混合动力汽车永磁同步电机逆变器开关故障的离散小波变换检测方法

工程科学与技术，国际期刊21（2018）664完整文章直流侧电流与定子相电流在混合动力汽车永磁同步电机逆变器开关故障检测中Mustafa Aktasa，Mr. Sahara，Hilmi Aygunba土耳其萨姆松Ondokuz Mayis大学电气和电子工程系bTurkiye Karabuk Karabuk大学电气和电子工程系阿提奇莱因福奥文章历史记录：2018年3月30日收到2018年5月22日修订2018年6月3日接受2018年6月23日在线提供保留字：逆变器开关故障直流链路电流基于小波变换的混合动力汽车故障诊断人工神经网络磁场定向控制永磁同步电机A B S T R A C T针对混合动力汽车（HEV）中永磁同步电动机（PMSM）驱动系统的磁场定向控制（FOC）中逆变器短路故障的鲁棒检测问题，提出了一种新的检测方法该方法利用离散小波变换（DWT）和人工神经网络（ANN）相结合，实现了电力系统的故障诊断和保护。选择Symlet2小波进行定子电流分析，电机电流的DWT系数作为神经网络的输入，用于检测永磁同步电机驱动器中的逆变器故障。在混合动力汽车中，电机故障可能导致永久性损坏和事故。该方法为混合动力汽车PMSM驱动器故障的早期检测提供了依据。为了实现该方法，利用Matlab程序对信号进行了离散小波变换比较了逆变器开关故障检测中直流侧电流和相电流的检测结果，结果表明该方法对故障诊断是非常有效的©2018 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍永磁同步电动机（PMSM）由于其高功率密度和高效率而经常被优选用于混合动力电动汽车（HEV）推进。在HEV应用中，必须仔细选择PMSM的参数以最小化损耗，并且PMSM必须在变化的负载和速度下运行。然而，电气损耗最小化的控制行动，在永磁同步电机。PMSM中损耗的最小化将使来自直流电源的电流最小化[1，2]。在混合动力汽车中，永磁同步电动机的速度和位置控制是混合动力汽车的动力管理所必需的，它决定了内燃机或电动机的工作时间，因此，作为一种矢量控制的磁场定向控制（FOC）是混合动力汽车所必需的。另一个重要的课题是三相逆变器供电的永磁同步电机驱动系统的故障分析。电机驱动器中最常见的故障是逆变器中的开路故障和短路故障。如果IGBT开关发生开路故障，则会发生不稳定振荡[3]。此外，如果IGBT开关中存在短路故障，则短路电流信号比开路电流信号表现出更多的波动。在这些故障中，最严重的一个*通讯作者。电子邮件地址：mustafa. omu.edu.tr（M. Aktas）。由Karabuk大学负责进行同行审查是混合动力汽车中PMSM驱动器的短路故障。由于通过IGBT的电流迅速增加直到饱和，并且由于连接到DC总线，同一逆变器支路中的其他开关的栅极信号必须立即关闭，因此IGBT可能被破坏并导致灾难性故障，并且如果这种故障没有被持续监测和早期检测到，永磁体可能会变弱[4因此，状态监测和早期检测这些故障的PMSM驱动器在混合动力汽车是非常重要的保护，控制，安全和成本效益的维护。通过快速诊断电动机故障，可以延长HEV中电动机的寿命[7逆变电路中IGBT开关的工作条件变化很大，这增加了混合动力汽车永磁同步电机驱动器故障检测与诊断系统的复杂性。因此，对变频器供电的交流传动系统进行故障检测成为一个研究课题。这些方法之一是基于人工智能（AI），这是不适合其复杂的结构进行实时分析。另一种开发的方法是通过使用额外的传感器来比较实际电压和参考电压，因此增加了系统的成本和复杂性。基于标准数字信号处理的技术，例如离散傅立叶变换（DFT）、快速傅立叶变换（FFT），用于电机的状态监测和故障诊断，但是这些技术可以在时域和频域中单独实现。在标准数字信号处理技术中，故障电流https://doi.org/10.1016/j.jestch.2018.06.0022215-0986/©2018 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchM. Aktas，H.Aygun/工程科学与技术，国际期刊21（2018）66466522通常是非周期性和非静止的，因此这些技术的性能因此，需要采用先进的数字信号处理技术，因为它们可以在时域和频域中一起应用，从而扩展了窗口大小[9有时，根据DWT系数，逆变器中的多个开关可能出现故障，尽管其中一个是故障的。由于人工神经网络在分类领域的有效性，可以很好地解决这一人工神经网络的潜在好处超出了大规模并行网络提供的高计算速率此外，自适应和持续学习是ANN的一部分这些性质对于非线性过程是非常重要的因此，需要人工神经网络来区分健康的开关。本文提出了一种基于小波包变换和神经网络相结合的短路故障检测方法，该方法将直流侧电流和定子相电流的六层小波包变换系数作为神经网络的输入人工神经网络用于分类的结果。对逆变器供电的永磁同步电动机驱动器的定子电流信号进行监测足以达到保护的目的。在所提出的PMSM驱动器中不需要任何其他传感器来进行故障诊断，这是应用中最常用的方法之一。在大多数研究中，直流链电流或定子相电流被调查，但在这项研究中，他们都是分析和比较彼此。结果表明，该方法具有很好的性能。对直流侧电流和定子相电流的分析也表明了它们各自的优点2. 混合动力汽车永磁同步电机磁场定向控制如今，PMSM由于其结构，高效率和鲁棒性而经常用于混合动力汽车近年来，人们一直在努力减小永磁同步电机的转矩脉动和谐波有两种常用的逆变器控制方法。其中一种是电压控制，如空间矢量调制，另一种是电流控制，如滞后和增量调制[15，16]。随着控制技术的不断改进，特别是具有磁通/转矩解耦特性的矢量控制在永磁同步电机驱动中已成为最佳选择特别是在高速范围内，病媒控制方法之一。FOC的目标是控制混合动力汽车和机械速度的扭矩变化需求。此外，FOC的目的是调节定子相电流，以防止瞬态阶段的电流尖峰[17，18]。在混合动力汽车中，当位置和速度控制都需要电源管理时，DSP实现矢量控制。成功实施FOC，以迫使电机跟踪命令轨迹，而不管电机负载变化[19]。在这种控制方法中，定子相电流在同步d-q坐标系中被控制，以减小转矩脉动，从而实现更安静的电机操作。为了便于分析永磁同步电动机的驱动特性，在矢量控制中，用d-q坐标系和a-b为此，abc到ab（Clarke）和ab到dq（Park）变换被广泛使用。混合动力汽车中永磁同步电机驱动器的FOC框图如图1所示。在该控制方法中，d轴定子电流直接控制磁链，q轴定子电流控制转矩.为了控制电流、磁通和转矩，需要一个紧凑可靠的电机模型。交流电机分析技术也可用于高性能电动汽车中的PMSM[20]。在d-q坐标系下建立如[21，22]：第1天dt<$LdVd-Rs idxrLq iq 1第一季dt<$Lq½Vq-rsiq-xrLdidWm]2wd¼Ld idwm3wq¼Lq iq 4dxrm1DT¼JðTe-TL-BxrmÞ ð5Þxr¼pxrm6DHRdt¼xr7电磁转矩Te由下式给出：Te¼3p½WmiqLd-Lqidiq]8Fig. 1. 混合动力汽车中PMSM的FOC框图666M. Aktas，H.Aygun/工程科学与技术，国际期刊21（2018）664m½]¼½]m-1½]e2M QK其中，Vd和Vq是d-q轴电压，id和iq是d-q轴定子电流，Ld和Lq是d-q轴电感，Rs是定子电阻，Wm是永磁体通量，xr是电机的角速度，分解的程度，分解可以像这样继续下去分解结束时的组分在下文[25]中获得。转子，xrm是转子的机械速度，WdWq是d-qC nXhkK2n C k10在第三个等式中，如果i d1/4 0，d轴磁链Wd为常数。X与q轴电流iq成比例[19]。其中m、n和k表示分解、采样3不 ¼pWið9Þ点和平移系数。在所提出的方法中，使用第6层分解图2示出了模拟的HEV的总体框图。2.1. 小波分析小波变换（WT）通过与一组基本函数的卷积来分析给定的信号。这些基函数或小波函数是通过尺度和移位操作从母小波获得的[23]。子波是一个小的局部化波的特殊形状和有限的持续时间，具有零的平均值。WT的优点是其频带可以微调。以这种方式，可以分别且精确地检测高频分量和低频分量。小波变换的结果可以在时域和频域上显示[24]。子波是一种持续时间有限的波形，往往是不规则的、不对称的、短的和振荡的波形。根据需要评估的问题，使用不同的小波技术[23]。与短时傅立叶变换（STFT）相比，小波变换的主要优点是分析窗口的大小与频率成正比。傅立叶技术不能同时实现信号在时间和频率上的良好定位。电力信号通常包括瞬态和谐波的组合，STFT和其他传统的因此，可以选择WT，以便在本地化方面更好地折衷。小波分析可以在所有频率分量上使用更多的窗函数，或者在整个频域上达到线性分辨率，是傅立叶分析的弱点因此，小波变换在时间频率分析中更可取[15]。小波变换可以提取电流信号的特征，提高故障检测系统的效率利用其频率和时间信息来捕捉当前故障状态的征兆是一种很有前途的方法让我们考虑C0[n]作为原始信号序列。在与h和n阶正交镜像滤波器卷积之后，C0[n]可以在第一级分解处被分解为近似分量C1[n]和细节分量d1C1[n]可以进一步分解为C2[n]和d2[n]，采用Symlet2小波分析三相图二. 混合动力汽车的总体框图图三. 混合动力汽车中永磁同步电机驱动器的故障运行信号，电磁转矩，电机速度、车速和SOC。轴磁链，J是惯性转矩，TL是负载转矩，B是粘性摩擦系数，p是极数，hr是转子位置。-Þ由于PMSM驱动器中永磁体磁通Wm是恒定的，因此由以下等式dm½n]¼g½k-2n]Cm-1½k]11M. Aktas，H.Aygun/工程科学与技术，国际期刊21（2018）664667定子电流和直流链路电流。应用离散小波变换从当前模式中提取各种特征，例如每个细节信号的平均这些值用于检测短路故障并识别故障开关。利用神经网络对平均能量误差值进行分类，根据训练数据识别故障开关。2.2. 人工神经网络（ANN）人工神经网络是神经系统的真实模拟，在分类领域非常有效。神经构筑学研究中最重要的问题之一是确定神经元的隐层数目和每层中神经元的数目。训练一个有很多神经元的人工神经网络比训练一个有较少神经元的人工神经网络需要更多的时间。然而，具有较少神经元的ANN可能具有较高的误差并阻止训练过程[20，23，26]。由于反向传播，网络输出的误差用于调整层的权重系数[27]。ANN能够从训练数据中产生新的（以前看不见的）数据需要计算误差相对于权重的导数，以便更新权重[28]。以下等式显示了投入、活动水平和产出之间的关系：a¼WTI 12英寸其中d是输出的期望值，学习因子g是正常数。因此，可以如下更新网络的权重系数：w j新w j旧Dw j 0; 1; 2;. ; n172.3. 混合动力汽车永磁同步电机磁场定向控制故障检测系统采用Matlab/SIMULINK程序对混合动力汽车中的PMSM驱动进行了FOC仿真[9]，并采用人工神经网络对所得信号进行了离散小波变换。 电磁转矩、电机转速等故障运行信号如图所示。3.第三章。在同一图中还给出了HEV的速度当使用IGBT的驱动器发生短路故障时，定子电流和直流链路电流显示不稳定的振荡，如图4所示。在该仿真中，IGBT 1中的短路故障发生在3.8 s处，并且因此所有相中的电流和DC链路电流受到影响。在这项研究中，小波分解使用Symlet2小波进行三相定子电流和直流链电流，如图所示。 五、定子相电流和直流母线电流分解系数的变化是检测故障开关的重要信息也是夏普o隐藏o输出1/4logsigJ13普瑞林14毫克信号的变化可以被认为是短路故障的指示在时域分析中，利用人工神经网络可以很容易地将故障开关与健康开关区分开来。其中W和I是神经元的权重和输入向量，N是神经元的活动水平，J是神经元的输入向量和o分别是神经元的输出。 误差e可由下式计算在小波分析的分解系数之间，诸如ea6、ed5、ed6和eE的在表1-121/2d-oð15Þ分解示出了不同的短路故障SCE-纳里奥斯这些值使我们能够区分无故障和故障条件. 使用ea6、ed5、ed6和eE值Dwj¼-gd-of0aij¼0;1;2;.. . ;n16神经网络的输入和故障电源开关可以区分。图四、IGBT 1短路故障的定子相电流和直流链路电流e668M. Aktas，H.Aygun/工程科学与技术，国际期刊21（2018）664图五. 定子电流的Symlet2小波六层分解。表1Ia 定子相电流DWT平均能量值。一个6D1D2D3D4D5D6E无过错38,49920,01890,03860,38394,612726,376130,070610,2501IGBT138,90440,01910,04060,38954,530526,834529,281310,1826IGBT241,17990,01770,03630,36184,255625,526028,62279,8034IGBT338,81720,01860,04020,40024,517425,619830,586410,1971IGBT439,80020,01780,03690,37104,323625,026530,424110,0333IGBT539,27280,01870,03990,38684,366325,078630,836910,1212IGBT645,19960,01640,03370,33023,895122,968727,55649,1334表2Ib定子相电流DWT平均能量值。一个6D1D2D3D4D5D6E无过错39,82670,01890,03840,38094,588125,038330,108710,0289IGBT139,97360,01830,03970,39564,477424,217730,877610,0044IGBT241,03890,01740,03610,36404,266723,652030,62499,8269IGBT341,17700,01860,03930,38224,321724,007530,05389,8038IGBT446,26010,01620,03310,33573,939222,077227,33848,9566IGBT540,43810,01880,04020,38954,481724,783129,84879,9270IGBT642,15880,01760,03610,35184,195923,456729,78329,6402通过对定子直流偏置电流极性和直流侧偏置电流表5和表6是故障决策表。但是桌子其中包括误差系数不足以发现故障开关。因此，一个人工神经网络，通过使用的误差系数进行训练，用于查找故障开关。M. Aktas，H.Aygun/工程科学与技术，国际期刊21（2018）664669表3Ic 定子相电流DWT平均能量值。一个6D1D2D3D4D5D6E无过错42,55100,01850,03750,37304,500827,196725,32259,5748IGBT143,57750,01810,03920,37714,238825,727326,02209,4037IGBT248,13190,01590,03320,33213,893223,776123,81768,6447IGBT342,98640,01820,03990,37744,377326,794325,40669,5023IGBT445,46570,01670,03540,34604,065825,363724,70679,0890IGBT543,32920,01810,04010,38514,341126,472525,41399,4451IGBT644,58110,01730,03550,34674,127925,697725,19399,2365表4直流链路电流DWT平均能量值。一个6D1D2D3D4D5D6E无过错17,798017,425317,049817,011814,49759,47506,742713,7003IGBT117,317717,295216,976017,130514,69189,76346,825413,7804IGBT230,250914,907414,812014,305912,22167,89615,606211,6249IGBT317,232217,336716,996017,158714,69839,77496,803213,7946IGBT434,577114,335014,199514,223610,61626,64763,857210,9038IGBT520,292817,127216,726217,809414,05009,00424,990313,2845IGBT629,791214,846514,847415,033412,05297,80605,622511,7015表5Ia 定子相电流DWT平均能量误差值ea6ed1ed2ed3ed4ed5ed6eEIGBT1IGBT2-0,4052-2,6807-0,00020,0012-0,00200,0023-0,00560,02210,08220,3571-0,45840,85010,78931,44790,06750,4467IGBT3IGBT4-0,3180-1,30100,00030,0011-0,00160,0017-0,01630,01290,09530,28910,75631,3496-0,5158-0,35350,05300,2168IGBT5IGBT6-0,7736-6,70040,00020,0025-0,00130,0049-0,00290,05370,24640,71761,29753,4074-0,76632,51420,12891,1167表6直流链路电流DWT平均能量误差值ea6ed1ed2ed3ed4ed5ed6eEIGBT10,48030,13010,0738-0,1187-0,1943-0,2884-0,0827-0,0801IGBT2IGBT3-12,45290,56582,51790,08862,23780,05382,7059-0,14692,2759-0,20081,5789-0,29991,1365-0,06052,0754-0,0943IGBT4-16，7791 3，09032,85032,78823,88132,82742,88552,7965IGBT5-2，4948 0，29810,3236-0,79760,44750,47081,75240,4158IGBT6-11，9932 2，57882,20241,97842,44461,66901,12021,9988见图6。建议的ANN评估系统。为此，我们使用了一个人工神经网络，它有四个输入和六个输出。提出了一种利用小波变换系数及其误差来判断逆变器开关故障的神经网络估计系统。在-1到0+1中随机选取权矩阵的元素，并将这些权系数用于隐层和输出层。每个节点的隐层和输出层分别采用对数S形激活函数和纯林函数。建议的人工神经网络估计系统如图所示。 六、如图7所示，通过使用针对定子相电流和直流链路电流的所提出的ANN系统来找到故障开关（IGBT 1）。（IGBT 1的输出1等于1，其他输出等于0）670M. Aktas，H.Aygun/工程科学与技术，国际期刊21（2018）664图7.第一次会议。采用人工神经网络评价系统的快速逆变器开关决策3. 结论采用小波变换和人工神经网络分类相结合的方法，对混合动力汽车用永磁同步电动机三相逆变器短路故障时的相电流暂态和直流侧电流暂态进行了分析当发生短路故障时，该方法可以很容易地检测出故障开关。已知DC链路电流携带相电流瞬变。结果表明，相电流和直流侧电流都具有很好的故障定位能力。但在实际应用中，如果使用相电流传感器进行控制，则直流链路电流传感器将是额外的成本然而，当DC链路电流用于分析时，成本将降低，因为它只需要一个传感器。作为今后的研究计划，正在考虑安装硬件M. Aktas，H.Aygun/工程科学与技术，国际期刊21（2018）664671附录A车辆参数车型参数额定值车辆质量1325 kg中心到后轴的水平距离1.6 m中心到前轴的水平距离1.4 m重心离地高度0.5 m正面面积2.57平方米阻力系数0.4PMSM参数参数额定值电机功率50 kW极对数4定子电阻6.5 mΩq轴电感2.05 mHd轴电感1.6 mH磁链0.175 Wb惯性0.089 kg-m2摩擦系数0.005 N-m.s引用[1] M.霍尔，J.C. Balda，永磁同步电动机驱动混合动力汽车推进：最佳速度比和参数确定，车辆技术会议，巴拿马，2002年，页。 1500-1504.[2] T. Finken，M.Hafner，M.Felden，K.Hameyer，混合动力电动汽车应用中节能内置永磁同步电机的设计规则，Electromotion 17（3）（2010）143-154。[3] M. 阿克塔斯河谷基于小波变换的直接转矩控制感应电机驱动器开关故障检测。4（6）（2009）303-310。[4] J. Hang，S. Ding，J. Zhang，M.郑，W.陈角，澳-地王，基于简单故障指示器的永磁同步电机匝间短路故障检测，IEEE能量转换。31（4）（2016）1697-1699。[5] M.A. Mazzoletti，G.R.博西奥，C.H.D.Angelo，D.R.Espinoza-Trejo，基于模型的PMSM匝间短路故障诊断策略，IEEE Trans. 工业电子64（9）（2017）7218-7228。[6] C. Chuang，Z. Wei，W.芝罘湖Zhi，基于SOM神经网络的PMSM定子绕组故障诊断方法，Energy Procedia 105（2017）2295-2301。[7] B. Akin，S.B.厄兹蒂尔克Toliyat，M. Rayner，基于DSP的无传感器电动机故障诊断工具，用于电动和混合动力电动汽车动力系统应用，IEEE Trans. 车辆技术 58（6）（2009）2679-2688。[8] H.奥泽拉格湾Ghedamsi，D. Aouzellag，提高燃料电池系统自主性、效率和寿命的燃料电池/超级电容器混合动力电动汽车的能量管理和容错控制策略，国际J。氢能40（2015）7204-7213。[9] M. 基于离散小波变换的永磁同步电动机逆变器故障检测与诊断新方法Comput .12（4）（2012）33https://doi.org/10.4316/AECE.2012.04005[10] S. Padmanaban，J.L.F. Febin Daya，F. Blaabjerg，N. Mir-Nasiri，A.H.徐志华，小波变换与模糊变换在三相异步电动机控制中的应用，硕士论文. Technol. Int. J. 19（1）（2016）96doi.org/10.1016/j.jestch.2015.07.002ISSN：2215[11] S. Padmanaban ， F.J.L. Daya ， F. Blaabjerg ， P.W. Wheeler ， P.Szczes'nia k ，V.Oleschuk，A.H. Ertas，小波模糊速度间接磁场定向控制器的三相交流电机驱动器-调查和实施，工程科学。J. 19（3）（2016 ）1099 https://doi.org/10.1016/-1107，www.example.com j.jestch.2015.11.007。ISSN 2215-0986。[12] Sung-Guk Ahn ， Beng-Gun Park ， Rae-Young Kim ， Dong-Seok Hyun ，FaultDiagnosis for Open-Phase Faults of Permanent Magnet SynchronousMotorDrives using Extended Kalman Filter ， 36th Annual Conference onIEEEIndustrial Electronics Society，Glendale，2010，pp. 835- 840[13] F. Zidani，D. Diallo，M.本布济德河张文龙，基于模糊数学的电压型PWM逆变器异步电动机驱动系统故障诊断方法，北京：机械工程出版社。55（2）（2008）586-593。[14] R.L.A. Ribeiro，C.B.雅各比娜，E.R.C.席尔瓦，A.M.N.李明，电压馈入式脉宽调变马达驱动系统中开关开路损坏之故障侦测，IEEE电力电子学报，18（2）（2003）587-593。[15] 人工智能桑切斯急诊室卡德瓦尔湾J.G. Lozano，电动汽车应用中永磁同步电机损耗的优化，载于：计算、电气和工业系统博士会议，Springer，Caparica，葡萄牙，2011年，pp. 502- 509[16] X. Chen，J. Hu，K. Chen，Z.彭，考虑饱和和磁场谐波的混合动力汽车永磁同步电机电磁转矩建模，仿真模型。实践理论66（2016）212-225。[17] M.B.B. Sharifian，T. Herizchi，K.G. Firouzjah，使用预测空间矢量调制的永磁同步电机磁场定向控制，IEEE工业电子与应用研讨会，吉隆坡，2009年，第100页。574- 579[18] J. Jacob，A. Chitra，空间矢量调制多电平逆变器馈电PMSM驱动器的磁场定向控制，Energy Procedia 117（2017）966-973。[19] M.S. Merzoug，F.陈文，永磁同步电动机磁场定向控制与直接转矩控制之比较，国立成功大学电机工程研究所硕士论文。世 界 科学院Sci.（2008）299-304。[20] C.C. Chan，K.T.Chau，电动汽车电力电子技术概述，IEEETrans.Indust. 44（1）（1997）3 - 13。[21] H. Lesani，A.盖达里？达拉比Nasiri，F. 李文，等.永磁同步电动机的磁场定向控制.北京：机械工程出版社，2000，24（3）：100 - 100. 电气电子工程2（1）（2006）34-40。[22] J. Lara，J. Xu，A. Chandra，转子位置误差对磁场定向控制PMSM驱动器性能的影响为电动车辆牵引应用，IEEE Trans. 工业电动 63（8）（2016）4738-4751。[23] S.A. Shaaban，Hiyama Takashi，离散小波和神经网络用于输电线路故障分类，计算机技术与发展国际会议（ICCTD 2010），开罗，2010年，第100页。 446- 450[24] C. Pothisarn，A. Ngaopitakkul，离散小波变换和反向传播神经网络，输电线路故障分类算法，输电&配电会议&展览会，泰国，2009年，第100页。 一比四[25] A. Rohan，S.H.李文，基于小波变换的神经网络故障诊断系统的研究，北京大学学报，2001。16（4）（2016）238-245。[26] Y.尼扬特角Edrington，S.斯里瓦斯塔瓦角，巴西-地应用人工智能于永磁同步电机的实时故障检测，IEEE工业。Appl. Soc. 49（3）（2013）1205-1214。[27] M. Aktas，H. I.基于神经网络的感应电动机直接转矩控制中定子电阻的估计。第十二，土耳其人工智能和神经网络研讨会，土耳其，2003年，第。 355- 358[28] 王岩松，何辉，“基于小波预处理神经网络模型的发动机故障智能诊断方法”，2010年IEEE信息与自动化国际会议论文集，上海，中国，2010年，pp.576-581