使用智能故障診斷系統(tǒng)選擇母小波函數(shù)的新技術(shù)研究-展示頁
2025-07-09 12:01本頁面
【正文】 診斷過程。舉幾個例子來說，Li, Chow, Tipsuwan, 和Hung (2000)提出同時應(yīng)用仿真和實驗對電機滾動軸承進行故障診斷來獲得振動信號的方法，該方法被用來獲得一個特征向量并用該特征向量調(diào)整人工神經(jīng)網(wǎng)絡(luò)的權(quán)值。 Cheung, 2007)，基于模糊—神經(jīng)網(wǎng)絡(luò)( Lei et al., ESWA 2007 )和基于神經(jīng)網(wǎng)絡(luò)—遺傳算法( Samanta, 2004 )的系統(tǒng)都可歸類為智能故障診斷系統(tǒng)。 Tielin, 2004 )，基于遺傳算法( He, Guo, amp?；谀：? Wang amp。如圖1所示，最重要的問題是，如果相鄰的小波函數(shù)（例如DB6和DB7）很相似那么小波變換可能不會正常工作了。 Mohanty,2006)。Wang 和 McFadden(1995)利用DB4正交小波通過分析齒輪箱的振動信號公布齒輪早期損壞所產(chǎn)生的異常瞬變。 Sadeghi, 2007 )。Saravanan et al., 2007。 Kar amp。 Tse et al., 2004。 Samanta amp。小波分析的另一個主要的問題是，母小波函數(shù)的順序，這是以前的基于一些文件數(shù)據(jù)的內(nèi)在特性的反復(fù)試驗和錯誤的方法所確定的(Wang amp。小波分析中一定會面臨的難點是母小波函數(shù)的選擇以及信號的分解水平。 Dias, 1996），同時使用快速傅立葉變換（FFT）和小波變換（WT），以獲得經(jīng)處理的振動信號來識別和精確定位功率分配系統(tǒng)中故障的位置。 Chu, 2004）。Yam, 2001）已被用來提取適當?shù)奶卣鳌?Tam, 2004）分析功能，克服了其他技術(shù)的缺點。在分析原振動信號時，因為振動信號的非平穩(wěn)性，采用了一個時間—頻率同步的分析方法，該方法將一維空間的信號映射到二維空間的時間和頻率。 Wang, 2007）是設(shè)備狀態(tài)監(jiān)測中故障檢測與診斷系統(tǒng)的兩個主要中心。在一般情況下，聲發(fā)射（Wu, Chiang, Chang, amp。由齒輪，軸和軸承三個主要部件組成的變速箱，考慮其在工業(yè)（如機床和汽車）中廣泛應(yīng)用被認為是工業(yè)中重要系統(tǒng)之一。所提出的小型網(wǎng)絡(luò)已經(jīng)提高了系統(tǒng)穩(wěn)定性和可靠性以達到實用的目的。為改善算法,利用遺傳算法進行優(yōu)化,以確定 “母小波函數(shù)”、“通過小波分析方法得到的信號的分解水平”和“隱層神經(jīng)元的數(shù)目”的 最佳值，得到一個高速、雙層ANN小型結(jié)構(gòu)。在輸入軸的一個完整周期內(nèi)，原始振動信號被轉(zhuǎn)速表分割記錄，然后同步使用分段三次埃爾米特插值來構(gòu)造相同的長度的采樣信號。在故障模擬中,利用兩個非常相似但又有局部差異的磨損齒輪模型來驗證該算法的嚴謹性。使用智能故障診斷系統(tǒng)選擇母小波函數(shù)的新技術(shù)J. Rafiee Department of Mechanical, Aerospace and Nuclear Engineering, Jonsson Engineering Center, Rm. 2049, 1108th Street, Rensselaer Polytechnic Institute, Troy, NY 121803590, USA*, . Tse Smart Engineering Asset Management Laboratory, City University of Hong Kong, Hong Kong, A. Harifi Faculty of Electrical and Computer Engineering, University of Tabriz, Iran, . Sadeghi Faculty of Mechanical Engineering, University of Tabriz, Iran本文概要關(guān)鍵詞：狀態(tài)監(jiān)測；信號處理；振動信號；故障診斷；神經(jīng)網(wǎng)絡(luò)；遺傳算法；母小波函數(shù)；齒輪；分段三次埃爾米特插值；多貝西小波【摘要】本文論述一種優(yōu)化齒輪故障識別系統(tǒng)，該系統(tǒng)運用結(jié)合人工神經(jīng)網(wǎng)絡(luò)的遺傳算法（AANs）鑒別復(fù)雜變速箱的齒輪故障的類型，并且由于訓(xùn)練時間短和高精度，其良好的設(shè)計結(jié)構(gòu)適合于實際的應(yīng)用。變速箱系統(tǒng)直齒圓柱齒輪輕微磨損,介質(zhì)磨損和斷齒被選作故障來驗證此系統(tǒng)。而且,由于一個充滿油的復(fù)雜的變速箱系統(tǒng)已經(jīng)被用來記錄原始振動信號，因此振動信號的處理變得更加困難。接下來,把振動信號的小波包系數(shù)的標準偏差作為特征向量用于ANN訓(xùn)練。在機器狀態(tài)監(jiān)測及其他相關(guān)領(lǐng)域，該技術(shù)已經(jīng)被用于消除母函數(shù)類的弊端以達到故障分類的目的。1. 引言用于早期故障檢測和診斷的策略是基于狀態(tài)維護的，該策略的應(yīng)用可以幫助我們減少由于需要進行臨機操作和維修所造成的，并且可避免的成本和障礙。一半以上的齒輪箱故障是由于齒輪的缺陷造成的（Yesilyurt，2004年），齒輪故障已被視為一個用所提出的方法研究的案例。 Shiao,2008）和振動分析（Tse, Gontarz, amp。在本文中，因為便于測量和豐富的信息內(nèi)容，振動信號以作為記錄所需的數(shù)據(jù)集的方式建立。最流行的一種分析非平穩(wěn)信號的方法（Peng et al.,2005）—小波分析法，通過時間和頻率都是當時空間的（Tse,Yang, amp。因此，在預(yù)處理和特征提取的研究階段，小波變換（WT）（Tse, Peng, amp。為了支持這一建議，1990年初，Leducq應(yīng)用小波變換分析離心泵的液壓噪音，這可能是用小波變換進行診斷的第一篇論文（Peng amp。此外，Momoh和Dias（Momoh amp。以前的研究表明，小波變換是齒輪狀態(tài)監(jiān)測的最可靠的技術(shù)，同時也是認識早期故障，并確定不同類型故障的一種精湛的技術(shù)。二進離散小波變換（DWT）使用表明正交小波已在本研究中被應(yīng)用；因為多貝西小波（DB）與振動信號中的暫態(tài)分量相匹配，已經(jīng)得到廣泛推行。 McFadden, 1995。 AlBalushi, 2003。 Liu, 2005。 Mohanty, 2006。 Rafiee, Arvani, Harifi, amp。更多的說明是，DB2和DB20的范圍已被廣泛地應(yīng)用于機器狀態(tài)監(jiān)測。Sung et al. 和 Gaborson也分別在他們的工作中用DB20和DB4作為母小波(Kar amp。Samanta、AlBalushi (2003)和Rafiee et al. (2007)使用DB4通過離散小波變換（DWT）處理振動信號以獲得小波系數(shù)。 一般情況下，目前的故障檢測與診斷技術(shù)主要是基于智能系統(tǒng)，用傳統(tǒng)技術(shù)在時域或頻域建模和統(tǒng)計分析。 Hu, 2006)，基于人工神經(jīng)網(wǎng)絡(luò)(Wuxing,Tse, Guica
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1