Mạng nơron Wavelet (Wavelet neural networks - WNN) là mạng nhân tạo kết hợp giữa phân tích Wavelet và mạng nơron. Các tín hiệu ban đầu được tiến hành phân tích Wavelet với một hàm Wavelet cơ sở.
b) a)
Đầu vào Hàm Wavelet cơ sở Đầu ra
p1 p p a1 a2 aK p a Lớp nơron đầu ra
86
Hình 3.32: Cấu trúc của một mạng nơron Wavelet (a) và Wavelon (b)
Kết quả thu được là các hệ số Wavelet hoặc các đại lượng chứa hệ số Wavelet, được đưa vào mạng nơron nhân tạo, ở đây diễn ra quá trình xử lý của mạng nơron qua việc điều chỉnh trọng số liên kết với các luật học thích hợp. Cuối cùng mạng tính toán để đưa ra giá trị kỳ vọng cho các đầu vào. Cấu trúc của một mạng WNN đa chiều tương tự như một mạng nơron truyền thẳng đa lớp (hình 3.32) dùng một hoặc nhiều đầu vào, các lớp ẩn và lớp đầu ra bao gồm một hoặc nhiều tổ hợp tuyến tính hoặc các hàm tổng. Lớp ẩn bao gồm các nơron mà đầu vào của nó được rút ra từ một hàm Wavelet cơ sở. Các tế bào của mạng WNN được gọi là các Wavelons.
Kết luận chƣơng 3
Chương 3 đã trình bày các phép biến đổi trong miền thời gian – tần số nhằm khai thác nhiều thông tin hữu ích có trong tín hiệu dao động mà các phương pháp truyền thống không thể thực hiện được. Nghiên cứu chủ đạo trong chương này là trình bày một cách có hệ thống cơ sở toán học của các phép biến đổi Wavelet, cùng các biến thể của phép biến đổi Wavelet bao gồm: Phép biến đổi CWT, DWT, Wavelet packet, WSST và GST. Bên cạnh đó giải pháp nâng cao độ phân giải của phép biến đổi Wavelet cũng đã được đề xuất nhằm cải tiến chất lượng hình ảnh trên đồ thị phân bố thời gian – tần số. Cuối cùng một hệ thống giám sát dao động thông minh kết hợp giữa phân tích Wavelet packet và mạng nơron được đề xuất làm tiền đề cho chẩn đoán online hư hỏng của hộp số bánh răng.
87
CHƢƠNG 4: PHƢƠNG PHÁP TRUNG BÌNH HÓA TÍN HIỆU ĐỒNG BỘ CẢI TIẾN
Phân tích thời gian – tần số trên cơ sở phân tích Wavelet đã cho thấy được một cách biểu diễn tín hiệu hiệu quả hơn so với phổ tần số. Thông tin tần số của tín hiệu được khai thác một cách triệt để bằng phương pháp phân tích này. Tuy nhiên, trên một khía cạnh khác với mục đích giảm thiểu nhiễu ngẫu nhiên và phân tách nguồn dao động thì phân tích Wavelet không phát huy hiệu quả. Để khắc phục những vấn đề này cần sử dụng phương pháp trung bình hóa tín hiệu đồng bộ. Hiện nay phương pháp trung bình hóa tín hiệu đồng bộ hầu như mới chỉ được áp dụng cho hộp số một cấp và để thực hiện phương pháp này đòi hỏi phải có thêm thiết bị đo pha. Trong chương này sẽ đề cấp đến vấn đề cải tiến phương pháp này để có thể áp dụng cho hộp số bánh răng nhiều cấp, và phân tích tín hiệu dao động trong điều kiện không thu được thông tin về pha dao động. Một cải tiến nữa là việc áp dụng phương pháp trung bình hóa tín hiệu đồng bộ, như một phương pháp loại trừ, để chẩn đoán hư hỏng ổ đỡ con lăn. Với những cải tiến này có thể coi đây là công cụ hữu hiệu và hoàn chỉnh để phát hiện hư hỏng của các chi tiết quay trong hộp số bánh răng vận hành với các điều kiện tốc độ quay và tải trọng biến đổi.