【正文】
Shiao, Y. J. (2008). An expert system for fault diagnosis in internal bustion engines using probability neural network. Expert Systems with Applications, 34, 2704–2713.[35] Wuxing, L., Tse, P. W., Guicai, Z., amp。 Tam, H. Y. (2004). Machine fault diagnosis through an effective exact wavelet analysis. Journal of Sound and Vibration , 277, 1005–1024.[31] Wang, J., amp。 Ramachandran (2004). Insight into wavelets from theory to practice. PrenticeHall of India.[27] Tang, K. S., Man, K. F., Kwong, S., amp。 Sadeghi, M. H. (2007). Intelligent condition monitoring of a gearbox using artificial neural Systems and Signal Processing, 21, 1746–1754.[21] Riedmiller, M., amp。 Dias, L. G. (1996). Solar dynamic power system fault diagnostics. In NASA conference Publication 10189.[17] Peng, Z. K., amp。 Zi, Y. (2007). A new approach to intelligent fault diagnosis of rotating machinery. Expert Systems with Applications . doi: [12] Lei, Y., He, Z., Zi, Y., amp。 Chu, F. (2001). Using genetic algorithms and finite element methods to detect shaft crack for rotorbearing system. Mathematics and Computers in Simulation, 57 , 95–108.[7] Holland, J. H. (1975).Adaption in natural and artificial systems. Ann Arbor: University of Michigan Press.[8] Jack, L. B., 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。列表4小波函數(shù)序列分解水平隱層神經(jīng)元數(shù)測(cè)試樣本輕微磨損中度磨損斷齒正常狀態(tài)最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)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(dòng)與模態(tài)分析實(shí)驗(yàn)室(University of Tabriz)的支持,一部分是受中國(guó)香港特別行政區(qū)研究資助委員會(huì)(Project no. CityU)的贊助。4. 總結(jié)本文論述了齒輪故障智能識(shí)別系統(tǒng)的開(kāi)發(fā)和實(shí)施,該系統(tǒng)可以精確檢測(cè)變速箱故障;用遺傳算法優(yōu)化的三個(gè)參數(shù)(即多貝西小波序列、分解水平和神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元數(shù)目)具有重要意義,并且它們?cè)诰W(wǎng)絡(luò)結(jié)構(gòu)的大小、性能以及特征向量的穩(wěn)定性上起關(guān)鍵作用。最顯著的是,在判別故障嚴(yán)謹(jǐn)性方面,這些方法都不能與DB11相比較。然而,在DB2中,即使斷齒故障有足夠的嚴(yán)重程度,也沒(méi)有他故障明確。網(wǎng)絡(luò)的穩(wěn)定性和收斂性直接依賴(lài)于在充足范圍內(nèi)有足夠多樣本的顯著特征向量。小波包分解樹(shù)結(jié)構(gòu)已在圖10中描繪出來(lái),正常和斷齒的變速箱采樣信號(hào)的小波系數(shù)已在圖11和12中顯示出來(lái)。 遺傳算法遺傳算法在Holland的研究成果之后非常流行(Holland, 1975)。不同于經(jīng)典的數(shù)字處理技術(shù),人工神經(jīng)網(wǎng)絡(luò)具備執(zhí)行數(shù)據(jù)并行處理,處理噪聲數(shù)據(jù),且能適應(yīng)不同情況的能力。因此,要特別注意特征向量的選擇和人工神經(jīng)網(wǎng)絡(luò)的輸入層。的原始的和已被同步的信號(hào)分別如圖3和4所示。在該方法中,每一個(gè)周期中相同采樣樣本的跨度是可以保證的。 Carlson,1980)在每個(gè)周期中重新取樣獲得數(shù)據(jù),結(jié)果表明該插值法優(yōu)于其他方法(Rafiee et al., 2007)。振動(dòng)信號(hào)的預(yù)處理涉及振動(dòng)信號(hào)的同步和小波包系數(shù)標(biāo)準(zhǔn)差的計(jì)算,接著在隨后的兩個(gè)步驟中提取特征向量。系統(tǒng)的轉(zhuǎn)速是由轉(zhuǎn)速計(jì)測(cè)定的,用轉(zhuǎn)速計(jì)測(cè)量轉(zhuǎn)速可以補(bǔ)償恒定靜載荷下負(fù)載機(jī)構(gòu)的不確定性所產(chǎn)生的波動(dòng)。通過(guò)把加速度計(jì)安裝