基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)和小波變換的旋轉(zhuǎn)機械故障診斷[外文翻譯].rar
基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)和小波變換的旋轉(zhuǎn)機械故障診斷[外文翻譯],附件c：譯文 基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)和小波變換的旋轉(zhuǎn)機械故障診斷javier sanza, ricardo pererab and consuelo huertabcitean, tajonar 20, 31006 pamplona, navarra, spain摘要：本文提出了一種新技術(shù)，根據(jù)振動信號來監(jiān)測旋轉(zhuǎn)機械工作狀...
該文檔為壓縮文件,包含的文件列表如下:
內(nèi)容介紹
原文檔由會員 retego 發(fā)布
附件C：譯文
基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)和小波變換的旋轉(zhuǎn)機械故障診斷
Javier Sanza, Ricardo Pererab and Consuelo Huertab
CITEAN, Tajonar 20, 31006 Pamplona, Navarra, Spain
摘要：
本文提出了一種新技術(shù)，根據(jù)振動信號來監(jiān)測旋轉(zhuǎn)機械工作狀況。這種方法結(jié)合了小波分析（ＷＴ）處理暫態(tài)信號的能力和自聯(lián)想神經(jīng)網(wǎng)絡(luò)在不設(shè)監(jiān)督模式下提取特征數(shù)據(jù)的能力。經(jīng)過訓練和配置的神經(jīng)網(wǎng)絡(luò)擁有非故障信號的小波系數(shù)，被用來作為一種檢測奇特或異常的故障信號的方法。這項技術(shù)的實效性是根據(jù)一個齒輪箱的數(shù)值數(shù)據(jù)和試驗振動數(shù)據(jù)來評價的。盡管噪聲在目前任何情況下都存在，但結(jié)果表明所提出的方法用于旋轉(zhuǎn)機械在線監(jiān)測是一個很好的候選方案。
1. 引言
旋轉(zhuǎn)機械在工業(yè)應(yīng)用中發(fā)揮了及其重要作用。典型的應(yīng)用是在航空，艦船和汽車行業(yè)中。在最近幾年，面對可能的故障，對生產(chǎn)機械的減少停機時間和增加可靠性的需要，已經(jīng)吸引了人們對在線監(jiān)測系統(tǒng)的興趣。診斷的主要目的是為了分析有關(guān)的外部信息，判斷無法進入的內(nèi)部器件的工作狀況，以至于決定這個機器是否需要拆卸。雖然聲學信號分析，是十分普遍的齒輪故障監(jiān)測系統(tǒng)，但基于振動的診斷已被廣泛地使用了。根據(jù)這項技術(shù)，一種故障的存在將會被從齒輪箱殼拾取的振動信號的變化顯示出來。
雖然有時候故障非常清楚地顯示在機器的振動信號里面，但它的特點通常隱藏在振動信號里面，因此一種敏感的技術(shù)對故障特征是必需要的。大多數(shù)技術(shù)都試圖在時域或頻域里面來代表機器的振動信號。時間同步平均提供了單個齒輪的平均時間信號，在大量的周期中[1]，對于齒輪故障診斷[2-3]被公認為是一個非常強大和成功的工具，因為它可以消除背景噪聲和所有和齒輪轉(zhuǎn)動并不完全同步的周期性信號。通過TSA從標準齒輪嚙合獲得的殘差信號的使用經(jīng)常被用來作為一種故障診斷技術(shù)[4-5]。由此產(chǎn)生的殘差信號本質(zhì)上包含了由齒輪故障和幾何不規(guī)則產(chǎn)生的部分.
時頻域分析方法提供了另一種信號分析的方法，通過在時頻域里面同步地提供信息。該方法被稱為短時傅立葉變換（STFT） ，被Gabor [6]提出的這種方法大概是最廣泛使用的時頻的代表。短時傅立葉變換的特點是應(yīng)用在當信號是在集中在一段時間內(nèi)狹窄的窗口中提取時，對變化的時間信號的傅立葉變換。通過這種方法，頻率內(nèi)容能夠在時間t內(nèi)獲得，并且在在任何時間只要該過程是重復的。它的分辨率取決于窗口的大小，因為它是常量，高的分辨率使時間和頻率不能同步地獲得。因此窗口函數(shù)必須用于定位峰值或者低頻特征，因此它的分辨率往往不夠理想。
基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)和小波變換的旋轉(zhuǎn)機械故障診斷
Javier Sanza, Ricardo Pererab and Consuelo Huertab
CITEAN, Tajonar 20, 31006 Pamplona, Navarra, Spain
摘要：
本文提出了一種新技術(shù)，根據(jù)振動信號來監(jiān)測旋轉(zhuǎn)機械工作狀況。這種方法結(jié)合了小波分析（ＷＴ）處理暫態(tài)信號的能力和自聯(lián)想神經(jīng)網(wǎng)絡(luò)在不設(shè)監(jiān)督模式下提取特征數(shù)據(jù)的能力。經(jīng)過訓練和配置的神經(jīng)網(wǎng)絡(luò)擁有非故障信號的小波系數(shù)，被用來作為一種檢測奇特或異常的故障信號的方法。這項技術(shù)的實效性是根據(jù)一個齒輪箱的數(shù)值數(shù)據(jù)和試驗振動數(shù)據(jù)來評價的。盡管噪聲在目前任何情況下都存在，但結(jié)果表明所提出的方法用于旋轉(zhuǎn)機械在線監(jiān)測是一個很好的候選方案。
1. 引言
旋轉(zhuǎn)機械在工業(yè)應(yīng)用中發(fā)揮了及其重要作用。典型的應(yīng)用是在航空，艦船和汽車行業(yè)中。在最近幾年，面對可能的故障，對生產(chǎn)機械的減少停機時間和增加可靠性的需要，已經(jīng)吸引了人們對在線監(jiān)測系統(tǒng)的興趣。診斷的主要目的是為了分析有關(guān)的外部信息，判斷無法進入的內(nèi)部器件的工作狀況，以至于決定這個機器是否需要拆卸。雖然聲學信號分析，是十分普遍的齒輪故障監(jiān)測系統(tǒng)，但基于振動的診斷已被廣泛地使用了。根據(jù)這項技術(shù)，一種故障的存在將會被從齒輪箱殼拾取的振動信號的變化顯示出來。
雖然有時候故障非常清楚地顯示在機器的振動信號里面，但它的特點通常隱藏在振動信號里面，因此一種敏感的技術(shù)對故障特征是必需要的。大多數(shù)技術(shù)都試圖在時域或頻域里面來代表機器的振動信號。時間同步平均提供了單個齒輪的平均時間信號，在大量的周期中[1]，對于齒輪故障診斷[2-3]被公認為是一個非常強大和成功的工具，因為它可以消除背景噪聲和所有和齒輪轉(zhuǎn)動并不完全同步的周期性信號。通過TSA從標準齒輪嚙合獲得的殘差信號的使用經(jīng)常被用來作為一種故障診斷技術(shù)[4-5]。由此產(chǎn)生的殘差信號本質(zhì)上包含了由齒輪故障和幾何不規(guī)則產(chǎn)生的部分.
時頻域分析方法提供了另一種信號分析的方法，通過在時頻域里面同步地提供信息。該方法被稱為短時傅立葉變換（STFT） ，被Gabor [6]提出的這種方法大概是最廣泛使用的時頻的代表。短時傅立葉變換的特點是應(yīng)用在當信號是在集中在一段時間內(nèi)狹窄的窗口中提取時，對變化的時間信號的傅立葉變換。通過這種方法，頻率內(nèi)容能夠在時間t內(nèi)獲得，并且在在任何時間只要該過程是重復的。它的分辨率取決于窗口的大小，因為它是常量，高的分辨率使時間和頻率不能同步地獲得。因此窗口函數(shù)必須用于定位峰值或者低頻特征，因此它的分辨率往往不夠理想。
