1、PDF外文：http:/ 6650 字 出处： Bayram D, eker S. Wavelet based Neuro -Detector for low frequencies of vibration signals in electric motorsJ. Applied Soft Computing, 2013, 13(5):2683-2691. 基于小波的神经探测器分析电机的低频振动信号 Duygu Bayram ， Serhat Seker Istanbul Technic
2、al University， Electrical Engineering Department， 34469 Istanbul， Turkey 文章信息 文章历史： 于 2010 年 9 月 23 日收到初稿 于 2012 年 9 月 1 日收到修改稿 于 2012 年 11 月 24 日采纳 于 2012 年 12 月 11 日在网上发表 摘要 本研究提出了一种基于小波 的神经探测器的 方法来检测一个 有故障 迹象 的
3、电机 。 故障的 迹象 ，可以从低频区域的振动信号中获取 。多分辨率小波应用分析 (多分辨率小波分析 )是为了获得 低频 和高频段的振动信号。因此 利用 光谱检测 故障 的特性 ， 正常情况下 ， 功率谱密度 (PSD)的部分波段用于自动联想神经网络 (AANN)来进行分析 。在 故障 的情况下 ，可以利用 训练网络的输入节点的 自动联想神经网络 的过程 来进行判断 。因此 ，仿真结果表明 ， 低频率区域 的自动联想神经网络 的 故障 响应 可从 光谱属性中 体现 。因此 ，电机 的损伤和衰老过程可以通过一些特定的频率进行相关的检测和识别。
4、; 2008 Elsevier 公司保留所有权 1 引言 感应电动机是最受欢迎的 ， 因为它的电机类型构造简 单 ， 寿命长无需维护。在文献中 ， 有许多感应电动机的研究。一般研究基于电气、机械和热参数 、 电压、电流、扭矩、温度、噪声等 ， 这些参数非常重要反映了电机的工作表现和工
5、作性能条件。 感应电动机的预后和诊断研究是另一个重要 的 方面 ，它 提供工业过程操作的连续性1 - 5。从这个意义上说，有很多研究旨在发现在感应电动机的退化 和 机械故障。这些分别是轴承 的 平衡和定位缺陷 6 - 9。 通过这种方式 ， 一些用于信号处理 的 方法被应用于提取隐藏故障的提示和信息 10 - 14。振动信号通常显示关于电机的 故障迹象， 这些 迹象只有电信号才具有。因此 ， 在文献中振动信号用于各种研究。例如 ， 他们可以用传递函数来定义电机的衰老过程 15。在文献中 ， 一些统计技术被应用于 故
6、障 的检测 ， 找到因 故障 而发生改变的一些统计参数，可以发现电机的 故障 现象 16。而且 ， 统计参数的变化可以指出一些振动光谱于 故障 缺陷之间的相关性 1720。电机振动信号也可通过小波变换提取轴承 故障 的特性。从这点来看 ，轴承损伤检测的主要影响在高频段 (2 至 4 kHz)21-22。 本研究的目的是使用一个基于小波的 的神经探测器 方法来分析电机振动信号的低频段 以提取其 故障 和缺陷。然而 ， 没有研究调查低频带对 故障 的影响和作用。这是本研究的最重要贡献 :提取 故障 影响的方法。设立一组实验来实现获取振动信号和电信号。在这个实
7、验中 ， 5 HP 的电机的振动信号由两个加速度计记录。以便安排数据 ， 一个信号调节之前 ， 将数据存储在一个常规的存储设备。第一个数据包括正常的振动信号 ， 然后另一个人工 故障 过程应用于相同的电动机来实现最终的记录 ， 这是命名 故障 的情况。这两个振动信号被用于这项研究。然后 ， 多分辨率小波分析应用到低、高频段的振动信号的分解。在经典的滤波器方法中 ， 滤波器有着很重要的作用性能 ， 而 多分辨率小波分析 是独立于这件事的。因此 ，多分辨率小波分析 是用来分解信号的。 图 1 分解和重建计划 低频段的振动
8、信号在正常情况下 ，可 获得不同的 故障 特征 ， 被使用于训练一个自动联想神经网络 Auto Associative Neural Network(AANN)。 自动联想神经网络 拓扑结构是一种特殊的网络输入、输出节点。网络的输出可用于定义故障情况下的谱密度 23。使用这个属性的 自动联想神经网络， 振动信号的谱密度在低频带的 故障 情况下 ，可 应用于训练获得 故障 效应 的 误差变化 24。 已知的 信号处理识别应用程序 ， 有很多技术在这一领域有所应用。在这项研究中 ，为了设计一个神经网络 自动联想神经网络 。为了这个目的 ， 它被成功地用来确定
9、光谱的变化数据。同时 ， 它是一个有趣的应用程序自动关联拓扑结构。就这些方面而言 ，自动联想神经网络 的混合使用 在 拓扑与小波变换 (多分辨率小波分析 )， 这项研究是绝对原创。本研究的另一个有趣的点 ， 它提供了使用基于 多分辨率小波分析 顺序滤波器结构。 因此 ， 协同结构形成 了 这些方法，每个方法都有支持它的力量。本研究的贡献是新奇 的 形成一种混合结构定义像一个基于小波的神经网络和观测光谱性 质在低频振动信号相关的区域 的 衰老过程。 剩下的内容组织如下。在第二节 ， 数学研究的背景。实验分析和测量系统
10、是在第三节。第 4 节说明了应用程序的执行分析。仿真本节给出结果。最后 ， 得出结论。第五节 ，对未来工作的一些建议。 2 数学研究的背景 在这项研究中有 ，有 三个主要的数学方法。这些方法是功率谱估计 、 多解析小波变换和自动关联神经网络方法。 2.1 功率谱密度估计 功率谱密度估计是一种常见 的 获得一个信号的频率分量的方法。它 是一个 信号的能量密度随着频率变化的函数。因此 ， 主导和疲软的频率分量可以轻易看到。 功率谱密度方法使用离散傅里叶变换来计算信号的能量。对一个信号 sn，功率谱密度估计 ，
11、在公式 (1)中给出。 22102 )(11)( fSNesNfP nnfnjnxx (1) 2.2 多分辨率小波变换 自 1990 年代初问世小波分析是一个非常受欢迎的工具 ， 其优点是用于各种工程分支与基本谱相比。小波变换适用于需要时间和规模的应用程序信息。在这里 ， 尺度参数与频率成正比。 一般的小波变换信号 s(t)的 表达式定义为：
