Luận văn: Nhận dạng vết nứt bánh răng bằng đo dao động và phép biến đổi Wavelet

Luận văn thạc sĩ: Nghiên cứu nhận dạng vết nứt bánh răng qua đo dao động và phép biến đổi uwavelet. Giải pháp phát hiện sớm hư hỏng, nâng cao độ bền.

• Tác giả: Hà Trung Kiên
• Người hướng dẫn: PGS. Nguyễn Phương Điền
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Cơ Học Kỹ Thuật
• Đề tài: Nhận Dạng Vết Nứt Của Bánh Răng Bằng Phương Pháp Đo Dao Động Và Phép Biến Đổi Wavelet Rời Rạc
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC KÝ HIỆU, TỪ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• MỞ ĐẦU
• 1. CHƯƠNG 1: CƠ SỞ PHÉP BIẾN ĐỔI WAVELET RỜI RẠC
• 1.1. Phép biến đổi Fourier
• 1.2. Biến đổi Wavelet liên tục
• 1.2.1. Phép biến đổi Wavelet liên tục
• 1.2.2. Ý nghĩa của phép biến đổi Wavelet liên tục
• 1.3. Biến đổi Wavelet rời rạc
• 1.3.1. Phân tích đa phân giải
• 1.3.2. Biến đổi Wavelet
• 1.3.3. Thuật giải Mallat
• 1.3.4. Một số hàm Wavelet rời rạc thông dụng
• 1.4. Biến đổi Wavelet Packet
• 1.4.1. Cơ sở Wavelet Packet
• 1.4.2. Biến đổi Wavelet Packet điều hòa
• 1.5. KẾT LUẬN CHƯƠNG 1
• 2. CHƯƠNG 2: MẠNG NƠRON NHÂN TẠO
• 2.1. Giới thiệu về mạng nơron nhân tạo
• 2.2. Mạng nơron sinh học và Mạng nơron nhân tạo
• 2.2.1. Mạng nơron sinh học
• 2.2.2. Mạng nơron nhân tạo
• 2.2.3. Một số hàm truyền thường gặp
• 2.3. Kiến trúc của mạng Nơron
• 2.3.1. Phân loại mạng nơron
• 2.3.2. Một số kiểu kiến trúc mạng nơron
• 2.4. Huấn luyện mạng Nơron
• 2.4.1. Các phương pháp học của mạng nơron
• 2.4.2. Thuật toán lan truyền ngược
• 2.5. Wavelet Neural Networks
• 2.6. KẾT LUẬN CHƯƠNG 2
• 3. CHƯƠNG 3: PHÁT HIỆN VẾT NỨT BÁNH RĂNG NHỜ WAVELET NEURAL NETWORKS
• 3.1. Các dạng hư hỏng chủ yếu của bánh răng
• 3.1.3. Nứt, gãy chân răng và mẻ đỉnh răng
• 3.1.4. Tróc mỏi bề mặt
• 3.1.5. Lỗi chế tạo
• 3.2. Mô hình thí nghiệm
• 3.3. Phát hiện vết nứt bánh răng bằng phân tích tín hiệu trong miền thời gian, tần số
• 3.3.1. Phân tích tín hiệu trong miền thời gian
• 3.3.2. Phân tích tín hiệu trong miền tần số
• 3.4. Nhận dạng vết nứt bánh răng nhờ Wavelet Neural Networks
• 3.4.1. Đồng bộ hóa tín hiệu
• 3.4.2. Phân tích Wavelet Packet
• 3.4.3. Mô hình mạng Neural trong nhận dạng vết nứt bánh răng
• 3.4.4. Nhận dạng vết nứt bánh răng nhờ Wavelet Neural Networks
• 3.5. KẾT LUẬN CHƯƠNG 3
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Luận Văn Nhận Dạng Vết Nứt Bánh Răng Hot

Luận văn thạc sĩ này tập trung vào nhận dạng vết nứt bánh răng bằng cách sử dụng kết hợp phương pháp đo dao động và phép biến đổi U-Wavelet. Đây là một vấn đề quan trọng trong lĩnh vực bảo trì và chẩn đoán hư hỏng bánh răng, đặc biệt trong các ứng dụng công nghiệp đòi hỏi độ tin cậy cao. Mục tiêu chính là xây dựng một hệ thống có khả năng phát hiện sớm và chính xác các vết nứt bánh răng, từ đó giảm thiểu rủi ro và chi phí bảo trì. Luận văn sử dụng phân tích dao động bánh răng để thu thập dữ liệu, sau đó áp dụng phép biến đổi U-Wavelet để xử lý tín hiệu và trích xuất các đặc trưng quan trọng liên quan đến vết nứt. Cuối cùng, một thuật toán nhận dạng vết nứt được phát triển để phân loại và đánh giá mức độ nghiêm trọng của các vết nứt. Phương pháp này hứa hẹn mang lại độ chính xác cao hơn so với các phương pháp truyền thống, đồng thời cung cấp thông tin chi tiết về vị trí và kích thước của vết nứt. Luận văn cũng đánh giá độ tin cậy của phương pháp đo dao động và độ chính xác của phép biến đổi U-Wavelet trong việc phát hiện vết nứt bánh răng. Theo tài liệu gốc, kỹ thuật xử lý tín hiệu số đã có bước tiến vượt bậc cùng với sự phát triển của kỹ thuật đo đạc dao động bằng tín hiệu điện.

1.1. Tại Sao Nhận Dạng Sớm Vết Nứt Bánh Răng Lại Quan Trọng

Việc nhận dạng vết nứt bánh răng ở giai đoạn sớm là vô cùng quan trọng vì nó giúp ngăn ngừa các sự cố nghiêm trọng hơn có thể dẫn đến hỏng hóc hoàn toàn hệ thống. Hỏng hóc bánh răng không chỉ gây tốn kém chi phí sửa chữa mà còn có thể dẫn đến thời gian ngừng hoạt động đáng kể, ảnh hưởng đến năng suất và hiệu quả sản xuất. Chẩn đoán hư hỏng bánh răng kịp thời cho phép lên kế hoạch bảo trì chủ động, thay thế các bộ phận bị hỏng trước khi chúng gây ra thiệt hại lớn hơn. Ngoài ra, việc phát hiện sớm cũng giúp kéo dài tuổi thọ của bánh răng và các bộ phận liên quan, tiết kiệm chi phí trong dài hạn.

1.2. Các Phương Pháp Truyền Thống So Với U Wavelet Ưu Và Nhược

Các phương pháp truyền thống như phân tích phổ tần số và phân tích phổ đường bao thường được sử dụng để phát hiện vết nứt bánh răng. Tuy nhiên, các phương pháp này có thể gặp khó khăn trong việc phát hiện các vết nứt nhỏ hoặc trong điều kiện tiếng ồn cao. Phép biến đổi U-Wavelet có ưu điểm vượt trội trong việc phân tích tín hiệu không dừng, cho phép phát hiện các đặc trưng nhỏ liên quan đến vết nứt mà các phương pháp khác có thể bỏ sót. Tuy nhiên, U-Wavelet Transform cũng có nhược điểm là đòi hỏi tính toán phức tạp hơn và có thể yêu cầu phần mềm và phần cứng chuyên dụng.

II. Vấn Đề và Thách Thức Trong Nhận Dạng Vết Nứt Bánh Răng

Quá trình nhận dạng vết nứt bánh răng không phải là một nhiệm vụ đơn giản. Có nhiều yếu tố có thể ảnh hưởng đến độ chính xác của phương pháp, bao gồm độ ồn của tín hiệu, sự phức tạp của mô hình hóa bánh răng bị nứt, và sự thay đổi trong điều kiện hoạt động. Việc xử lý tín hiệu dao động đòi hỏi kỹ năng và kinh nghiệm để loại bỏ các thành phần không mong muốn và tập trung vào các đặc trưng quan trọng liên quan đến vết nứt. Thách thức lớn nhất là làm thế nào để xây dựng một hệ thống có thể hoạt động hiệu quả trong môi trường thực tế, nơi có nhiều nguồn nhiễu và điều kiện vận hành thay đổi liên tục. Các phương pháp so sánh các phương pháp phát hiện vết nứt bánh răng khác nhau cũng cần được xem xét để đánh giá hiệu quả và độ tin cậy của từng phương pháp.

2.1. Ảnh Hưởng Của Tiếng Ồn Đến Độ Chính Xác Của Phép Đo Dao Động

Tiếng ồn là một vấn đề lớn trong phương pháp đo dao động. Các nguồn tiếng ồn có thể đến từ nhiều nguồn khác nhau, bao gồm rung động từ các bộ phận khác của máy móc, nhiễu điện từ, và tiếng ồn môi trường. Tiếng ồn có thể che lấp các tín hiệu nhỏ liên quan đến vết nứt, làm giảm độ chính xác của phân tích dao động bánh răng. Các kỹ thuật xử lý tín hiệu dao động, như lọc và trung bình hóa, có thể được sử dụng để giảm thiểu ảnh hưởng của tiếng ồn, nhưng cần phải được áp dụng cẩn thận để tránh làm mất đi các thông tin quan trọng.

2.2. Mức Độ Phức Tạp Của Mô Hình Hóa Bánh Răng Khi Bị Nứt

Mô hình hóa bánh răng bị nứt là một nhiệm vụ phức tạp vì vết nứt có thể ảnh hưởng đến độ cứng và động lực học của bánh răng. Các mô hình hóa bánh răng bị nứt phải tính đến sự thay đổi trong phân bố ứng suất và biến dạng, cũng như ảnh hưởng của vết nứt đến tần số tự nhiên và chế độ dao động của bánh răng. Các mô hình đơn giản có thể không đủ chính xác để nhận dạng vết nứt một cách đáng tin cậy, trong khi các mô hình phức tạp hơn có thể đòi hỏi nhiều tài nguyên tính toán.

III. Hướng Dẫn Sử Dụng Phương Pháp Đo Dao Động Nhận Dạng Nứt

Phương pháp đo dao động là một công cụ mạnh mẽ để nhận dạng vết nứt bánh răng, nhưng đòi hỏi một quy trình cẩn thận và chính xác. Quy trình này bao gồm việc lựa chọn cảm biến phù hợp, thu thập dữ liệu dao động, xử lý tín hiệu, và phân tích các đặc trưng liên quan đến vết nứt. Cần phải hiểu rõ các nguyên tắc cơ bản của phân tích dao động bánh răng và cách vết nứt ảnh hưởng đến tín hiệu dao động. Ngoài ra, cần phải có kỹ năng xử lý tín hiệu dao động để loại bỏ tiếng ồn và trích xuất các thông tin quan trọng.

3.1. Cách Chọn Cảm Biến Đo Dao Động Phù Hợp Nhất

Việc lựa chọn cảm biến phù hợp là rất quan trọng để đảm bảo chất lượng dữ liệu dao động. Các yếu tố cần xem xét bao gồm dải tần số của cảm biến, độ nhạy, độ phân giải, và vị trí lắp đặt. Cảm biến nên được chọn để có thể thu thập các tín hiệu dao động quan trọng liên quan đến vết nứt, đồng thời giảm thiểu ảnh hưởng của tiếng ồn và rung động từ các nguồn khác. Vị trí lắp đặt cảm biến cũng quan trọng, nên đặt cảm biến ở vị trí gần bánh răng bị nghi ngờ và trên bề mặt có độ cứng cao.

3.2. Các Bước Thu Thập Dữ Liệu Dao Động Bánh Răng Chính Xác

Việc thu thập dữ liệu dao động cần được thực hiện một cách cẩn thận để đảm bảo tính chính xác và độ tin cậy. Các yếu tố cần xem xét bao gồm tốc độ lấy mẫu, thời gian thu thập, và điều kiện hoạt động của máy móc. Tốc độ lấy mẫu nên đủ cao để thu thập các thành phần tần số quan trọng trong tín hiệu dao động. Thời gian thu thập nên đủ dài để thu thập đủ dữ liệu để phân tích thống kê. Điều kiện hoạt động của máy móc cần được ghi lại để có thể giải thích các thay đổi trong tín hiệu dao động.

3.3. Tối Ưu Xử Lý Tín Hiệu Đo Dao Động Loại Bỏ Nhiễu Hiệu Quả

Xử lý tín hiệu là một bước quan trọng để loại bỏ tiếng ồn và trích xuất các đặc trưng quan trọng liên quan đến vết nứt. Các kỹ thuật xử lý tín hiệu có thể bao gồm lọc, trung bình hóa, và phân tích phổ. Lọc có thể được sử dụng để loại bỏ các thành phần tần số không mong muốn. Trung bình hóa có thể được sử dụng để giảm thiểu ảnh hưởng của tiếng ồn ngẫu nhiên. Phân tích phổ có thể được sử dụng để xác định các thành phần tần số quan trọng trong tín hiệu dao động.

IV. Bí Quyết Ứng Dụng Phép Biến Đổi U Wavelet Nhận Dạng Nứt Răng

Phép biến đổi U-Wavelet là một công cụ mạnh mẽ để phân tích tín hiệu không dừng và trích xuất các đặc trưng liên quan đến vết nứt bánh răng. Tuy nhiên, việc sử dụng U-Wavelet Transform đòi hỏi sự hiểu biết sâu sắc về các nguyên tắc cơ bản và các tham số quan trọng. Cần phải lựa chọn hàm wavelet phù hợp, xác định mức phân giải thích hợp, và giải thích kết quả một cách chính xác. Việc đánh giá hiệu quả phương pháp đo dao động và U-Wavelet cũng rất quan trọng để đảm bảo độ tin cậy của hệ thống.

4.1. Chọn Hàm U Wavelet Nào Cho Tín Hiệu Dao Động Bánh Răng

Việc lựa chọn hàm U-Wavelet phù hợp phụ thuộc vào đặc điểm của tín hiệu dao động và mục tiêu phân tích. Các hàm U-Wavelet khác nhau có các đặc tính khác nhau về độ phân giải thời gian và tần số, cũng như khả năng phát hiện các đặc trưng khác nhau. Một số hàm U-Wavelet phổ biến bao gồm Haar, Daubechies, Coiflet, và Symlet. Hàm Haar đơn giản và dễ tính toán, nhưng có độ phân giải thấp. Hàm Daubechies có độ phân giải tốt hơn, nhưng phức tạp hơn. Hàm Coiflet và Symlet có tính đối xứng tốt hơn, có thể hữu ích trong việc phân tích các tín hiệu có cấu trúc phức tạp.

4.2. Tối Ưu Mức Phân Giải U Wavelet Để Phát Hiện Vết Nứt Tối Ưu

Mức phân giải U-Wavelet xác định mức độ chi tiết của phân tích. Mức phân giải cao hơn cung cấp thông tin chi tiết hơn, nhưng cũng có thể làm tăng độ nhạy với tiếng ồn. Mức phân giải thấp hơn giảm độ nhạy với tiếng ồn, nhưng có thể bỏ sót các đặc trưng nhỏ liên quan đến vết nứt. Mức phân giải tối ưu phụ thuộc vào đặc điểm của tín hiệu dao động và mức độ tiếng ồn. Cần phải thử nghiệm các mức phân giải khác nhau để tìm ra mức cho kết quả tốt nhất.

V. Ứng Dụng Mạng Neural Trong Nhận Dạng Vết Nứt Bánh Răng

Luận văn này sử dụng Wavelet Neural Networks (WNN) để nhận dạng vết nứt bánh răng. Mạng Neural được huấn luyện để phân loại các tín hiệu dao động thành các trạng thái khác nhau của bánh răng, bao gồm bánh răng bình thường, bánh răng bị nứt nhẹ, và bánh răng bị nứt nghiêm trọng. Thuật toán lan truyền ngược được sử dụng để huấn luyện mạng. Kết quả cho thấy mô hình mạng Neural có thể đạt được độ chính xác cao trong việc nhận dạng vết nứt bánh răng.

5.1. Tại Sao Nên Sử Dụng Wavelet Neural Networks Cho Bánh Răng

Mạng Neural có khả năng học các mẫu phức tạp trong dữ liệu mà các phương pháp truyền thống có thể bỏ sót. Wavelet Neural Networks kết hợp ưu điểm của phép biến đổi Wavelet và mạng Neural, cho phép phân tích tín hiệu hiệu quả và nhận dạng vết nứt chính xác. Mạng Neural có khả năng thích ứng với các điều kiện hoạt động khác nhau và tiếng ồn, làm cho chúng trở thành một công cụ mạnh mẽ để chẩn đoán hư hỏng bánh răng.

5.2. Huấn Luyện Mạng Neural Với Dữ Liệu Đo Dao Động Thực Tế

Việc huấn luyện mạng Neural đòi hỏi một lượng lớn dữ liệu đo dao động thực tế. Dữ liệu này nên bao gồm các tín hiệu từ bánh răng ở các trạng thái khác nhau, cũng như các điều kiện hoạt động khác nhau. Dữ liệu được sử dụng để điều chỉnh các trọng số của mạng Neural, cho phép nó học cách phân loại các tín hiệu một cách chính xác. Cần phải sử dụng các kỹ thuật kiểm tra chéo để đảm bảo rằng mạng Neural không bị quá khớp với dữ liệu huấn luyện.

VI. Kết Luận Triển Vọng Cho Nhận Dạng Nứt Bánh Răng Tương Lai

Luận văn này đã trình bày một phương pháp hiệu quả để nhận dạng vết nứt bánh răng bằng cách sử dụng kết hợp phương pháp đo dao động và phép biến đổi U-Wavelet. Kết quả cho thấy phương pháp này có tiềm năng lớn trong việc cải thiện độ tin cậy và hiệu quả của chẩn đoán hư hỏng bánh răng. Tuy nhiên, vẫn còn nhiều lĩnh vực cần được nghiên cứu thêm, bao gồm việc phát triển các thuật toán nhận dạng vết nứt mạnh mẽ hơn, cải thiện độ chính xác của phép biến đổi U-Wavelet, và tích hợp phương pháp này vào các hệ thống giám sát trực tuyến.

6.1. Hướng Nghiên Cứu Tiếp Theo Để Nâng Cao Độ Chính Xác

Các hướng nghiên cứu tiếp theo có thể tập trung vào việc phát triển các kỹ thuật xử lý tín hiệu dao động tiên tiến hơn, như sử dụng các bộ lọc thích nghi hoặc các phương pháp phân tích phổ cao cấp. Ngoài ra, cần phải nghiên cứu thêm về ảnh hưởng của các yếu tố khác nhau đến tín hiệu dao động, như tải trọng, tốc độ, và nhiệt độ. Việc phát triển các mô hình hóa bánh răng bị nứt chính xác hơn cũng là một lĩnh vực quan trọng để nghiên cứu.

6.2. Tiềm Năng Ứng Dụng Thực Tế Trong Công Nghiệp Sản Xuất

Phương pháp nhận dạng vết nứt bánh răng này có tiềm năng ứng dụng rộng rãi trong công nghiệp sản xuất, đặc biệt trong các ứng dụng đòi hỏi độ tin cậy cao, như hàng không vũ trụ, năng lượng, và sản xuất ô tô. Việc tích hợp phương pháp này vào các hệ thống giám sát trực tuyến có thể cho phép phát hiện sớm các vết nứt, từ đó giảm thiểu rủi ro và chi phí bảo trì. Hơn nữa, phương pháp này có thể được sử dụng để đánh giá chất lượng của bánh răng trong quá trình sản xuất, đảm bảo rằng các bánh răng đạt tiêu chuẩn chất lượng cao.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Trên thể giới, chân đoàn kỹ thuật, đã trở thành một lĩnh vực khoa học quan trong vẻ nhận đạng tình trạng kỹ thuật cửa máy móc, thiết bị và công trình. Dựa trên các kết quả của chân đoán kỹ thuật, hình Hưïc bảo dưỡng theo tinh trang hoạt động đã và dang mang lại nhiều lợi ích vẻ kinh tế- kỹ thuật và dặc biệt la giãm thiéu uguy co rủi ro cho người vận hành Một thành tổ quan trọng trong lĩnh vue chin đoán kỳ thuật, nhận dạng tỉnh trạng may móc, thiết bị chính là kỹ thuật đo đạc đaa động cơ học. Các tín hiệu đao động cơ học có thể trợ giúp trong nhiều lĩnh vực kỹ thuật nhy: Chân đoán hư hỏng và giám sát tỉnh trạng kỹ thuật của máy quay, cân bằng máy, đánh giả chất lượng sẵn phẩm. Dé thu được thông tin chính xác của tín hiệu, ta phải phân tích và xử lý tín hiệu.

Kỹ thuật xử lý tín hiệu số hiện may đã có một bước tiễn vượt bậc cùng với sự phái triển của kỹ thuật do đạc dao dong bang tin higu diện, Trên cơ sở phép biển đổi Fourier, một loạt các phương pháp phân tích tin hiệu trong miễn thời gian và tản số đã được xây đựng và hoàn thiên như: Lọc số, phân tích phổ đường bao, trung bình hóa tin hiệu, phân tích Wavelet [1] [6]. Các phương pháp này hiện dang được sử đụng rộng rãi và được tích hợp trong phần mềm đo và tính toán chuyên dựng. Tùy từng dối tượng cụ thể mã tạ sử dụng phương pháp phân tích tín hiệu eụ thể hay kếL hợp các phương pháp với nhau để đạt được hiệu quá nhất. Ví dụ với chan đoàn ô lăn, phương pháp phân tích tín hiệu thường được sử dụng là phương pháp phân tích phổ dường bao tín hiệu [I |, chin đoán sai hỏng bảnh rằng ta có thể dùng phương phap phân tích phổ tần số, phân tích Wayelet trong]2] [6] Các phép biển đôi WaveleL (Wavelcts Transfonn- WT) đã được xây dựng về mặi lý thuyết toán học khá hoán chỉnh.

Một số ứng dụng của phương pháp phân tích này 10 3.3 Nứt, gây chân răng và mé đỉnh răng él 3.4 Tróc mỏi bề mặt - .5 Lỗi chế tạo.2 Mô hình thí nghiệm.3 Phát hiện vết nút bánh rằng bằng phân tích tín hiệu trong miễn thời gian, tân số - + _- 3.1 Phân tịch tin hiệu trong miễn thời gian.2 Phân tích tín hiệu trong, miễn tần sổ.4 Nhận dạng vét nứt bảnh răng nhờ Wfavelet Neural Networks.1 Đẳng bộ hóa tín hiệu 69 3.2 Phan tich Wavelet Packet.3 Mö hình mang Neural trong nhận dang vét nit banh rang, .4 Nhan dụng vết nút bảnh răng who Wavelet Neural Networks 75 KET LUAN CHƯƠNG 3 80 KẾT LUẬN TÀI LIỆU THAM KHẢO. 82 DANH MUC CAC ky HIEU, TU VIET TAT ANN, Artificial Neural Network- Mang nơron nhân tạo BP: Backpropagator- Thuật toán lan truyền ngược CWT: Continuous Wavelet Transform- Phép bién déi Wavelet liên tục DWT: Discrete Wavelet Transform- Phép bién dai Wavelet roi rac FT: Fourier Transform- Phép biến đổi Fourier FT: inverse Fourier Tranaform- Phép biến đối Fourior ngược TIWFPT: Tlarmonic Wavelet Packet Transform- Phép biển adi Wavelet Packet điền hòa Harmonic Wavelet Transform- Phép biên đối Wavelet diéu hoa MLP. Multi-Layer Perceptron- Mang noron da lép WNN: Wavelet Neural Networks WIT: Wavelet Packet Transform- Phép biển đối Wavelet Packet WT: 'Wavelet Transform- Phép biến déi Wavelet 1.2 Biển dỗi Wavelet Packet diễu hỏa. 34 KET LUẬN CHƯNG 1 wl CHƯƠNG 2.1 Giới thiệu về mạng, ngron nhàn tạo.2 Mang toron sinh học và Trạng nơron nhân tao.1 Mang noron sinh học.2 Mạng nơron nhân tạo.íc cà nà nà se sceeers44 2.3 Một số hàm truyền thường gặp - 46 2.3 Kién trúc của mạng Noron 48 2.1 Phân loại mạng nGron.

cào nen nọ nhe sreeeeicevÑ 2. cece ccs sẽ nh nhe ereeeceereoo. số kiểu kiến trúc rang noron 50 2.4 Tuần luyện mạng Norơn.1 Cac phương pháp học cúa mạng noron.2 Thuật toán lan truyền ngược.5 Wavelet Neural Networks 56 KỨT LUẬN CHƯƠNG 2. co SH nhà nhe nhe korreeceec.

PHAT HIEN VET NUT BANH RANG NHO WAVELET NEURAL NETWORKS an 60 3.1 Cac dang hu héng chủ yếu của bảnh rằng.1 Hệ thân kinh cơn người Linh 2.2 Cầu trúc của một ngror: Hinh 23 Một số bàm truyền thường gặp Hinh 2.5 Phan logi cde vector đầu vào của percepiron Hình 2.6 Mang novon iruyén thằng don lop Hình 2.7 ‘Mang ngron truyền thẳng đa lớp THỉnh 28 Mang novon hổi quy Hình 2.9 Cấu trúc của mội mang Wavelet Neural Network Linh 2.11 Mang WNN mai chidu Hình 3.1 Một số dạng hư bông của bộ truyền bánh rang THỉnh 3.2 Mô hình áo tín liệu dao động của hộp số bánh răng Hình 3.3 Tim hiệu dao động trong miễn thời gian: a)-bánh răng bình thường, b)- môn nhẹ, c)- môn trung bình, đ- gãy răng 64 Hình 3.4 Phổ tin hiệu trong miễn tân số: aJ-bánh răng bình thường, B)- mòn nhẹ, c}- món (rung bình, d)- gây răng 66 Hình 3.5 Phê dường bao của các trạng thái hư hông bánh rằng: a)~ bánh răng bình thường, b)- môn nhẹ, c)- mòn trung bình, 2)- mòn nặng/ gây răng Hình 3.6 Tin hiệu chưa dược dông bộ hóa ứng với Ï vòng guay của trục 69 Hình 3.7? hân chia tín hiệu thành các khối dé dong bộ hóa nhờ tín hiệu pha THỉnh 3.8 Tín hiệu sau đồng hộ hóa ứng vái Ì vòng quay của trục Hiuh 3.9 Cây phân tích PT bậc 4 Linh 3.10 1iệ số HIPT của mẫu tin hiệu bánh răng sấy bậc 0 đến 3 Hình 3.L1 Hệ số Ifavelet Packet của mẫu tín hiệu bánh răng gây hậc 4 Hình 3.12 Độ lệch chuẩn của mẫu tin hiệu bánh rằng gãy phân tích 1.2 Biển dỗi Wavelet Packet diễu hỏa. 34 KET LUẬN CHƯNG 1 wl CHƯƠNG 2.1 Giới thiệu về mạng, ngron nhàn tạo.2 Mang toron sinh học và Trạng nơron nhân tao.1 Mang noron sinh học.2 Mạng nơron nhân tạo.íc cà nà nà se sceeers44 2.3 Một số hàm truyền thường gặp - 46 2.3 Kién trúc của mạng Noron 48 2.1 Phân loại mạng nGron. cào nen nọ nhe sreeeeicevÑ 2. cece ccs sẽ nh nhe ereeeceereoo.

số kiểu kiến trúc rang noron 50 2.4 Tuần luyện mạng Norơn.1 Cac phương pháp học cúa mạng noron.2 Thuật toán lan truyền ngược.5 Wavelet Neural Networks 56 KỨT LUẬN CHƯƠNG 2. co SH nhà nhe nhe korreeceec. PHAT HIEN VET NUT BANH RANG NHO WAVELET NEURAL NETWORKS an 60 3.1 Cac dang hu héng chủ yếu của bảnh rằng. - 60 WPT bée 4 Linh 3.13 M6 hinh mang noron truyén thdng da lop MLP Hình 3.14 M6 hink chin dodn théng minh no MNN Hình 3.15 Giao diện chính của chương trình THỉnh 3.16 Tạo mạng noron với 3 lớp mạng, các thông số mạng Hình 3.17 Kết quả huấn ñu mang dat 100% Hinh 3.18 Kết quá kiểm tra mạng dat 100% THỉnh 3.15 Kết quả nhận đạng hư hông với dữ liệu bắt kỳ DANH MỤC CÁC HÌNH VẼ, ĐỎ THỊ Hình vã, 'Tên hình vé, dé thi Trang đỗ thị Hình 1.1 Phả tần ó- biên độ của mội tín hiệu diễu biến biên độ có A=20,A,=25 f,=10,f, =50(EE) 17 Hình 1 Ham Morlet-Wavelet (phan thc) 19 bạ Hình 1 Các bước biến dỗi CWT kw Hình 1 Tim hiệu thời gian của dao động hộp số bánh răng 21 Hình 1 Phân tích CWT cña tin hiệu dao động hộp ẳ bánh răng 32 Ow Hinh 1 Tin higu phan tich CWT voi lat cốt song song với trục thời gian igi ving 2800IEz 22 Hình1.

7 Phân tích DIT da phân giải cá 28 Linh1. 8 ?m hiện dao động của hộp số bánh răng qua phân tích DW/T' bậc 2 Hình 1.9 Ham wavelet Haar va phé bign dé cia no THỉnh1. l0 Tam Wavelet Daubechie 4 và phé biên độ của nó Hinh 1.11 Hàm Wavalet Coflet4 và phố biên độ của nó Tình1. 12 Ham Wavelet Symlet 4 va phổ biên độ của nó THỉnh1.

13 Phan tich WPT bac 4 Tỉnh 1.14 So dé thud iodn HWT Hình1. 15 Céy phan tich WPT bée 2 vet tin higu dao dộng ban dâu của hộp số bánh răng Hinh 1.16 Các dài tín hiệu cơn xau khi phân tích PT bậc 2 Hinh 1.17 Cây phân tích HIPT bậc 2 và tín hiệu dao dộng bạn dầu của hộp số Hinh 1.18 Các dải in hiệu can xau phân tich HWPT bade 2 1.2 Biển dỗi Wavelet Packet diễu hỏa. 34 KET LUẬN CHƯNG 1 wl CHƯƠNG 2.1 Giới thiệu về mạng, ngron nhàn tạo.2 Mang toron sinh học và Trạng nơron nhân tao.1 Mang noron sinh học.2 Mạng nơron nhân tạo.íc cà nà nà se sceeers44 2.3 Một số hàm truyền thường gặp - 46 2.3 Kién trúc của mạng Noron 48 2.1 Phân loại mạng nGron. cào nen nọ nhe sreeeeicevÑ 2.

cece ccs sẽ nh nhe ereeeceereoo. số kiểu kiến trúc rang noron 50 2.4 Tuần luyện mạng Norơn.1 Cac phương pháp học cúa mạng noron.2 Thuật toán lan truyền ngược.5 Wavelet Neural Networks 56 KỨT LUẬN CHƯƠNG 2. co SH nhà nhe nhe korreeceec. PHAT HIEN VET NUT BANH RANG NHO WAVELET NEURAL NETWORKS an 60 3.1 Cac dang hu héng chủ yếu của bảnh rằng.

- 60 WPT bée 4 Linh 3.13 M6 hinh mang noron truyén thdng da lop MLP Hình 3.14 M6 hink chin dodn théng minh no MNN Hình 3.15 Giao diện chính của chương trình THỉnh 3.16 Tạo mạng noron với 3 lớp mạng, các thông số mạng Hình 3.17 Kết quả huấn ñu mang dat 100% Hinh 3.18 Kết quá kiểm tra mạng dat 100% THỉnh 3.15 Kết quả nhận đạng hư hông với dữ liệu bắt kỳ Hình 2.1 Hệ thân kinh cơn người Linh 2.2 Cầu trúc của một ngror: Hinh 23 Một số bàm truyền thường gặp Hinh 2.5 Phan logi cde vector đầu vào của percepiron Hình 2.6 Mang novon iruyén thằng don lop Hình 2.7 ‘Mang ngron truyền thẳng đa lớp THỉnh 28 Mang novon hổi quy Hình 2.9 Cấu trúc của mội mang Wavelet Neural Network Linh 2.11 Mang WNN mai chidu Hình 3.1 Một số dạng hư bông của bộ truyền bánh rang THỉnh 3.2 Mô hình áo tín liệu dao động của hộp số bánh răng Hình 3.3 Tim hiệu dao động trong miễn thời gian: a)-bánh răng bình thường, b)- môn nhẹ, c)- môn trung bình, đ- gãy răng 64 Hình 3.4 Phổ tin hiệu trong miễn tân số: aJ-bánh răng bình thường, B)- mòn nhẹ, c}- món (rung bình, d)- gây răng 66 Hình 3.5 Phê dường bao của các trạng thái hư hông bánh rằng: a)~ bánh răng bình thường, b)- môn nhẹ, c)- mòn trung bình, 2)- mòn nặng/ gây răng Hình 3.6 Tin hiệu chưa dược dông bộ hóa ứng với Ï vòng guay của trục 69 Hình 3.7? hân chia tín hiệu thành các khối dé dong bộ hóa nhờ tín hiệu pha THỉnh 3.8 Tín hiệu sau đồng hộ hóa ứng vái Ì vòng quay của trục Hiuh 3.9 Cây phân tích PT bậc 4 Linh 3.10 1iệ số HIPT của mẫu tin hiệu bánh răng sấy bậc 0 đến 3 Hình 3.L1 Hệ số Ifavelet Packet của mẫu tín hiệu bánh răng gây hậc 4 Hình 3.12 Độ lệch chuẩn của mẫu tin hiệu bánh rằng gãy phân tích WPT bée 4 Linh 3.