附件C：譯文


一種采用小波包變換和神經(jīng)網(wǎng)絡(luò)的內(nèi)燃機故障診斷系統(tǒng)

摘要
在現(xiàn)今研究中，關(guān)于故障診斷系統(tǒng)，提出了小波包變換（小波包變換）和人工神經(jīng)網(wǎng)絡(luò)（ANN）技術(shù)。在機械故障診斷系統(tǒng)中，小波包變換是一個比較常用的信號故障檢測和識別處理技術(shù)。本系統(tǒng)的信號處理算法獲得的語音識別使用以前的工作。在聲發(fā)射信號的預(yù)處理，小波包變換系數(shù)用于評價其熵的特點和區(qū)別對待的故障情況。顯然，小波包變換能提高連續(xù)小波變換（CWT）在較長的計算時間和巨大的操作數(shù)使用，它也可以解決離散小波頻帶分歧變換。在試點工作中，作為母小波建立和執(zhí)行提出的小波包變換技術(shù)。在分類方法上，以驗證所提出的廣義回歸神經(jīng)網(wǎng)絡(luò)在故障診斷，常規(guī)反向傳播網(wǎng)絡(luò)和效果較一GRNN的網(wǎng)絡(luò)。實驗結(jié)果表明，提出的分類系統(tǒng)對于各種工作條件發(fā)動機實現(xiàn)了平均準(zhǔn)確度超過95％。
1. 引言
狀態(tài)監(jiān)測與故障診斷對避免機械系統(tǒng)的嚴(yán)重破壞是非常重要的。內(nèi)燃機是經(jīng)典旋轉(zhuǎn)機械，必須根據(jù)不同性能要求的各種條件進行操作。聲發(fā)射信號與振動引擎往往給出許多機械系統(tǒng)的動態(tài)信息。信號分析技術(shù)已作為故障診斷的有效方法之一。許多有用的信號分析技術(shù)已被提出，例如快速傅里葉變換，自適應(yīng)跟蹤技術(shù)。僅管如此，聲發(fā)射信號的分析或振動信號分析均在時頻域信息中有所強調(diào)。有許多已被研究成熟的方法如傅里葉變換（STFT）（波特諾夫，1980年）制定的其他技術(shù)，魏格納分布（WVD）。Staszewski，沃爾登和湯姆林森，1997年）和小波變換（WT）（陳，孫，張，王，2005年;林和曲，2000年;普拉巴卡爾，莫漢提和Sekhar，2002年;塞爾哈特＆埃米內(nèi)，2003年;謝，楊和譚，2004;吳與陳，2006;鄭，李，陳三，2002年）。所有的技術(shù)被開發(fā)成功，但小波變換的是這些工具中最好的，因為STFT在制作有關(guān)情況危急時頻域干擾項時只提供了一個固定的時間和頻率分辨率。
WT可劃分為連續(xù)小波變換（CWT）和離散小波變換（DWT）。 2000年，Lin andQu運用振動信號來進行特征提取和Morlet小波的故障診斷。 2002年，Zhenget al.出版了齒輪故障診斷方法連續(xù)小波變換，并提出了時間平均小波譜的新概念。2004年，Tse et al.設(shè)計了一個創(chuàng)新的小波叫做確切的小波分析，用來提高振動的機械故障診斷魯棒性。 2006年，吳和陳在內(nèi)燃機故障信號診斷中用連續(xù)小波變換（吳與陳，2006年）算法。所有這些研究都是連續(xù)小波變換方法有用的例子。不幸的是，連續(xù)小波變換具有巨大的操作數(shù)，需要篅@さ氖奔淅詞褂謾Ｒ虼耍〔ū豢⒗煤透納評刺岣咴錘叢擁男藕歐紙夂腿舾閃〔ū浠壞娜鋇恪� （普拉巴卡爾等。，2002年;塞爾哈特＆埃米內(nèi)，2003年）。 2005年，陳等人。在低速滾動軸承基礎(chǔ)上提出了應(yīng)力短波（SW）的方法（陳等人小波分析。，2005）。不幸的是，對于包含一個更高頻帶的信號小波分析不是一個適當(dāng)?shù)姆椒?。另外，小波包變換（小波包變換）提供了在相同的頻率帶寬