给出。DWT的特征向量计算测试数据，并按正常化的范围发布 (78.125-156.25 Hz). 在一般情况下，对于离散信号的F [N]，我们有一个特征向量VC（F [N]），其中包含之前提到的5级信号的细节系数（CD5）。我们可以定义如下： 3 人工神经网络 人工神经网络（ANN）是由启发的方式，如大脑，处理信息，生物神经系统的信息处理范式。一个人工神经网络可以配置为一个特定的应用，如通过一个学习的过程，模式识别或数据分类。 在所有的神经网络应用程序中的两个阶段存在： 学习或培训和测试阶段的阶段。一旦经过培训的选定学习类型的模型，后面的测试阶段，在其中输入，称为培训的具