Метод технической диагностики механических систем печатных машин с использованием вейвлет-анализа

• Автор: Семеновых, Владимир Николаевич
• Шифр специальности: 05.02.13
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Москва
• Количество страниц: 147 с. : ил.

ОГЛАВЛЕНИЕ

Введение
1. Состояние вопроса в области виброакустики и технической диагностики полиграфического оборудования
1.1. Виды неисправностей технических систем
1.2. Обзор основных методов технической диагностики
1.3. Обзор виброакустических методов диагностики
1.3.1. Спектральный анализ
1.3.2. Кепстральный анализ
1.3.3. Огибающая акустического сигнала
1.3.4. Использование статистических характеристик случайных процессов
1.3.5. Вейвлет-анализ
1.3.5.1.Принцип вейвлет-преобразования
1.3.5.2.Обоснованность применения вейвлет-анализа
1.4. Распознавание образов
1.4.1. Искусственные нейронные сети
1.4.1.1 .Общие сведения о нейронных сетях
1.5. Выводы по главе
2. Экспериментальные исследования
2.1. Описание экспериментального макета
2.2. Получение исходного вибрационного сигнала
2.3. Методика экспериментальных исследований
2.4. Выводы по главе
3. Методика формирования диагностических признаков МС ИМ при помощи вейвлет-анализа
3.1. Выбор материнского вейвлета для решения задач технической диагностики
3.2. Выявление диагностических признаков из спектра вейвлет-преобразования исходного вибрационного сигнала
3.3. Статистическая обработка экспериментальных данных, построение регрессионных моделей
3.4. Выводы по главе
4. Применение искусственных нейронных сетей для решения задачи идентификации зазора
4.1. Методика распознавания технического состояния МС ПМ при помощи искусственных нейронных сетей
4.1.1. Обзор нейросетевых архитектур
4.1.1.1. Однослойный персептрон
4.1.1.2.Многослойный персептрон
4.1.1.3.Радиально-базисные функции
4.1.1.4.Вероятностная нейронная сеть
4.1.1.5.Сети Кохонена
4.1.1.6.Выбор подходящей нейросетевой модели
4.1.2. Сбор данных для решения задачи идентификации
4.1.3. Использование макросов для автоматизации построения искусственных нейронных сетей в программе 81а1зо1т 81аб$бса 10..
4.1.4. Решение задачи прогнозирования степени износа при помощи искусственных нейронных сетей
4.2. Выводы по главе
5. Диагностика МС ПМ при помощи преобразования Фурье и искусственных нейронных сетей
5.1. Преобразование Фурье исходных данных
5.2. Статистическая обработка полученных результатов, построение регрессионных моделей
5.3. Построение нейронных сетей, использующих для решения задачи диагностики информативные компоненты, полученные после разложения исходных сигналов на ряды Фурье
5.4. Выводы по главе
6. Алгоритм методики диагностики механических систем печатных машин с использованием вейвлет-преобразования и искусственных нейронных сетей
ЗАКЛЮЧЕНИЕ
7. ЛИТЕРАТУРА
8. ПРИЛОЖЕНИЯ
8.1. Приложение 1. Исходный код программного макроса для программы Statistica 10, осуществляющего обучение, отбор и сохранение нейронных сетей
8.2. Приложение 2. Исходный код программного макроса для программы Statistica 10, целью которого является объединение сетей в ансамбль и вынесение результата распознавания посредством голосования каждой сети
8.3. Приложение 3. Архитектуры и результаты обучения нейронных сетей, использующие в качестве входных переменных коэффициенты преобразования исходных сигналов вейвлетом haar
8.4. Приложение 4. Архитектуры и результаты обучения нейронных сетей, использующие в качестве входных переменных коэффициенты преобразования Фурье исходных сигналов
8.5. Приложение 5. Результаты распознавания ансамблями сетей входных данных
Принцип переноса заключается в последовательном перемещении вейвлета вдоль линии времени исходного сигнала (рис. 7) [126].
Таким образом, в отличае от традиционно применяемого для анализа сигналов преобразования Фурье, вейвлет-преобразование обеспечивает двумерную развертку исследуемого одномерного сигнала, при этом частота и координата рассматриваются как независимые переменные. В результате появляется возможность анализировать свойства сигнала одновременно в физическом (время, координата) и в частотном пространствах. Коэффициенты разложения — важная информация об эволюции сигнала. Они зависят от выбора изначального вейвлета. Но для решения вопросов диагностики важен выбор не вида вейвлета, а его масштаба. Так как масштаб а связан обратно пропорционально с частотой о) вейвлета, то при малых значениях а (вейвлет сжат) рассматриваются высокочастотные особенности сигнала, при больших — низкочастотные.
Вейвлет
Сигнал

Вейвлет
Сигнал

Рис. 7. Принцип вейвлет-преобразования (перенос и масштабирование)