对基于离散小波变换和神经网络的发动机故障诊断的研究[外文翻译].rar
对基于离散小波变换和神经网络的发动机故障诊断的研究[外文翻译],对基于离散小波变换和神经网络的发动机故障诊断的研究吴建达，刘秋红彰化教育大学车辆工程研究生院，彰化市金德路，彰化500，台湾摘要：本文是对基于离散小波变换（dwt）和神经网络的内燃机故障诊断技术的调查报告。一般来说，当旋转机械的振动信号不可用时，声发射信号在状态监测和故障诊断方面很有替代振动信号的前景。大多数传统的故障...
该文档为压缩文件,包含的文件列表如下:
内容介绍
原文档由会员 weiyong 发布
对基于离散小波变换和神经网络的发动机故障诊断的研究
吴建达，刘秋红
彰化教育大学车辆工程研究生院，彰化市金德路，彰化500，台湾
摘要：
本文是对基于离散小波变换（DWT）和神经网络的内燃机故障诊断技术的调查报告。一般来说，当旋转机械的振动信号不可用时，声发射信号在状态监测和故障诊断方面很有替代振动信号的前景。大多数传统的故障诊断技术使用基于对信号的时域或频域的振幅分析而得到的声发射和振动信号。同时，为了获得时域和频域信息，连续小波变换（CWT）技术也得到了发展。但不幸的是，CWT技术经常需要一段长的计算时间来完成操作。在本研究中，为了修正这些缺点，我们在不丧失其原本的性质的前提下，提出了一种新的DWT技术，这种技术通过使用神经网络分析错误信号，能够实现能量光谱的特征选择和故障分类。不同分辨率水平下的声发射信号的特征可以通过利用多分辨率分析特性和帕斯瓦尔定理来得到[ Gaing,Z,L (2004).基于小波的电流扰动和识别神经网络。电子和电气工程师协会，电网技术 19，1560-1568]。该算法是从Daubechies以往的工作得到的[Daubechies, I.(1998).紧支撑小波的标准基础。通信理论数学和应用数学 41,909-996.], “db4”, “db8”和“db20”小波函数被用来执行本文所提出的DWT技术。这些
特征被用于基于神经网络的错误识别。这些试验结果表明本文所提到的使用声发射信号系统是有用的，它能用于各种发动机工作条件下的故障诊断。
关键词：离散小波变换，神经网络，异响诊断，声发射信号
1. 引言
随着信号处理技术的迅速发展，声发射和振动信号由于总是带有机械系统的动态信息而被用于状态监测和故障的诊断。研究者们发明了许多有趣的方法，例如时间序列统计，傅立叶变换，快速傅立叶变换（FFT），短时间傅立叶变换（STFT），对称点模式（SDP）以及Wigner-Ville分布（WVD）(Forrester,1989;Shibata,Takahashi,&Shirai,2000;Yazici&Kliman,1999).但是这些方法在机械诊断中只提供有限的性能。例如，傅立叶变换被用来在损伤诊断中分析和观察信号在频域中振幅的不同。而快速傅立叶变换在识别谐波信号时十分有用。但是由于它的常量时间和频率分解，它在分析突变信号时就没那么有用了。WVD是Forrester（1989）提出来的一种技术，它能够在传动系统的故障诊断中将振动信号平均化。不同的故障如齿轮的裂缝或齿面的凹坑能够用WVD线图进行侦断。不幸的是，虽然WVD能够像STFT方法一样提供真实的时间-频率表示，也在时间-频率平面有一个好的集中点，但是当时间-频率平面处于临界状态时将会产生
冲突（彭，朱2004）。
很明显，一些传统的技术会产生频率模糊效应并且只能在稳定状态下处理信号。根据上面所提到的，为了解决这些问题，小波分析已经得到了发展并广泛的利用（Alsberg,Woodw-
吴建达，刘秋红
彰化教育大学车辆工程研究生院，彰化市金德路，彰化500，台湾
摘要：
本文是对基于离散小波变换（DWT）和神经网络的内燃机故障诊断技术的调查报告。一般来说，当旋转机械的振动信号不可用时，声发射信号在状态监测和故障诊断方面很有替代振动信号的前景。大多数传统的故障诊断技术使用基于对信号的时域或频域的振幅分析而得到的声发射和振动信号。同时，为了获得时域和频域信息，连续小波变换（CWT）技术也得到了发展。但不幸的是，CWT技术经常需要一段长的计算时间来完成操作。在本研究中，为了修正这些缺点，我们在不丧失其原本的性质的前提下，提出了一种新的DWT技术，这种技术通过使用神经网络分析错误信号，能够实现能量光谱的特征选择和故障分类。不同分辨率水平下的声发射信号的特征可以通过利用多分辨率分析特性和帕斯瓦尔定理来得到[ Gaing,Z,L (2004).基于小波的电流扰动和识别神经网络。电子和电气工程师协会，电网技术 19，1560-1568]。该算法是从Daubechies以往的工作得到的[Daubechies, I.(1998).紧支撑小波的标准基础。通信理论数学和应用数学 41,909-996.], “db4”, “db8”和“db20”小波函数被用来执行本文所提出的DWT技术。这些
特征被用于基于神经网络的错误识别。这些试验结果表明本文所提到的使用声发射信号系统是有用的，它能用于各种发动机工作条件下的故障诊断。
关键词：离散小波变换，神经网络，异响诊断，声发射信号
1. 引言
随着信号处理技术的迅速发展，声发射和振动信号由于总是带有机械系统的动态信息而被用于状态监测和故障的诊断。研究者们发明了许多有趣的方法，例如时间序列统计，傅立叶变换，快速傅立叶变换（FFT），短时间傅立叶变换（STFT），对称点模式（SDP）以及Wigner-Ville分布（WVD）(Forrester,1989;Shibata,Takahashi,&Shirai,2000;Yazici&Kliman,1999).但是这些方法在机械诊断中只提供有限的性能。例如，傅立叶变换被用来在损伤诊断中分析和观察信号在频域中振幅的不同。而快速傅立叶变换在识别谐波信号时十分有用。但是由于它的常量时间和频率分解，它在分析突变信号时就没那么有用了。WVD是Forrester（1989）提出来的一种技术，它能够在传动系统的故障诊断中将振动信号平均化。不同的故障如齿轮的裂缝或齿面的凹坑能够用WVD线图进行侦断。不幸的是，虽然WVD能够像STFT方法一样提供真实的时间-频率表示，也在时间-频率平面有一个好的集中点，但是当时间-频率平面处于临界状态时将会产生
冲突（彭，朱2004）。
很明显，一些传统的技术会产生频率模糊效应并且只能在稳定状态下处理信号。根据上面所提到的，为了解决这些问题，小波分析已经得到了发展并广泛的利用（Alsberg,Woodw-
