錐齒輪減速機小波分析結合。目前錐齒輪減速機小波分析和神經網絡結合的途徑主要有兩種:
(1) 錐齒輪減速機松散型結合：即小波分析作為神經網絡的前置處理手段，為神經網絡提供輸入特征向量；
(2) 錐齒輪減速機緊致型結合：小波和神經網絡直接融合，即用小波函數和尺度函數形成神經元。
齒輪減速馬達小波神經網絡通過上述兩種途徑的結合，形成了廣義上的兩種齒輪減速馬達小波神經網絡。其中第2種類型的小波神經網絡，即狹義上的小波神經網絡，主要用于對非均勻性數據對的逼近。在故障診斷領域，多采用小波分析和神經網絡的松散型結合方法。
把小波分析中的多分辨率技術和 Fourier 頻譜技術結合起來，也可以為錐齒輪減速機神經網絡提供種輸入向量。 Fourier 變換的頻譜譜線非常豐富，它們譜線值的組合能反映故障的特征，因此可以作為神經網絡的特征輸入向量。但齒輪減速馬達若有512條譜線，則需512個輸入節點，顯然使網絡的結構過于龐大。這時可以用小波分析中的多分辨率技術，把 Fourier 頻譜在定尺度上分解為離散逼近部分和若干離散細節部分。該逼近部分譜線數減少，但錐齒輪減速機仍保留了原頻譜的主要特征。如經過3層分解，逼近部分譜線數將降為原來的1/8，即64條。這對齒輪減速馬達旋轉機械來說將極大簡化輸入特征向量的提取。為小波包分解系數作為網絡特征量輸入的神經網絡模式分類模型示意圖，圖中輸出層模式暫定為正常狀態，輕微磨損，嚴重磨損3種狀態。
錐齒輪減速機小波網絡技術充分的利用了小波包完全分解的特性和神經網絡在智能識別方面的優勢，通過將從故障錐齒輪減速機上采集到的振動信號進行小波包分解，提取能反映減速機故障信息的小波包分解系數或小波包分解誤差值，將其作為特征向量輸入神經網絡進行智能識別來對齒輪減速馬達進行故障監測和識別。齒輪減速馬達故障診斷系統的訓練(a)和實測(b)數據驗證流程圖。神經網絡理論及其在減速機故障診斷模式識別上的應用，結合例子說明神經網絡方法在減速機故障診斷工作中的可行性，指出了傳統神經網絡在齒輪減速馬達故障模式識別上的優點與不足，并提出了錐齒輪減速機小波神經網絡的概念和其優勢。本文提出小波包能量特征的思想，將采集到的減速機振動信號進行小波包分解，通過分析觀測信號在錐齒輪減速機小波包某分解層次上不同時頻分辨空間中的能量分布，進行減速機運行狀態的特征提取，對提取的特征用神經網絡技術進行故障識別、分類，得到故障分類類型，從而建立起齒輪減速馬達運行狀態的實時監測體系。這種方法在減速機運行工況的模式識別領域具有廣闊的應用前景。/nmrvjiansuji.html

本文鏈接:http://m.scxfs.com/list_16/4861.html