基于自联想神经网络和小波变换的旋转机械故障诊断[外文翻译].rar

附件C：译文

基于自联想神经网络和小波变换的旋转机械故障诊断
Javier Sanza, Ricardo Pererab and Consuelo Huertab
CITEAN, Tajonar 20, 31006 Pamplona, Navarra, Spain
摘要：
本文提出了一种新技术，根据振动信号来监测旋转机械工作状况。这种方法结合了小波分析（ＷＴ）处理暂态信号的能力和自联想神经网络在不设监督模式下提取特征数据的能力。经过训练和配置的神经网络拥有非故障信号的小波系数，被用来作为一种检测奇特或异常的故障信号的方法。这项技术的实效性是根据一个齿轮箱的数值数据和试验振动数据来评价的。尽管噪声在目前任何情况下都存在，但结果表明所提出的方法用于旋转机械在线监测是一个很好的候选方案。

1. 引言
旋转机械在工业应用中发挥了及其重要作用。典型的应用是在航空，舰船和汽车行业中。在最近几年，面对可能的故障，对生产机械的减少停机时间和增加可靠性的需要，已经吸引了人们对在线监测系统的兴趣。诊断的主要目的是为了分析有关的外部信息，判断无法进入的内部器件的工作状况，以至于决定这个机器是否需要拆卸。虽然声学信号分析，是十分普遍的齿轮故障监测系统，但基于振动的诊断已被广泛地使用了。根据这项技术，一种故障的存在将会被从齿轮箱壳拾取的振动信号的变化显示出来。
虽然有时候故障非常清楚地显示在机器的振动信号里面，但它的特点通常隐藏在振动信号里面，因此一种敏感的技术对故障特征是必需要的。大多数技术都试图在时域或频域里面来代表机器的振动信号。时间同步平均提供了单个齿轮的平均时间信号，在大量的周期中[1]，对于齿轮故障诊断[2-3]被公认为是一个非常强大和成功的工具，因为它可以消除背景噪声和所有和齿轮转动并不完全同步的周期性信号。通过TSA从标准齿轮啮合获得的残差信号的使用经常被用来作为一种故障诊断技术[4-5]。由此产生的残差信号本质上包含了由齿轮故障和几何不规则产生的部分.
时频域分析方法提供了另一种信号分析的方法，通过在时频域里面同步地提供信息。该方法被称为短时傅立叶变换（STFT） ，被Gabor [6]提出的这种方法大概是最广泛使用的时频的代表。短时傅立叶变换的特点是应用在当信号是在集中在一段时间内狭窄的窗口中提取时，对变化的时间信号的傅立叶变换。通过这种方法，频率内容能够在时间t内获得，并且在在任何时间只要该过程是重复的。它的分辨率取决于窗口的大小，因为它是常量，高的分辨率使时间和频率不能同步地获得。因此窗口函数必须用于定位峰值或者低频特征，因此它的分辨率往往不够理想。