Wavelet transform is a time-frequen

Wavelet transform is a time-frequency signal analysis method,
which is widely used and well established. It has the local
characteristic of time domain as well as frequency domain. In
the processing of non-stationary signals, it presents better performance
than the traditional Fourier analysis. Hence, wavelet
transform has got potential application in gear box fault diagnosis
in which features are extracted from the wavelet transform
coefficients of the vibration signals. Continuous wavelet transform
(CWT) could put the fine partition ability of wavelet transform
to good use, and is quite suitable for the gear box fault
diagnosis. In this work, the coefficients of Morlet wavelet were
used for feature extraction. A group of statistical features like
kurtosis, standard deviation, maximum value, etc., form a set
of features, which are widely used in fault diagnostics, are extracted
from the wavelet coefficients of the time domain signals.
Selection of good features is an important phase in pattern recognition
and requires detailed domain knowledge. The decision
tree using J48 algorithm was used for identifying the best features
from a given set of samples. The selected features were
fed as input to SVM for classification.

ผลลัพธ์ (ไทย) 1:

Wavelet แปลงเป็นวิธีการวิเคราะห์สัญญาณความถี่เวลา ,
ซึ่งใช้กันอย่างแพร่หลาย และดีก่อตั้งขึ้น มีเฉพาะ
ลักษณะของโดเมนเวลาเป็นโดเมนความถี่ ใน
การประมวลผลสัญญาณไม่ใช่เขียน แสดงประสิทธิภาพ
กว่าการวิเคราะห์ฟูรีเยแบบดั้งเดิม ดังนั้น wavelet
แปลงมีแอพลิเคชันที่มีศักยภาพในการวินิจฉัยข้อบกพร่องของกล่องเกียร์
ในลักษณะใดที่สกัดจากแปลง wavelet
สัมประสิทธิ์ของสัญญาณสั่นสะเทือน Transform
(CWT) wavelet อย่างต่อเนื่องจะทำให้ความสามารถดีพาร์ติชันของ wavelet แปลง
ใช้ เหมาะมากสำหรับข้อบกพร่องกล่องเกียร์
วินิจฉัยได้ ในงานนี้ มีสัมประสิทธิ์ Morlet wavelet
ใช้สำหรับสกัดคุณลักษณะ กลุ่มของสถิติเช่น
เคอร์โทซิ ส่วนเบี่ยงเบนมาตรฐาน ค่าสูงสุด ฯลฯ แบบฟอร์มชุด
ของ ซึ่งใช้ในการวินิจฉัยข้อบกพร่อง มีสกัด
จาก wavelet สัมประสิทธิ์ของเวลาโดเมนสัญญาณ
เลือกของดีเป็นขั้นตอนสำคัญในการรู้จำรูปแบบ
และต้องรู้รายละเอียดโดเมน การตัดสินใจ
ทรีโดยใช้อัลกอริทึม J48 ถูกใช้สำหรับการระบุคุณลักษณะที่ดีที่สุด
จากชุดที่กำหนดให้ของตัวอย่าง คุณลักษณะที่เลือกถูก
เลี้ยงเป็นอินพุทการ SVM สำหรับการจัดประเภทการ

ผลลัพธ์ (ไทย) 2:

เวฟเป็นวิธีการวิเคราะห์เวลาความถี่ของสัญญาณ
ซึ่งเป็นใช้กันอย่างแพร่หลายและเป็นที่ยอมรับอย่างดี แต่ก็มีในท้องถิ่น
ลักษณะของโดเมนเวลาเป็นโดเมนความถี่ ใน
การประมวลผลของสัญญาณไม่หยุดนิ่งจะนำเสนอประสิทธิภาพที่ดีขึ้น
กว่าการวิเคราะห์ฟูริเยร์แบบดั้งเดิม ดังนั้นเวฟ
แอพลิเคชันที่มีศักยภาพแปลงได้มีการวินิจฉัยความผิดในกล่องเกียร์
ที่มีคุณสมบัติที่สกัดจากแปลงเวฟเล็ต
ค่าสัมประสิทธิ์ของสัญญาณการสั่นสะเทือน ระลอกอย่างต่อเนื่องเปลี่ยน
(CWT) สามารถใส่ความสามารถในพาร์ทิชันที่ดีของการแปลงเวฟเล็
กับการใช้งานที่ดีและค่อนข้างเหมาะสำหรับความผิดกล่องเกียร์
วินิจฉัย ในงานนี้ค่าสัมประสิทธิ์ของ Morlet เวฟที่ถูก
นำมาใช้ในการสกัดคุณลักษณะ กลุ่มของคุณสมบัติทางสถิติเช่น
โด่งส่วนเบี่ยงเบนมาตรฐานค่าสูงสุดเป็นต้นแบบชุด
ของคุณสมบัติที่ใช้กันอย่างแพร่หลายในการวินิจฉัยความผิดจะถูกดึงออก
จากค่าสัมประสิทธิ์เวฟเวลาสัญญาณโดเมน
การเลือกคุณสมบัติที่ดีเป็นสิ่งสำคัญ ขั้นตอนในการรับรู้รูปแบบ
และต้องใช้ความรู้โดเมนรายละเอียด การตัดสินใจของ
ต้นไม้โดยใช้ J48 อัลกอริทึมที่ใช้สำหรับการระบุคุณสมบัติที่ดีที่สุด
จากชุดที่กำหนดของกลุ่มตัวอย่าง คุณสมบัติที่เลือกได้รับการ
เลี้ยงดูเป็น input เพื่อ SVM การจัดหมวดหมู่

ผลลัพธ์ (ไทย) 3:

เวลา - ความถี่ในการวิเคราะห์สัญญาณการแปลงเวฟเป็นวิธี
ซึ่งใช้กันอย่างแพร่หลายและสร้างขึ้นอย่างดี มันมีลักษณะท้องถิ่น
โดเมนของเวลาที่เป็นโดเมนความถี่ ในการประมวลผลของสัญญาณ non-stationary

มันแสดงประสิทธิภาพได้ดีกว่าแบบฟูเรียร์ การวิเคราะห์ ดังนั้น กรณีมีการเปลี่ยนแปลงเกิดขึ้น

เกียร์ผิดวินิจฉัยในคุณสมบัติที่ได้จากการแปลงเวฟ
สัมประสิทธิ์ของการสั่นสะเทือน สัญญาณ การแปลงเวฟเล็ทแบบต่อเนื่อง
( CWT ) สามารถใส่ได้แบ่งความสามารถของการแปลงเวฟ
ใช้ดี และค่อนข้างเหมาะกับเกียร์ผิด
การวินิจฉัยโรค ในงานนี้ โดยวิธีการคือ morlet
ใช้สำหรับการสกัดคุณลักษณะ กลุ่มคุณสมบัติทางสถิติ เช่น
ความโด่งส่วนเบี่ยงเบนมาตรฐาน ค่า สูงสุด ฯลฯ รูปแบบชุด
คุณสมบัติซึ่งใช้กันอย่างแพร่หลายในการวินิจฉัยความผิด จะถูกแยก
จากเวฟค่าเวลาที่สัญญาณโดเมน .
เลือกคุณสมบัติที่ดีเป็นขั้นตอนสำคัญในการรับรู้ และต้องใช้ความรู้โดเมน
รูปแบบรายละเอียด ต้นไม้ตัดสินใจ
โดยใช้ขั้นตอนวิธี j48 ถูกใช้สำหรับการระบุคุณลักษณะที่ดีที่สุด
จากการกำหนดตัวอย่าง เลือกคุณลักษณะที่มีเฟดเป็น
นำเข้า SVM สำหรับการจำแนกประเภท