外文文獻(xiàn)及翻譯--應(yīng)用高階神經(jīng)網(wǎng)絡(luò)對(duì)旋轉(zhuǎn)機(jī)器的多種故障進(jìn)行診斷(已修改)
2025-06-01 12:20 本頁(yè)面
【正文】 畢業(yè)論文（設(shè)計(jì)） 英文翻譯 原文標(biāo)題 High Order Neural Networks for Simultaneous Diagnosis of Multiple Faults in Rotating Machines 譯文標(biāo)題 應(yīng)用高階神經(jīng)網(wǎng)絡(luò)對(duì)旋轉(zhuǎn)機(jī)器的多種故障進(jìn)行診斷 學(xué)生姓名 學(xué)號(hào) 專業(yè)年級(jí) 指導(dǎo)教師 二Ｏ一二 年 五 月 二十八 日 應(yīng)用高階神經(jīng)網(wǎng)絡(luò)對(duì)旋轉(zhuǎn)機(jī)器的多種故障進(jìn)行診斷 B. Zhong39。， J. MacIntyre2, Y. He` and J. Tait2 摘要： 為了克服標(biāo)準(zhǔn)前向反饋 神經(jīng)網(wǎng)絡(luò)的局限，以及由于高位神經(jīng)網(wǎng)絡(luò)的一定概念化和推測(cè)，所以高位神經(jīng)網(wǎng)絡(luò)對(duì)于故障診斷是非常有用的。本文描述了高位神經(jīng)網(wǎng)絡(luò)的理論和結(jié)構(gòu)。它是一個(gè)初始化方法為 hyperellipsoids 和標(biāo)準(zhǔn) BP 算法的訓(xùn)練算法，在這樣的網(wǎng)絡(luò)運(yùn)用一定概念和推測(cè)， 根據(jù)橢球狀單位網(wǎng)絡(luò) (HDANN)的等級(jí)制度診斷的人工神經(jīng)網(wǎng)絡(luò) ,在旋轉(zhuǎn)電機(jī)中常遇到多個(gè)缺點(diǎn)同時(shí)診斷的問題，包括幾個(gè)子網(wǎng)絡(luò)并且將一個(gè)大模式空間劃分成幾個(gè)更小的子空間時(shí)， 子網(wǎng)絡(luò)可以在各自子空間中訓(xùn)練，并且整體網(wǎng)絡(luò)是有能力對(duì)多個(gè)故障上同時(shí)進(jìn)行診斷。 最終，典型的故障數(shù)據(jù)從旋轉(zhuǎn)電 機(jī)中被網(wǎng)絡(luò)測(cè)試出來(lái)，研究結(jié)果表示， HDANN 可能得到更加準(zhǔn)確和更加高效率的診斷結(jié)果，并且這種實(shí)時(shí)條件監(jiān)測(cè)和對(duì)旋轉(zhuǎn)電機(jī)的診斷是有用的。 關(guān)鍵詞： 等級(jí)制度的診斷網(wǎng)絡(luò) ； 旋轉(zhuǎn)機(jī)械；故障診斷；神經(jīng)網(wǎng)絡(luò) 引言 近年來(lái)，越來(lái)越多故障診斷理論、方法和戰(zhàn)略，并且為大規(guī)模旋轉(zhuǎn)電機(jī)進(jìn)行定量方法的提議受到了關(guān)注。例如統(tǒng)計(jì)樣式分類方法，系統(tǒng)基于證明的參量模型方法，等等。但 這些方法總使模型和廣泛的演算復(fù)雜化。人工神經(jīng)網(wǎng)絡(luò) (ANN)技術(shù)由于它的并行處理的，聯(lián)想記憶，自已組織的，自我學(xué)習(xí)和非常強(qiáng)的非線性映射的能力，所以在故障診斷上很 有潛力。特別地，神經(jīng)網(wǎng)絡(luò)的能力應(yīng)付高維度樣式分類和非線性樣式故障診斷分類方面是重要的。作者在這個(gè)主題發(fā)表了許多論文。作為樣式分類的方法，標(biāo)準(zhǔn)多層前向反饋神經(jīng)網(wǎng)絡(luò)決策空間以超平面和決定地區(qū)，形成的總是無(wú)邊際的，可能導(dǎo)致不夠精確的推測(cè)。雖然使用橢球狀單位要克服高位神經(jīng)網(wǎng)絡(luò)這個(gè)局限，但是對(duì)于故障診斷應(yīng)用方面是有用。所以在本文橢球狀單位網(wǎng)絡(luò)被描述，初始化方法為 hyperellipsoids，并且訓(xùn)練算法也被描述。一個(gè)等級(jí)制度的人工神經(jīng)網(wǎng)絡(luò) (HDANN)為旋轉(zhuǎn)電機(jī)的眾多個(gè)故障進(jìn)行診斷和測(cè)試結(jié)果。 網(wǎng)絡(luò)結(jié)構(gòu) EQ是定義的橢球狀單位。一個(gè)單位可能達(dá)到令人滿意的估計(jì)，并且網(wǎng)絡(luò)包括線性輸入裝置和橢球狀輸出裝置二層數(shù)。每個(gè)暗藏的單位只連接到一套輸出裝置，并且每套輸出裝置有緊密的暗藏的單位。 就特點(diǎn)傳染媒介而論，是從原始數(shù)據(jù)得到的特征，而提取的數(shù)據(jù)是從旋轉(zhuǎn)電機(jī)中得到的， 其 網(wǎng)絡(luò) 圖形如 圖 1表示。 在這網(wǎng)絡(luò)中每個(gè)輸入單位一起連接到每個(gè)隱藏的單位二個(gè)壓重 上。 分別地 , 在 相應(yīng) 的尺寸上決定 了 橢圓體的主要軸的中心共縱線和長(zhǎng)度 。 1o 2o mo 1x 2x 3x mx 圖 1 網(wǎng)絡(luò)結(jié)構(gòu) HDANN 在多個(gè)故障診斷中同時(shí) 應(yīng)用 在旋轉(zhuǎn)電機(jī)典型的眾多故障中，例如失配、摩擦、軸裂縫、不同心、油旋轉(zhuǎn)、摩擦旋轉(zhuǎn)、軸承不精確性和他們的雙重和三倍缺點(diǎn)等，均在這個(gè)部分被考慮進(jìn)去。 故障數(shù)據(jù) 在測(cè)試裝備電動(dòng)子中得到的各種各樣的錯(cuò)誤數(shù)據(jù)來(lái)說(shuō)明其物理缺點(diǎn)?；瑒?dòng)軸承支持電動(dòng)子，并且數(shù)據(jù)在軸承中使用的位移傳感器，在水平和垂直的方向進(jìn)行收集。電動(dòng)子以 3000轉(zhuǎn)每分鐘的速度運(yùn)轉(zhuǎn)。在采樣期間，以 ，并且在每 1024點(diǎn)時(shí)候進(jìn)行抽樣收集。研究表明，如果輸入空間是高幅員，特別當(dāng)少量訓(xùn)練數(shù)據(jù)是可利用的時(shí)候，這樣會(huì)嚴(yán)重削弱網(wǎng) 絡(luò)的推斷能力。然而，在條件監(jiān)測(cè)應(yīng)用中，用大量故障數(shù)據(jù)是極端罕見的。這里用于應(yīng)付這個(gè)問題的方法是假設(shè)增加隨機(jī)噪聲的訓(xùn)練樣品，從而訓(xùn)練出比較精確的結(jié)果，并且使用這種方法， 200個(gè)小組樣本分為七個(gè)類型的故障來(lái)生成，訓(xùn)練和測(cè)試網(wǎng)絡(luò)結(jié)構(gòu)。 網(wǎng)絡(luò)訓(xùn)練 所有子網(wǎng)絡(luò)為橢球狀單位網(wǎng)絡(luò)和八套輸入裝置，各種各樣的子網(wǎng)絡(luò)輸出裝置的數(shù)量是根據(jù)故障的進(jìn)行分類的，這樣是正確的。每個(gè)子網(wǎng)絡(luò)獨(dú)立地，從 200個(gè)樣式任意地選擇的 100個(gè)小組樣式，使用了以上學(xué)習(xí)算法進(jìn)行訓(xùn)練。 網(wǎng)絡(luò)測(cè)試結(jié)果 測(cè)試的過(guò)程中，在訓(xùn)練期間沒使用的 斷層類型而被使用了。因此樣式的總數(shù)為測(cè)試的 7個(gè) 100唯一斷層類型、 21個(gè) 100雙重?cái)鄬宇愋秃?35個(gè) 100三倍斷層類型?？赡艿墓收峡倲?shù)是 63。所以，測(cè)試結(jié)果如下所示： 1．作為唯一斷層類型，最后的診斷結(jié)果 1。 正確診斷的百分比是 %。 2．作為雙重?cái)鄬宇愋?，最后的診斷結(jié)果 2。正確的百分比是 %。 3．為三倍斷層類型，最后的診斷結(jié)果 3。 正確診斷的百分比是 %. 分析以上不正確診斷的發(fā)生原因，我們發(fā)現(xiàn)三倍缺點(diǎn)類的數(shù)量是太大，并且有些類群很接近對(duì)應(yīng)的群，而形成了 hyperellipsoids重 疊。如果測(cè)試圖形卡在重疊的區(qū)域， HDANN可以給不正確結(jié)果。在實(shí)際應(yīng)用，只要知道了斷層類型就可以從真正的情況中增加再訓(xùn)練的子網(wǎng)絡(luò)，并且能達(dá)到更高的診斷準(zhǔn)確性。 概要 橢球狀單位網(wǎng)絡(luò)劃分輸入空間與 hyperellipsoids形成一定決定地區(qū)。這對(duì)于故障診斷的應(yīng)用是一個(gè)適當(dāng)?shù)倪x擇。
畢業(yè)設(shè)計(jì)相關(guān)推薦
鄂ICP備17016276號(hào)-1