本發(fā)明應(yīng)用于缺陷學(xué)以及防損領(lǐng)域，更特別地，應(yīng)用在旋轉(zhuǎn)軸例如鐵路車軸中的故障的自動(dòng)檢測(cè)中，以診斷所述軸的狀況并且確保所述軸的維護(hù)。

背景技術(shù)：

如今，用于診斷和監(jiān)視機(jī)械系統(tǒng)的狀況的方法在工業(yè)上具有巨大的意義。預(yù)見性的維護(hù)對(duì)防止旋轉(zhuǎn)機(jī)器中的斷裂是基本的，并且最廣泛使用的診斷方法之一是振動(dòng)分析，因?yàn)榭梢詮穆晫W(xué)信號(hào)和振動(dòng)信號(hào)中提取用于檢測(cè)機(jī)械缺陷的有用的模式。

檢測(cè)旋轉(zhuǎn)機(jī)械元件中的缺陷對(duì)于所述元件的維護(hù)是關(guān)鍵的，并且由于在工業(yè)應(yīng)用中齒輪和軸承是最廣泛使用的部件的事實(shí)，已經(jīng)針對(duì)這些元件充分發(fā)展了這些監(jiān)視技術(shù)。然而，如今，所應(yīng)用的維護(hù)技術(shù)取決于部件而非常不同，并且對(duì)于機(jī)械元件例如鐵路車軸，目前主要使用不同類型的超聲波無損探傷技術(shù)。在該情況下，建立固定的間隔以便執(zhí)行探傷，當(dāng)執(zhí)行探傷時(shí)，必須使機(jī)器在過程中停止運(yùn)行，甚至移除車輪，這必然引起花費(fèi)。此外，超聲具有不能在包括部件中的變化的區(qū)域(其恰恰是最可能具有裂縫的區(qū)域)中提供非常高的成功率的缺點(diǎn)，并且在磁性粒子(另一種通用技術(shù))的情況下，探傷設(shè)備的低自動(dòng)化水平意味著該技術(shù)易受人為誤差的影響。

與此相反，基于狀況監(jiān)視的技術(shù)具有無需停止以及拆除機(jī)器以檢查其元件的狀況的優(yōu)勢(shì)，并且此外在故障變得嚴(yán)重之前檢測(cè)到故障的可能性增加，從而避免了損失并且增加了過程安全。在近幾十年中，這兩個(gè)原因已經(jīng)將工業(yè)過程中的狀況監(jiān)視轉(zhuǎn)變成大量研究項(xiàng)目的對(duì)象。

具體地涉及軸監(jiān)視，自從二十世紀(jì)六十年代以來，已經(jīng)使用缺陷軸和正常軸來對(duì)軸的動(dòng)態(tài)行為進(jìn)行了許多研究。然而，這樣的研究通常不包括缺陷識(shí)別的逆過程。關(guān)于檢測(cè)軸中的缺陷的問題，現(xiàn)有技術(shù)中存在的診斷方法可以被分為基于振動(dòng)的方法、基于模態(tài)分析的方法以及非常規(guī)技術(shù)。

關(guān)于非常規(guī)方法，除了復(fù)雜的信號(hào)處理技術(shù)例如小波變換(WT)之外，在該領(lǐng)域中例如還包括使用智能分類系統(tǒng)例如神經(jīng)網(wǎng)絡(luò)和模糊邏輯的方法。實(shí)際上，小波變換(WT)是最廣泛地用于信號(hào)處理的工具。小波變換的使用正在代替FFT的使用，因?yàn)樾〔ㄗ儞Q能夠通過包括關(guān)于時(shí)域的信息來消除常規(guī)技術(shù)的限制。因此，WT是用于處理非平穩(wěn)信號(hào)的非常合適的工具，使其特別適用于機(jī)器中的缺陷技術(shù)，因?yàn)楫?dāng)在元件內(nèi)出現(xiàn)裂紋時(shí)，在信號(hào)中產(chǎn)生僅考慮頻域不能被檢測(cè)到的瞬態(tài)效應(yīng)。因此，在近些年，對(duì)于軸和其他重要機(jī)械元件例如軸承、齒輪以及包括結(jié)構(gòu)元件的缺陷技術(shù)，小波變換已經(jīng)變得更加重要。

在WT上取得的最新進(jìn)步之一是具有大量應(yīng)用的所謂的小波包變換(WPT)。該技術(shù)允許信號(hào)的所有頻帶的分解，這使得能夠找到正常元件與缺陷元件之間的差異，這還使得能夠增加或者降低用于研究信息的分辨率。雖然從WPT獲得的系數(shù)可以直接用作用于缺陷檢測(cè)的模式，因?yàn)橄禂?shù)對(duì)故障非常敏感，但是存在用于應(yīng)用該技術(shù)并且使用與系數(shù)有關(guān)的其他類型的信息(例如信號(hào)或能量量度的統(tǒng)計(jì)參數(shù))的許多替選方案。

用于診斷機(jī)器中的缺陷的現(xiàn)有技術(shù)設(shè)置有不同類型的人工分類器。人工分類器已經(jīng)從初始的傳統(tǒng)的(確定性的和概率性的)統(tǒng)計(jì)方法進(jìn)步到：決策制定(decision making)、語法方法(syntactic approaches)或決策樹；最近已經(jīng)通過軟件包發(fā)展并且源于早前的方法的其他方法，例如模糊群理論方法、遺傳算法和連接算法(ANN：人工神經(jīng)網(wǎng)絡(luò))；以及包括所有前述的混合版本。如今，ANN已經(jīng)成為對(duì)于工業(yè)有巨大意義的智能分類系統(tǒng)。

人工神經(jīng)網(wǎng)絡(luò)是受動(dòng)物內(nèi)的神經(jīng)系統(tǒng)如何工作啟發(fā)的自動(dòng)學(xué)習(xí)和自動(dòng)處理的示例。它是在合作產(chǎn)生輸出刺激的網(wǎng)絡(luò)中的互相連接的神經(jīng)元的系統(tǒng)。在人工智能領(lǐng)域，它們通常被稱作神經(jīng)網(wǎng)絡(luò)。基本神經(jīng)單元的基本部分是：

●輸入：刺激神經(jīng)元的向量(p_j)。其包括ANN要被施加到的現(xiàn)象(phenomenon)的最具代表性的數(shù)據(jù)(模式)。

●權(quán)重(weight)：與網(wǎng)絡(luò)中的神經(jīng)元之間的連接中的每一個(gè)相關(guān)聯(lián)的值(w_j)。這樣的權(quán)重的變化確定學(xué)習(xí)過程。

●激活函數(shù)：其負(fù)責(zé)根據(jù)總的輸入來計(jì)算神經(jīng)元的激活水平或者激活狀態(tài)。其可能是最好地限定了神經(jīng)元行為的神經(jīng)元的主要特征。在不同的ANN架構(gòu)中，最常用的激活函數(shù)是：Sigmoid函數(shù)，其獲得區(qū)間[0,1]中的值；以及雙曲正切函數(shù)，其獲得區(qū)間[-1,1]中的值。

●網(wǎng)絡(luò)函數(shù)或者傳播函數(shù)：其計(jì)算神經(jīng)單元的基線值或者總的輸入。其相當(dāng)于刺激或者抑制生物神經(jīng)元的信號(hào)的組合。最廣泛使用的網(wǎng)絡(luò)函數(shù)是線性函數(shù)和二階函數(shù)。對(duì)于線性網(wǎng)絡(luò)函數(shù)，用于獲得神經(jīng)單元的輸出的等式是：

●輸出：根據(jù)對(duì)神經(jīng)元的激活的神經(jīng)元的輸出值。在將ANN用于缺陷診斷過程的情況下，輸出等于網(wǎng)絡(luò)診斷。

采用層來組織神經(jīng)元，其中層通過權(quán)重連接?；镜腁NN具有至少三層神經(jīng)元：輸入層、一個(gè)或更多個(gè)隱藏層以及輸出層。ANN的每個(gè)層包括被稱作結(jié)點(diǎn)或者神經(jīng)元的一組處理單元，其中處理單元以單向的方式將其自身的輸出發(fā)送到下一層的所有結(jié)點(diǎn)。

在使用傳統(tǒng)ANN時(shí)存在兩個(gè)階段：學(xué)習(xí)或者訓(xùn)練階段，以及測(cè)試和/或使用階段。在具有監(jiān)督學(xué)習(xí)的ANN的情況下，訓(xùn)練包括呈現(xiàn)不同組的輸入模式，其中輸入模式的輸出是已知的。網(wǎng)絡(luò)以迭代誤差最小化處理來調(diào)整層之間的連接(權(quán)重w_j)，直到使得所述網(wǎng)絡(luò)遵守所建立的需求為止。存在用于調(diào)整構(gòu)成不同網(wǎng)絡(luò)配置的權(quán)重的不同算法。

根據(jù)前述，雖然到目前為止遍及現(xiàn)有技術(shù)已知的發(fā)明執(zhí)行本發(fā)明的目標(biāo)的功能，但是是以一種相當(dāng)不可靠的并且低效率的方式來執(zhí)行的，因?yàn)樗鼈儾⒎且宰顑?yōu)的方式適于應(yīng)用到旋轉(zhuǎn)軸例如鐵路車軸。因此，現(xiàn)有技術(shù)需要發(fā)展這些技術(shù)以允許執(zhí)行對(duì)以下狀況的可靠和自動(dòng)的診斷而無須拆除軸并且停止其運(yùn)行的缺點(diǎn)：輪組(檢測(cè)是否存在故障/缺陷)連同形成滾動(dòng)系統(tǒng)的一部分的剩余元件一起的狀況。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明涉及一種用于自動(dòng)檢測(cè)旋轉(zhuǎn)軸中的故障的方法。該方法包括以下步驟：

a)借助于至少一個(gè)傳感器從旋轉(zhuǎn)軸獲取振動(dòng)信號(hào)；

b)借助于處理器在時(shí)域和頻域中處理由傳感器獲取的信號(hào)，獲得所獲取的信號(hào)的能量量度作為所述處理的結(jié)果；

c)在處理器內(nèi)將能量量度與之前建立的能量模式進(jìn)行比較；

d)基于能量量度與之前建立的模式之間的比較來確定在旋轉(zhuǎn)軸中是否存在任何故障。

根據(jù)本發(fā)明的一個(gè)實(shí)施方式，可以通過對(duì)所獲取的信號(hào)施加小波包變換來執(zhí)行步驟b)的處理。通過對(duì)所獲取的信號(hào)施加小波包變換，本發(fā)明的方法預(yù)期選擇用于所獲取的信號(hào)的分解級(jí)別和母小波的可能性。

根據(jù)本發(fā)明的一個(gè)實(shí)施方式，能量模式分布在與所獲取的信號(hào)的不同頻帶相對(duì)應(yīng)的包內(nèi)。

可選地，本發(fā)明的實(shí)施方式之一預(yù)期：檢測(cè)之前從旋轉(zhuǎn)軸獲取的不同信號(hào)之間的一個(gè)并且相同頻帶內(nèi)的能量的變化，以建立能量模式。

在本發(fā)明的實(shí)施方式之一中，借助于神經(jīng)網(wǎng)絡(luò)來執(zhí)行對(duì)能量量度與之前建立的模式的比較。取決于本發(fā)明的不同實(shí)施方式，神經(jīng)網(wǎng)絡(luò)選自單向神經(jīng)網(wǎng)絡(luò)、用于模式識(shí)別的神經(jīng)網(wǎng)絡(luò)、多層感知器神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)或概率神經(jīng)網(wǎng)絡(luò)?？梢灶A(yù)期的是，增加額外的神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟的可能性，其中，將輸出結(jié)果已知的信號(hào)用作神經(jīng)網(wǎng)絡(luò)的輸入。可選地，該方法可以包括：在獲得的命中率小于某一閾值的情況下，增加所獲取的信號(hào)的分解級(jí)別。

本發(fā)明的實(shí)施方式之一預(yù)期以下可能性：旋轉(zhuǎn)軸是安裝在鐵路車上的鐵路車軸，其中所述鐵路車在運(yùn)動(dòng)中。

換言之，鐵路車或者滾動(dòng)系統(tǒng)包括鐵路車的旋轉(zhuǎn)軸或者旋轉(zhuǎn)元件，其中，旋轉(zhuǎn)軸或者旋轉(zhuǎn)元件與通常被包括在所述鐵路車或者滾動(dòng)系統(tǒng)中的剩余元件一起裝配。

根據(jù)本發(fā)明的實(shí)施方式之一，可以將通過本發(fā)明的方法在旋轉(zhuǎn)軸中檢測(cè)到的故障或者缺陷按照不同嚴(yán)重級(jí)別進(jìn)行分類。例如，嚴(yán)重級(jí)別可以對(duì)應(yīng)于在鐵路車軸中檢測(cè)到的裂縫或者裂紋的深度。

本發(fā)明的第二方面涉及一種用于自動(dòng)檢測(cè)旋轉(zhuǎn)軸中的故障的系統(tǒng)。該系統(tǒng)包括：

-傳感器，其被配置成用于從旋轉(zhuǎn)軸獲取振動(dòng)信號(hào)；

-處理器，其與傳感器通信，該處理器被配置成用于：在時(shí)域和頻域內(nèi)分析信號(hào)；獲得所述信號(hào)的能量量度；將能量量度與之前建立的能量模式進(jìn)行比較；以及根據(jù)能量量度與之前建立的模式的比較來確定在旋轉(zhuǎn)軸中是否存在任何故障。

本發(fā)明的系統(tǒng)的可能實(shí)施方式預(yù)期以下可能性：旋轉(zhuǎn)軸是鐵路車軸。

根據(jù)本發(fā)明的特定實(shí)施方式，用于從旋轉(zhuǎn)軸獲取振動(dòng)信號(hào)的傳感器是加速計(jì)。所述加速計(jì)可以安裝到例如連接到研究中的鐵路車軸的潤滑油箱內(nèi)。

本發(fā)明的最后方面涉及一種包括程序代碼裝置的計(jì)算機(jī)程序，所述程序代碼裝置適于當(dāng)在通用處理器、數(shù)字信號(hào)處理器、FPGA、ASIC、微處理器、微控制器或任何其他形式的可編程硬件中運(yùn)行所述程序時(shí)執(zhí)行本發(fā)明的方法的步驟。

因此，根據(jù)所描述的發(fā)明，通過本發(fā)明提出的方法和系統(tǒng)是對(duì)直到現(xiàn)在仍在使用的主要應(yīng)用于鐵路車軸的用于診斷和檢測(cè)旋轉(zhuǎn)軸中的故障的方法的改進(jìn)。因此，上述缺點(diǎn)通過預(yù)測(cè)軸的磨損(wear)的方式以及接著的由于過程優(yōu)化和效率所帶來的成本降低而以完全令人滿意的方式被解決，其中，借助于檢測(cè)處于不同嚴(yán)重級(jí)別的故障來預(yù)測(cè)軸的磨損，而不必在對(duì)軸進(jìn)行探傷時(shí)拆除軸或使機(jī)器停止工作，所述探傷利用與機(jī)器的操作和維護(hù)相關(guān)聯(lián)的隨后的操作改進(jìn)被自動(dòng)完成，并且以上所有均不需要任何特殊的操作者技術(shù)并且不存在任何使用困難。

附圖說明

為了補(bǔ)充所作的描述并且出于幫助根據(jù)本發(fā)明的優(yōu)選實(shí)際實(shí)施方式來更好地理解本發(fā)明的特征的目的，附上一組附圖作為所述描述的組成部分，其中已經(jīng)通過說明性的而非限制性的附圖標(biāo)記來描述了下述附圖：

圖1示出了所提出的發(fā)明的示圖。

圖2示出了小波變換的應(yīng)用的示圖。

圖3示出了當(dāng)信號(hào)通過離散小波變換濾波器時(shí)信號(hào)的分解的示圖。

圖4示出了借助于小波包的分析中的三級(jí)分解樹。

圖5a示出了根據(jù)本發(fā)明的特定示例的信號(hào)的在不同分解級(jí)別上的能量的分布。

圖5b示出了針對(duì)圖5a中所使用的相同信號(hào)的在分解級(jí)別3中的能量分布。

圖6示出了所提出的發(fā)明的步驟的一般示圖。

圖7a示出了來自20Hz處的正常軸的信號(hào)的小波包的能量模式。

圖7b示出了來自20Hz處的缺陷軸的信號(hào)的小波包的能量模式。

具體實(shí)施方式

考慮到上述附圖，可以看到本發(fā)明的可能實(shí)施方式之一如何提出將無損方法和系統(tǒng)用于檢測(cè)以低轉(zhuǎn)速旋轉(zhuǎn)的軸中的故障，該方法和系統(tǒng)基本應(yīng)用于鐵路車的輪組(其包括軸)。其基于狀況監(jiān)視，并且將本發(fā)明應(yīng)用于鐵路車軸的優(yōu)勢(shì)在于不必拆除這樣的軸用于探傷。

在時(shí)域和頻域中連續(xù)地監(jiān)視并且處理所發(fā)出的振動(dòng)，選擇允許被用作智能分類系統(tǒng)中的輸入信息的最佳參數(shù)。

基于振動(dòng)測(cè)量的技術(shù)尤其包括以實(shí)驗(yàn)和分析兩種方式來獲得信號(hào)的技術(shù)。當(dāng)缺陷出現(xiàn)時(shí)，尋找在這些元件的動(dòng)態(tài)分析中所觀察到的現(xiàn)象(例如在關(guān)鍵軸速度次諧波和旋轉(zhuǎn)速度諧波中觀察到的某些不穩(wěn)定性)以用于缺陷檢測(cè)。然而，盡管這些效果在理論上是顯然的，但是實(shí)際上缺陷的早期檢測(cè)不是簡(jiǎn)單的任務(wù)，并且檢測(cè)率通常低于25％。

本發(fā)明使用借助于WPT計(jì)算的能量來代替MRA分析的典型最佳的系數(shù)。因此，所提出的發(fā)明是基于從振動(dòng)信號(hào)(其在研究的旋轉(zhuǎn)軸的正常運(yùn)行期間被獲得，而無需拆除旋轉(zhuǎn)軸)獲得WPT能量。選擇最優(yōu)模式以借助于神經(jīng)網(wǎng)絡(luò)來將其分類。目前，已經(jīng)使用1/5比例的RTK-01原型實(shí)驗(yàn)工作臺(tái)成功地測(cè)試了本發(fā)明。

圖1示出了顯示本發(fā)明的操作的所提出的發(fā)明的示圖。根據(jù)特定實(shí)施方式，所提出的發(fā)明提供了對(duì)作為研究的機(jī)械系統(tǒng)的一部分的旋轉(zhuǎn)軸(在這種情況下為鐵路車(2)軸)的狀況的恒定診斷(1)，其中本發(fā)明具有不必拆除車軸的優(yōu)勢(shì)，因?yàn)樵谲囕S的正常運(yùn)行期間借助于傳感器(4)例如加速計(jì)來獲取振動(dòng)信號(hào)(3)，其中信號(hào)通過采集系統(tǒng)(5)被采集并且被發(fā)送到信號(hào)處理器(6)。在處理信號(hào)并且施加小波包變換以獲得信號(hào)的能量量度(7)之后，所述信號(hào)被引入到以更早的樣本訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)(8)中，以用于取決于軸的狀況來比較信號(hào)并且對(duì)信號(hào)進(jìn)行分類。以非常高的成功率自動(dòng)識(shí)別檢測(cè)到的故障。

為了將用于監(jiān)視齒輪和軸承的方法應(yīng)用到鐵路車軸(其是極其關(guān)鍵的元件)的情況，已經(jīng)根據(jù)本發(fā)明的不同實(shí)施方式進(jìn)行了對(duì)數(shù)個(gè)函數(shù)的研究，以確定軸中存在的缺陷例如裂縫或者裂紋的最佳指標(biāo)。

在現(xiàn)有技術(shù)中最廣泛研究的函數(shù)一方面是統(tǒng)計(jì)參數(shù)(例如平均值、中值、標(biāo)準(zhǔn)差、偏差、峰值、均方根、最小值、最大值、峰峰值、峰值、形狀因數(shù)或者波峰因數(shù))，而另一方面是信號(hào)的表示，其中信號(hào)的表示允許在時(shí)域和頻域二者中均對(duì)其進(jìn)行研究。

關(guān)于頻域表示，它們已經(jīng)傳統(tǒng)地用于檢查頻率峰，其中由于缺陷的存在，幅度被改變或者頻率峰被移動(dòng)。這是因?yàn)榻Y(jié)構(gòu)元件中的裂縫的存在降低了結(jié)構(gòu)元件的剛性，因此自然頻率降低并且振動(dòng)模式改變。自然頻率的研究始終是尋找機(jī)械元件中的損壞的指標(biāo)的第一步，因?yàn)榭梢砸钥焖俨⑶液?jiǎn)單的方式來測(cè)量自然頻率，并且自然頻率經(jīng)歷非常小的由實(shí)驗(yàn)噪聲引起的污染。通過依據(jù)頻帶進(jìn)行徹底的分析來檢測(cè)指示缺陷存在的某些頻帶中的能量的差異，但是該技術(shù)的主要缺點(diǎn)在于：當(dāng)缺陷發(fā)生時(shí)，自然頻率的變化非常小并且可能由于實(shí)驗(yàn)誤差而被掩蓋。

然而，在本發(fā)明中，由于不觀察振動(dòng)模式，而是觀察在與旋轉(zhuǎn)軸相關(guān)聯(lián)的機(jī)器的正常運(yùn)動(dòng)期間發(fā)生的響應(yīng)信號(hào)，因此將包括噪聲缺點(diǎn)。

關(guān)于在時(shí)域和頻域中描述信號(hào)的函數(shù)，小波變換非常突出并且被選擇用于本發(fā)明。這樣的變換是用于檢測(cè)機(jī)械元件內(nèi)的缺陷的非常合適的數(shù)學(xué)工具。小波變換的最大的優(yōu)勢(shì)之一是其允許在多分辨率模式下工作，這允許在具有快速瞬態(tài)的非平穩(wěn)信號(hào)中有效地定位局部現(xiàn)象。正如通過傅里葉變換來獲得正弦信號(hào)分量的頻率系數(shù)那樣，通過小波變換來獲得信號(hào)與被稱作母小波的函數(shù)之間的相關(guān)系數(shù)。此外，所述相關(guān)系數(shù)取決于母小波的尺度(scale)和位置。由于母小波的形態(tài)而選擇母小波，因?yàn)槠涓愃朴谠谌毕荽嬖诘那闆r下信號(hào)中產(chǎn)生的效果。

在針對(duì)本發(fā)明進(jìn)行的試驗(yàn)中，在實(shí)施方式中的一個(gè)中選擇母小波集，以評(píng)估哪個(gè)母小波集與所評(píng)估的缺陷具有最高的相關(guān)性。可以確定的是，Daubechies小波族，特別是Daubechies小波6，是最匹配的一個(gè)。

連續(xù)小波變換(CWT)是將每個(gè)有限能量信號(hào)與根據(jù)該信號(hào)適當(dāng)?shù)剡x擇的被稱作母小波(21)的特定函數(shù)相關(guān)聯(lián)的線性算符。如圖2中所看到的那樣，當(dāng)選擇了瞬間尺度(instant scale)和觀察尺度時(shí)，CWT允許通過相關(guān)系數(shù)(22)來分析信號(hào)的結(jié)構(gòu)，而非將信號(hào)(23)作為整體進(jìn)行分析。

連續(xù)小波變換的優(yōu)勢(shì)在于，其是用于對(duì)以下信號(hào)進(jìn)行檢測(cè)、表征和分類的非常有用的工具：具有復(fù)雜的譜特性、瞬態(tài)成分以及與非平穩(wěn)信號(hào)有關(guān)的其他屬性的信號(hào)。

連續(xù)小波變換的數(shù)學(xué)公式如下：

其中，X(t)是瞬態(tài)信號(hào)并且ψ是母小波函數(shù)，w(a)是權(quán)重函數(shù)。在式(1)中，b與定位有關(guān)，而a與尺度有關(guān)。權(quán)重函數(shù)用于能量守恒的目的(假設(shè)小波在每個(gè)尺度將具有相同的能量)。T(a,b)是取決于每個(gè)尺度a和位移b的小波系數(shù)。小波的共軛與信號(hào)的乘積在信號(hào)的整個(gè)范圍內(nèi)積分，這在數(shù)學(xué)上被稱為卷積。

基于連續(xù)小波變換的定義，使用離散小波變換是習(xí)慣作法。這是由于它們的計(jì)算效率以及由于經(jīng)常使用離散數(shù)據(jù)信號(hào)的事實(shí)。使CWT離散的最常見方面是使用二階網(wǎng)格(dyadic grid)，其中a＝2i。在這種情況下，變換通過如下被確定：

每個(gè)i被稱為倍頻程(octave)并且包括信號(hào)被分解的級(jí)別中的每一個(gè)。低尺度考慮低頻率，而高尺度考慮較高頻率。當(dāng)使用正交小波時(shí)，通常使用被稱作抽取方法的方法。該方法包括將信號(hào)分解為與分析的尺度成比例的若干系數(shù)。這表示信號(hào)在每個(gè)尺度上將會(huì)有不同數(shù)目的系數(shù)。從物理上而言，這反映了以下事實(shí)：信號(hào)的較低頻率需要較少的系數(shù)以進(jìn)行表示。

多分辨率分析(MRA)和小波包變換(WPT)分析二者都是離散小波變換的擴(kuò)展，其中，如圖3所示，在不同頻帶處并且利用不同的分辨率處理離散信號(hào)X，在該情況下利用低通遞歸濾波器(35)和高通遞歸濾波器(34)將信號(hào)分解為近似信息(32)和細(xì)節(jié)信息(33)。

近似包括關(guān)于高尺度和低頻率成分的信息，而細(xì)節(jié)包括低尺度和高頻率的信息。

MRA方法與借助于WPT的分析之間的主要區(qū)別根本在于：在MRA分析中，只有近似參數(shù)被分解，因此丟失了細(xì)節(jié)信息以及關(guān)于近似細(xì)節(jié)的信息，而在借助于WPT的分析中，細(xì)節(jié)和近似二者在級(jí)別中的每一個(gè)中均被分解。

圖4示出了借助于WPT分析的信號(hào)的3級(jí)分解樹，其中考慮了近似和細(xì)節(jié)二者的所有分解。在所述附圖中，分解系數(shù)向量以W(k,j)的形式被表示為節(jié)點(diǎn)位置，其中k表示分解級(jí)別(在這種情況下，k＝0、1、2、3)，并且j表示在其分解級(jí)別之內(nèi)的結(jié)點(diǎn)的位置。結(jié)點(diǎn)W(0,0)表示原始信號(hào)。

在該情況下，除了近似和細(xì)節(jié)系數(shù)在該情況下均被分解之外，分解算法與多分辨率分析相同。因此，如果每個(gè)相關(guān)系數(shù)向量W(k,j)具有如下形式：

W(k，j)＝{w₁(k，j)，...，w_N(k，j)}＝{w_i(k，j)} (式3)

則在該情況下信號(hào)重組必須根據(jù)如下等式將與級(jí)別3相對(duì)應(yīng)的8個(gè)系數(shù)向量(包)W(3,j)考慮進(jìn)去：

在小波包分析中使用的能量的概念與源于傅里葉理論的已知觀點(diǎn)緊密聯(lián)系。根據(jù)每個(gè)包的系數(shù)的平方和來獲得小波包能量：

E_k，j＝∑_i|w_i(k，j)|² (式5)

為了獲得相對(duì)能量，計(jì)算在分解小波之前的信號(hào)的總的能量：

E_total＝∑_jE_k，j (式6)

最后，每個(gè)小波包j在分解級(jí)別k中的相對(duì)能量被定義為：

其中Σ_je_k，j＝1 (式7)

圖5示出了借助于WPT分析獲得的示例信號(hào)在不同分解級(jí)別(圖5a)中以及特別地在級(jí)別3(圖5b)中的能量分布的百分比。

根據(jù)本發(fā)明的不同測(cè)試，從按照1/8比例的鐵路車軸(其在被稱為ROTOKIT的測(cè)試平臺(tái)中測(cè)試)獲得信號(hào)。使用加速計(jì)獲得的研究信號(hào)來自正常軸和具有數(shù)種缺陷程度(例如直徑的16％、33％以及50％)的軸，并且處于不同的測(cè)試速度(20Hz、40Hz以及60Hz)?？紤]第一近似作為用于小波包能量分類系統(tǒng)的最優(yōu)函數(shù)，因?yàn)橐呀?jīng)確定其對(duì)于研究機(jī)械元件中的缺陷是最相關(guān)的，并且其允許在不丟失相關(guān)信息的情況下減少要進(jìn)入到分類系統(tǒng)中的數(shù)據(jù)片的數(shù)目。

圖6描繪了通過本發(fā)明提出的方法的完整示圖。圖6示出了如下步驟：

●輸入(61)：對(duì)應(yīng)于來自要被監(jiān)視的系統(tǒng)(例如使用Rotokit系統(tǒng)或者真實(shí)系統(tǒng))的信息的采集。借助于傳感器，或者更具體地借助于加速器，來獲取振動(dòng)信號(hào)。

●處理信號(hào)(62)：提取關(guān)于軸的狀況的相關(guān)信息。在這一步將執(zhí)行信號(hào)濾波和調(diào)節(jié)，并且將從獲取到的信號(hào)提取能量模式。

●分類器系統(tǒng)(63)：這涉及選擇最有希望的系統(tǒng)以及最合適的配置。

系統(tǒng)輸出(64)產(chǎn)生對(duì)應(yīng)于軸實(shí)際運(yùn)行狀況的診斷。正常軸/缺陷軸的狀況用于第一近似中，并且由于借助于系統(tǒng)訓(xùn)練在輸入處獲得更多信息，所以根據(jù)之前建立的不同的嚴(yán)重級(jí)別來從輕微到嚴(yán)重執(zhí)行故障狀況的辨別。

如前面所說明的那樣，選擇用于執(zhí)行比較以及/或者分類的最優(yōu)函數(shù)是小波包能量。如圖7a和7b所示，明顯地，非常易于比較能量模式之間的差異。所述附圖對(duì)應(yīng)于平均包能量值，所述平均包能量值是處理在具有以20Hz旋轉(zhuǎn)的系統(tǒng)的兩個(gè)試驗(yàn)中獲得的信號(hào)的結(jié)果，其中，系統(tǒng)具有正常軸和缺陷深度小于半徑的33％的軸。關(guān)于小波分解，已經(jīng)利用Daubechies母小波6來執(zhí)行了3級(jí)分解。在該示例中可以看出，在軸無缺陷的情況下，信號(hào)的能量基本集中于包2和包4。當(dāng)軸中出現(xiàn)缺陷時(shí)，所述能量分散在剩余包中。

對(duì)于分類以及與模式相比較的任務(wù)，本發(fā)明使用人工神經(jīng)網(wǎng)絡(luò)(ANN)架構(gòu)。已經(jīng)執(zhí)行了來自所有可能性中的不同測(cè)試，以借助于運(yùn)行不同的測(cè)試來確定哪個(gè)對(duì)于軸中故障檢測(cè)的特定情況而言是最適合。

根據(jù)本發(fā)明的實(shí)施方式之一，已經(jīng)使用從Daubechies母小波6獲得的并且具有等于3的分解級(jí)別的小波包的能量作為測(cè)試情況下的模式。換言之，如圖7中描述的那樣，對(duì)應(yīng)于八個(gè)包(2³)的八個(gè)能量級(jí)別被呈現(xiàn)給神經(jīng)網(wǎng)絡(luò)作為輸入。

已經(jīng)使用集成在easy-to-apply MATLAB^TM工具箱中的兩種類型的多層ANN進(jìn)行了測(cè)試，這將允許研究這樣的分類系統(tǒng)對(duì)于鐵路車軸的特定情況的適用性。這些是前饋型網(wǎng)絡(luò)和模式識(shí)別網(wǎng)絡(luò)：

-前饋ANN(單向的)是在其隱藏層中具有sigmoid類型的激活函數(shù)的多層神經(jīng)網(wǎng)絡(luò)。其之所以被稱為前饋是因?yàn)樾畔⒈幌蚯皞魉筒⑶覜]有任何類型的反饋。

使用來自利用系統(tǒng)(模式)獲得的信號(hào)的小波包的八個(gè)能量值來訓(xùn)練該神經(jīng)網(wǎng)絡(luò)。在下面示出的特定示例中，使用對(duì)應(yīng)于正常軸和缺陷軸(相對(duì)于軸直徑的16％的裂紋深度)的1000個(gè)信號(hào)。所述信號(hào)的75％用于訓(xùn)練網(wǎng)絡(luò)，而剩余的25％(400個(gè)8維模式向量)被呈現(xiàn)至已經(jīng)訓(xùn)練過的網(wǎng)絡(luò)作為驗(yàn)證系統(tǒng)。在該網(wǎng)絡(luò)配置中，8個(gè)神經(jīng)元被用于輸入層(對(duì)應(yīng)于模式向量的維數(shù))中，5個(gè)神經(jīng)元被用于隱藏層中，并且1個(gè)神經(jīng)元被用于對(duì)應(yīng)于分類結(jié)果的輸出層中。在該第一近似中，選擇以下響應(yīng)：0，用于正常軸；以及1，用于缺陷軸。

可以在試驗(yàn)結(jié)果中看到誤差收斂。在26次迭代中，算法收斂于所建立的值；然而，在第20次迭代中實(shí)現(xiàn)了最優(yōu)在前驗(yàn)證值，其中誤差為0.0158。與此相比，一旦網(wǎng)絡(luò)已經(jīng)經(jīng)過了訓(xùn)練，則當(dāng)向網(wǎng)絡(luò)呈現(xiàn)要被分類的新的模式時(shí)，獲得84.25％的成功率。此外，當(dāng)向網(wǎng)絡(luò)呈現(xiàn)缺陷軸時(shí)，所提出的算法具有100％的成功率。

-模式識(shí)別ANN：這樣的網(wǎng)絡(luò)具有與先前網(wǎng)絡(luò)相同的架構(gòu)，區(qū)別在于所使用的激活函數(shù)的類型、訓(xùn)練算法以及由MATLAB^TM工具提供的用于定制網(wǎng)絡(luò)本身的可能性。在相同的訓(xùn)練和驗(yàn)證條件(使用相同的信號(hào))下，所獲得的結(jié)果是79.5％的分類成功率。

使用上面描述的兩個(gè)簡(jiǎn)單ANN配置的訓(xùn)練所獲得的良好結(jié)果使得將相同的概念應(yīng)用于被廣泛應(yīng)用于分類領(lǐng)域的其他更復(fù)雜和更靈活的網(wǎng)絡(luò)(例如多層感知器(MLP)網(wǎng)絡(luò)、徑向基函數(shù)(RBF)網(wǎng)絡(luò)以及概率神經(jīng)網(wǎng)絡(luò)(PNN))是明顯的步驟。