【正文】 畢業(yè)論文（設計） 英文翻譯 原文標題 High Order Neural Networks for Simultaneous Diagnosis of Multiple Faults in Rotating Machines 譯文標題 應用高階神經網(wǎng)絡對旋轉機器的多種故障進行診斷 學生姓名 學號 專業(yè)年級 指導教師 二Ｏ一二 年 五 月 二十八 日 應用高階神經網(wǎng)絡對旋轉機器的多種故障進行診斷 B. Zhong39。， J. MacIntyre2, Y. He` and J. Tait2 摘要： 為了克服標準前向反饋 神經網(wǎng)絡的局限，以及由于高位神經網(wǎng)絡的一定概念化和推測，所以高位神經網(wǎng)絡對于故障診斷是非常有用的。本文描述了高位神經網(wǎng)絡的理論和結構。它是一個初始化方法為 hyperellipsoids 和標準 BP 算法的訓練算法，在這樣的網(wǎng)絡運用一定概念和推測， 根據(jù)橢球狀單位網(wǎng)絡 (HDANN)的等級制度診斷的人工神經網(wǎng)絡 ,在旋轉電機中常遇到多個缺點同時診斷的問題，包括幾個子網(wǎng)絡并且將一個大模式空間劃分成幾個更小的子空間時， 子網(wǎng)絡可以在各自子空間中訓練，并且整體網(wǎng)絡是有能力對多個故障上同時進行診斷。 最終，典型的故障數(shù)據(jù)從旋轉電 機中被網(wǎng)絡測試出來，研究結果表示， HDANN 可能得到更加準確和更加高效率的診斷結果，并且這種實時條件監(jiān)測和對旋轉電機的診斷是有用的。 關鍵詞： 等級制度的診斷網(wǎng)絡 ； 旋轉機械；故障診斷；神經網(wǎng)絡 引言 近年來，越來越多故障診斷理論、方法和戰(zhàn)略，并且為大規(guī)模旋轉電機進行定量方法的提議受到了關注。例如統(tǒng)計樣式分類方法，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雜化。人工神經網(wǎng)絡 (ANN)技術由于它的并行處理的，聯(lián)想記憶，自已組織的，自我學習和非常強的非線性映射的能力，所以在故障診斷上很 有潛力。特別地，神經網(wǎng)絡的能力應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。作者在這個主題發(fā)表了許多論文。作為樣式分類的方法，標準多層前向反饋神經網(wǎng)絡決策空間以超平面和決定地區(qū)，形成的總是無邊際的，可能導致不夠精確的推測。雖然使用橢球狀單位要克服高位神經網(wǎng)絡這個局限，但是對于故障診斷應用方面是有用。所以在本文橢球狀單位網(wǎng)絡被描述，初始化方法為 hyperellipsoids，并且訓練算法也被描述。一個等級制度的人工神經網(wǎng)絡 (HDANN)為旋轉電機的眾多個故障進行診斷和測試結果。 網(wǎng)絡結構 EQ是定義的橢球狀單位。一個單位可能達到令人滿意的估計，并且網(wǎng)絡包括線性輸入裝置和橢球狀輸出裝置二層數(shù)。每個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)是從旋轉電機中得到的， 其 網(wǎng)絡 圖形如 圖 1表示。 在這網(wǎng)絡中每個輸入單位一起連接到每個隱藏的單位二個壓重 上。 分別地 , 在 相應 的尺寸上決定 了 橢圓體的主要軸的中心共縱線和長度 。 1o 2o mo 1x 2x 3x mx 圖 1 網(wǎng)絡結構 HDANN 在多個故障診斷中同時 應用 在旋轉電機典型的眾多故障中，例如失配、摩擦、軸裂縫、不同心、油旋轉、摩擦旋轉、軸承不精確性和他們的雙重和三倍缺點等，均在這個部分被考慮進去。 故障數(shù)據(jù) 在測試裝備電動子中得到的各種各樣的錯誤數(shù)據(jù)來說明其物理缺點?；瑒虞S承支持電動子，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行收集。電動子以 3000轉每分鐘的速度運轉。在采樣期間，以 ，并且在每 1024點時候進行抽樣收集。研究表明，如果輸入空間是高幅員，特別當少量訓練數(shù)據(jù)是可利用的時候，這樣會嚴重削弱網(wǎng) 絡的推斷能力。然而，在條件監(jiān)測應用中，用大量故障數(shù)據(jù)是極端罕見的。這里用于應付這個問題的方法是假設增加隨機噪聲的訓練樣品，從而訓練出比較精確的結果，并且使用這種方法， 200個小組樣本分為七個類型的故障來生成，訓練和測試網(wǎng)絡結構。 網(wǎng)絡訓練 所有子網(wǎng)絡為橢球狀單位網(wǎng)絡和八套輸入裝置，各種各樣的子網(wǎng)絡輸出裝置的數(shù)量是根據(jù)故障的進行分類的，這樣是正確的。每個子網(wǎng)絡獨立地，從 200個樣式任意地選擇的 100個小組樣式，使用了以上學習算法進行訓練。 網(wǎng)絡測試結果 測試的過程中，在訓練期間沒使用的 斷層類型而被使用了。因此樣式的總數(shù)為測試的 7個 100唯一斷層類型、 21個 100雙重斷層類型和 35個 100三倍斷層類型?？赡艿墓收峡倲?shù)是 63。所以，測試結果如下所示： 1．作為唯一斷層類型，最后的診斷結果 1。 正確診斷的百分比是 %。 2．作為雙重斷層類型，最后的診斷結果 2。正確的百分比是 %。 3．為三倍斷層類型，最后的診斷結果 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)三倍缺點類的數(shù)量是太大，并且有些類群很接近對應的群，而形成了 hyperellipsoids重 疊。如果測試圖形卡在重疊的區(qū)域， HDANN可以給不正確結果。在實際應用，只要知道了斷層類型就可以從真正的情況中增加再訓練的子網(wǎng)絡，并且能達到更高的診斷準確性。 概要 橢球狀單位網(wǎng)絡劃分輸入空間與 hyperellipsoids形成一定決定地區(qū)。這對于故障診斷的應用是一個適當?shù)倪x擇。