ギアボックスのための研究。
効果的な表現電力伝送システムの健全性の監視と診断はまだ困難です。一例として、ギヤボックスを取って、それは故障タイプ及びグラフィック画像のグラフのための新たな診断方法に学習時系列解析結果の一次元深さを使用する方法が提案されています。時間周波数画像に特に、ウェーブレット解析の時系列。次に、画像から畳み込みニューラルネットワーク（DCNn）学習時間の深 - 周波数領域における基本的な特性とは、障害の分類を行います。結果は、プロセスのギアボックス、精度及び効率は99.5％よりも良好であることを示しました。
技術のほとんどは、文献に報告センサ故障解析により得られた振動信号を用いて。
ギアボックスの振動スペクトル歯面噛み合い周波数とその高調波と変調現象による側波帯の最も重要な部分です。これらの側波帯の数や振幅を大きくすると劣化や故障が発生したことを示してもよいです。高速フーリエ変換（FFT）と短時間フーリエ変換（STFT）の従来の方法の振動スペクトルを得ます。示されたSTFTは、時間領域と周波数領域で良好な分解能を得ることができないが、FFTは、非定常信号の動特性を明らかにすることができません。近年では、ウェーブレット変換特徴位置の多重周波数能力を、ウェーブレットの周波数分布の変換は、周波数変化を同定する従来の方法よりも効果的です。
検出および障害重症度分類フォールト
これは、ギアボックス、障害重症度分類のために一緒にウェーブレット解析と深さ畳み込みニューラルネットワーク（DCNn）を結合します。深いウェーブレット変換を持つ神経回路の構成を使用することの利点は2つある。時間とすることができるウェーブレット変換 - 周波数領域における時系列データを示し、効果的に周波数成分に関連する障害を捕捉します。トランスレータ、ウェーブレット係数に基づいて2次元画像変換としてdcnn、最終的には、振動データの分類を深い画像特徴抽出を掘る、および問題の重症度との相関関係とすることができます。
ウェーブレット変換信号の表現は、マルチ解像度アプローチであることができるです。故障の初期段階では、障害に関連した振動成分は、高感度導出小さいです。そのような故障の検出の頻度分布に有効である - それは時間がことを示しています。また、故障が異なる持続時間の異なる振動成分を生成します。ウェーブレットは異なるウィンドウサイズを使用して変換するので、すべてのコンポーネントを同時に表示することができます。
図1（a）は、シミュレートされた振動信号の周波数成分の係合（160Hz及び420Hz）、変調3600hzに基づいて両歯車を有する白色雑音を示します。ギアメッシュ周波数420Hzおよび160 Hzのははっきりと見えます。
このように、ウェーブレット変換と綿密な調査を使用することの利点は、我々はハイブリッドヘルスモニタリングシステムを提案しました。使用する際にギアボックスの振動周波数画像に信号を変換するウェーブレット変換。これらの画像は、理由障害の異なる特性周波数で異なっていてもよく、異なる障害タイプに対応します。しかし、これらの画像は、障害の同じタイプが、問題の異なる重症度に属する場合、差分振幅側波帯周波数成分を容易周りにすることができるので、それは、目視検査によって区別することが困難である（例えば、メッシュ周波数成分）が埋め込まれています、大きな振幅。
そのアーキテクチャは、画像と分類さの基本機能を学ぶために調整されています。電車での失敗の異なるカテゴリの画像がネットワークパラメータを取得します。DCNn、効果的な健全性監視システムを分類することにより、画像に入ってくる振動信号を変換するウェーブレット使用。
この論文では、振動データ4つの振動センサは、取得および分析を行った、シャフトとデータセットのハウジングとの間に取り付けられています。三つの異なる重大度は中程度で、ルートを通じてわずかな亀裂を追加し、原因は歯を破壊しました。図に示すように、アナログ亀裂。表1のための故障シミュレーションの4種類
