使用智能故障診斷系統(tǒng)選擇母小波函數(shù)的新技術研究(編輯修改稿)
2025-07-27 12:01 本頁面
【文章內(nèi)容簡介】 構已在圖10中描繪出來，正常和斷齒的變速箱采樣信號的小波系數(shù)已在圖11和12中顯示出來。密切分析小波包系數(shù)的振幅，可以發(fā)現(xiàn)在DB11和失效的條件（斷齒齒輪）之間有相當大的相關性。小波包系數(shù)的標準偏差的值在16個子信號中大多高于正常值。另一方面，如圖13所示，在不同的被分割的樣本信號中標準偏差的波動是相當大的，而且這是訓練神經(jīng)網(wǎng)絡的最合適的方法。網(wǎng)絡的穩(wěn)定性和收斂性直接依賴于在充足范圍內(nèi)有足夠多樣本的顯著特征向量。實際上，在特征向量中的樣本范圍比在訓練中的樣本數(shù)量更重要，因為小波系數(shù)的標準偏差已經(jīng)滿足所需。圖14清晰地表明了多貝西小波不同順序之間的差異，通過分析差異可以鑒別故障。從圖中可以看出，在這些信號中，正常狀態(tài)和故障狀態(tài)可以清楚地鑒別出來，并且，該差異與相應的特征向量具有相關性。然而，在DB2中，即使斷齒故障有足夠的嚴重程度，也沒有他故障明確。此外，每一種故障條件下DB2中的采樣信號之間的均勻性不能像DB11那樣令人滿意。在DB15中，其缺點與DB2相同，但能得出更多合適的結果。因為DB20在許多層面不能區(qū)分出故障狀態(tài)和正常狀態(tài)，所以DB20是不適合用于神經(jīng)網(wǎng)絡。最顯著的是，在判別故障嚴謹性方面，這些方法都不能與DB11相比較。故障分析中，輕、中度磨損齒輪的故障分析相比斷齒齒輪更為重要，對于DB20，輕、中度磨損齒輪的故障分析沒有DB11容易實現(xiàn)，尤其是在初期磨損階段。因此，通過遺傳算法優(yōu)化的DB11，被選為最合適的故障分類函數(shù)。這意味著，為了提高系統(tǒng)的性能，在不同的基于小波的方法中，必須選擇母小波函數(shù)，雖然用一個特定的母小波就可能實現(xiàn)良好的系統(tǒng)性能。4. 總結本文論述了齒輪故障智能識別系統(tǒng)的開發(fā)和實施，該系統(tǒng)可以精確檢測變速箱故障；用遺傳算法優(yōu)化的三個參數(shù)（即多貝西小波序列、分解水平和神經(jīng)網(wǎng)絡隱層神經(jīng)元數(shù)目）具有重要意義，并且它們在網(wǎng)絡結構的大小、性能以及特征向量的穩(wěn)定性上起關鍵作用。特征向量也可從優(yōu)化的小波包系數(shù)標準差中獲得，在此之前，先用分段三次埃爾米特插值法同步信號，然后在分解后的第四層次上的DB11中得到小波包系數(shù)的標準偏差。最后，具有良好組成方式和優(yōu)化結構（16:14:4）的MLP網(wǎng)絡和顯著的精度為五個實驗變速箱中齒輪輕微磨損，中等磨損和斷齒故障的提供了100%完美的檢測系統(tǒng)。本文所提出的檢測系統(tǒng)如圖15所示，在故障分類中該系統(tǒng)也改進了基于反復試驗和錯誤的方法實現(xiàn)小波母函數(shù)的不足。列表4小波函數(shù)序列分解水平隱層神經(jīng)元數(shù)測試樣本輕微磨損中度磨損斷齒正常狀態(tài)最優(yōu)網(wǎng)絡結構1DB 841454759710016:11:42DB 9414547510010016:11:43DB 10414547510010010016:11:44DB 11414547510010010010016:11:45DB 12414547510010010010016:11:46DB 1341454759610010010016:11:47DB 85145475919532:11:48DB 9514547532:11:49DB 1051454759710032:11:410DB 115145475959832:11:411DB 1251454759432:11:412DB 1351454759432:11:4致謝本文中所描述成果一部分受到振動與模態(tài)分析實驗室（University of Tabriz）的支持，一部分是受中國香港特別行政區(qū)研究資助委員會（Project no. CityU）的贊助。作者緬懷兩個投入此項研究的導師， Vahhab Pirouzpanah教授和Samad Nami Notash教授，他們投入這項工作超過四十年，啟發(fā)了無數(shù)的學生。同時也感謝匿名審稿人花費寶貴的時間審查當前的的研究。參考文獻[1] Avci, E., Turkoglu, I., amp。 Poyraz, M. (2005). Intelligent target recognition based on wavelet packet neural Systems with Applications, 29, 175–182. S.[2] Bartelmus, W., Zimroz, R., amp。 Batra, H. (2003). Gearbox vibration signal preprocessing and input values choice for neural network training. Artificial Intelligence Methods, Gliwice, Poland, November 5–7.[3] Chow, M. Y., amp。 Sharpe, R. N. (1993). On the application and design of artificial neural networks for motor fault detection, Part 2. IEEE Transactions on Industrial Electronics, 40(2).[4] Fritsch, F. N., amp。 Carlson, R. E. (1980). Monotone piecewise cubic interpolation. SIAM Journal of Numerical Analysis, 17 , 238–246.[5] Haykin, S. (1998).Neural networks: A prehensive foundation (2nd ed.). Pearson Education.[6] He, Y., Guo, D., amp。 Chu, F. (2001). Using genetic algorithms and finite element methods to detect shaft crack for rotor
環(huán)評公示相關推薦
鄂ICP備17016276號-1