1、“.....故障的迹象，可以从低频区域的振动信号中获取。多分辨率小波应用分析多分辨率小波分析是为了获得低频和高频段的振动信号。因此利用光谱检测故障的特性，正常情况下，功率谱密度的部分波段用于自动联想神经网络来进行分析。在故障的情况下，可以利用训练网络的输入节点的自动联想神经网络的过程来进行判断。因此，仿真结果表明，低频率区域的自动联想神经网络的故障响应可从光谱属性中体现。因此，电机的损伤和衰老过程可以通过些特定的频率进行相关的检测和识别。公司保留所有权引言感应电动机是最受欢迎的，因为它的电机类型构造简单，寿命长无需维护。在文献中，有许多感应电动机的研究。般研究基于电气机械和热参数电压电流扭矩温度噪声等，这些参数非常重要反映了电机的工作表现和工作性能条件。感应电动机的预后和诊断研究是另个重要的方面，它提供工业过程操作的连续性。从这个意义上说......”。

2、“.....这些分别是轴承的平衡和定位缺陷。通过这种方式，些用于信号处理的方法被应用于提取隐藏故障的提示和信息。振动信号通常显示关于电机的故障迹象，这些迹象只有电信号才具有。因此，在文献中振动信号用于各种研究。例如，他们可以用传递函数来定义电机的衰老过程。在文献中，些统计技术被应用于故障的检测，找到因故障而发生改变的些统计参数，可以发现电机的故障现象。而且，统计参数的变化可以指出些振动光谱于故障缺陷之间的相关性。电机振动信号也可通过小波变换提取轴承故障的特性。从这点来看，轴承损伤检测的主要影响在高频段至。本研究的目的是使用个基于小波的的神经探测器方法来分析电机振动信号的低频段以提取其故障和缺陷。然而，没有研究调查低频带对故障的影响和作用。这是本研究的最重要贡献提取故障影响的方法。设立组实验来实现获取振动信号和电信号。在这个实验中，的电机的振动信号由两个加速度计记录。以便安排数据......”。

3、“.....将数据存储在个常规的存储设备。第个数据包括正常的振动信号，然后另个人工故障过程应用于相同的电动机来实现最终的记录，这是命名故障的情况。这两个振动信号被用于这项研究。然后，多分辨率小波分析应用到低高频段的振动信号的分解。在经典的滤波器方法中，滤波器有着很重要的作用性能，而多分辨率小波分析是独立于这件事的。因此，多分辨率小波分析是用来分解信号的。图分解和重建计划低频段的振动信号在正常情况下，可获得不同的故障特征，被使用于训练个自动联想神经网络。自动联想神经网络拓扑结构是种特殊的网络输入输出节点。网络的输出可用于定义故障情况下的谱密度。使用这个属性的自动联想神经网络，振动信号的谱密度在低频带的故障情况下，可应用于训练获得故障效应的误差变化。已知的信号处理识别应用程序，有很多技术在这领域有所应用。在这项研究中，为了设计个神经网络自动联想神经网络。为了这个目的......”。

4、“.....同时，它是个有趣的应用程序自动关联拓扑结构。就这些方面而言，自动联想神经网络的混合使用在拓扑与小波变换多分辨率小波分析，这项研究是绝对原创。本研究的另个有趣的点，它提供了使用基于多分辨率小波分析顺序滤波器结构。因此，协同结构形成了这些方法，每个方法都有支持它的力量。本研究的贡献是新奇的形成种混合结构定义像个基于小波的神经网络和观测光谱性质在低频振动信号相关的区域的衰老过程。剩下的内容组织如下。在第二节，数学研究的背景。实验分析和测量系统是在第三节。第节说明了应用程序的执行分析。仿真本节给出结果。最后，得出结论。第五节，对未来工作的些建议。数学研究的背景在这项研究中有，有三个主要的数学方法。这些方法是功率谱估计多解析小波变换和自动关联神经网络方法。功率谱密度估计功率谱密度估计是种常见的获得个信号的频率分量的方法。它是个信号的能量密度随着频率变化的函数。因此......”。

5、“.....功率谱密度方法使用离散傅里叶变换来计算信号的能量。对个信号，功率谱密度估计，在公式中给出。多分辨率小波变换自年代初问世小波分析是个非常受欢迎的工具，其优点是用于各种工程分支与基本谱相比。小波变换适用于需要时间和规模的应用程序信息。在这里，尺度参数与频率成正比。般的小波变换信号的表达式定义为，在公式中，参数和分别是移动和比例的系数。功能ϕ是个特定的母波定义在个有限的时间间隔的波形。母波必须与主要特征的信号进行分析。在公式中选择的复共轭小波。多分辨率小波分析多分辨率小波分析是首次引入离散小波变换的。在公式中，重新离散比利系数和有限的时间间隔。离散小波变换表达式信号定义为，在公式中，比例系数和转移系数，当和多分辨率小波分析可以被视为种来分解和重构信号的工具，利用小波滤波器，和图中可以看到基本的个水平分解和重建......”。

6、“.....然后逆变换，这被定义为信号重建执行。因为过滤器的理想行为，电子通信与自动控制技术和插补器添加到系统，以避免任何向上或者向下采样过程中信息重叠。图多分辨率小波分析在倍的级数这样的的分解可以不止次重复直到达到个特定的频率区域，。在这个过程的输出高频过滤器是命名为，低频率的输出过滤器是命名为的近似。级多的原理解释分辨率小波分析是图所示，这里是分解的级数。信号的表达式公式中已给出。自动联想神经网络自动联想神经网络是个前馈，连接多层感知器网络。输入和输出层的尺寸与自动联想神经网络拓扑对应相等。同时，隐藏个隐层节点的数量小于输入和输出节点的数量。因此，隐藏层自动联想神经网络称为瓶颈，压缩信息获取相关模型。函数是用来提供的非线性函数隐藏层。非线性函数是必不可少的因为自动预计联想神经网络产生其输入输出层。在训练过程中......”。

7、“.....然后网络解码通过减压信息生产的目标信号，也是相同的输入信号。自动关联神经网络结构引导区域的网络通过比较真实时间输出和网络的输出来检测故障。出于这个原因，自动联想神经网络被用于传感器验证检测和监视应用程序，。个基本的拓扑关联神经网络如图所示。图自动联想神经网络的拓扑作为自动联想神经网络的训练算法，反向传播算法可以被应用于个著名的算法在相关文献。实验研究和测量系统实验设置的目的是获取振动信号。两种类型的数据收集使用的设置，这些都是振动数据在正常的情况下和在故障情况下的振动数据。在这衰老过程两种技术上被执行在电机上，它们是电火花加工和热故障。作为个自然电机高速运行的结果，意想不到的轴电压诱导。增量的轴电压水平会导致分解之间的油膜滚动和内部外部轴承的摩擦。因此，随机灭弧和放电是电流开始流动滚动的元素。由于这种放电模式，轴承出现裂纹并出现轴承故障。电火花加工是个自然的仿真过程......”。

8、“.....在个电机轴外部施加分钟的交流电压和的电流。应用外部电压和电流放电是产生裂纹的原因。也应用于化学和热故障步骤被应用于获得在电火花加速故障后的电动机。化学和热的影响导致材料的腐蚀和热损伤。在化学和热应用程序方面，电机浸进水箱，放入烤箱。从这个意义上讲有三个方面的衰老过程。从电子，化学和热三个方面。这个过程中申请七次实验期间周期。在每个故障周期，在化学和热的应用程序之前电动机已与平台连接。然而，对于每个再循环，根据可接受的振动水平固定在平台上。实验中可以找到的细节博士的博士论文和相关研究由给定的参考文献。这些步骤后，振动加速度计所采取的放置在电机以及电机电流电压信息和热数据。然而，被人们熟知的跟踪电机情况的信息来源是电信号，专注于频率基频和边带。在温度变化缓慢的情况下提取力学效应。因此，这是个最好的振动机械和结构性缺陷。由于这个原因，在这项研究中使用振动数据......”。

9、“.....设计为频率和额定速度转分钟。在图中测量和数据采集系统观察。在程序结束时两个相同的加速度计是用来记录振动数据。因此，在这项研究中传感器只使用。记录的数据是的采样频率。此外，为了避免高频噪音干扰记录的数据，使用抗混叠滤波器，切断频率。振动信号的应用振动数据记录的两种情况正常和故障的情况下图所示。最显著的区别是他们的振幅。振动的振幅提高随着老龄化而增加。图采集系统的测量值和数据在这项研究中电机的振动信号的两种情况通过使用个级别多分辨率小波分析轴承分解。为了获得的低频段的信号，近似两种情况的考虑。考虑到这个频域信号的功率谱密度。功率谱密度的正常的情况下低频段的振动信号用于自动关联神经网络。然后训练网络提取故障电动机频率的帮助下获得故障的情况下振动信号。自动联想神经网络是种特殊的网络，在输入和输出节点具有相同的信号。然而，训练网络预计第二例失败的原因......”。