齿轮箱诊断，基于小波特征和BP神经网络分析

齿轮箱诊断，基于小波特征和BP神经网络分析

数据预处理：齿轮箱数据采集过程中周围环境和设备本身的噪声，来齿轮箱信号的变化。所以采集的齿轮箱数据提取幅度信息后有很多毛刺，难以直接的提取到有效的行为特征。，冗余度很高，导致特征过多，会影响分类模型的效果也可能会导致过拟合现象因此，需要对采集到的齿轮箱数据进行去噪、去冗余等预处理。该系统中主要采用了局部异常点去除、低通滤波和离散小波变换的方法实现原始齿轮箱数据的预处理。

特征提取：经过预处理后的齿轮箱 齿轮箱  数据的数据量庞大，若是直接把该数据当作齿轮箱的特征输入分类器中训练，会因为计算复杂度高导致识别设备的响应变慢,最终训练识别时间较长。而且每个方向的每个齿轮箱我们都采集了大量的数据样本，若直接作为特征训练，除了数据量大带来的效率低，还会因为降低其识别率。因此我们对每个齿轮箱预处理后的齿轮箱数据先提取出的特征作为关键信息，再进行分类识别，可以大大降低匹配的时间，提高识别的效率。特征提取通常是根据系统的需求，不同的识别信号以及分类算法的不同，选取合适的特征。可以采取较多的分析方法，比如采取小波分析的方法

采取时间分析的方法 ，可以选择均值、标准差、相关系数和三阶中心距作为每个齿轮箱的特征。可以大大降低匹配的时间，提高识别的效率。

分类和识别：对预处理后的齿轮箱数据提取特征后，要实现对