外文文獻及翻譯--應(yīng)用高階神經(jīng)網(wǎng)絡(luò)對旋轉(zhuǎn)機器的多種故障進行診斷(存儲版)
【正文】 eural works for robust fault in Chemical Eng 1993。 35(12): 1993–2020 4. Yan Tinghu, Zhong Binglin, Huang Ren. Neural work technique and its application in fault diagnosis for rotating machines. J Vibration Eng 1993。 17(2):139–163 [10] Pao Pattern Recognition and Neural Networks,AddisonWesley,New York,1989 [11] Hrycej Learning Neural ,New York,1992 [12] Holmstrom L,Koistinen additive noise in back propagation Trans Neural Networks 1992。 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)。所以，測試結(jié)果如下所示： 1．作為唯一斷層類型，最后的診斷結(jié)果 1。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)是可利用的時候，這樣會嚴重削弱網(wǎng) 絡(luò)的推斷能力。 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(zhuǎn)電機中得到的， 其 網(wǎng)絡(luò) 圖形如 圖 1表示。作者在這個主題發(fā)表了許多論文。本文描述了高位神經(jīng)網(wǎng)絡(luò)的理論和結(jié)構(gòu)。 關(guān)鍵詞： 等級制度的診斷網(wǎng)絡(luò) ； 旋轉(zhuǎn)機械；故障診斷；神經(jīng)網(wǎng)絡(luò) 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(zhuǎn)電機進行定量方法的提議受到了關(guān)注。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。 1o 2o mo 1x 2x 3x mx 圖 1 網(wǎng)絡(luò)結(jié)構(gòu) HDANN 在多個故障診斷中同時 應(yīng)用 在旋轉(zhuǎn)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(zhuǎn)、摩擦旋轉(zhuǎn)、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。 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)故障的進行分類的，這樣是正確的。正確的百分比是 %。 參考文獻 [1] Duda RO, Hart PE. Pattern Classification and Scene Analysis, Wiley, New York, 1973 [2] Watanabe K, Himmelblau DM. Fault diagnosis in nonlinear chemical process: Theory. AIChE J 1983。Hierarchical diagnostic works。 17(2):139–163 Pattern Recognition and Neural Networks,AddisonWesley,New York,1989 Learning Neural ,New York,1992 L,Koistinen additive noise in back propagation Trans Neural Networks 1992。 29: 243–250 3. Venkatasubramanian V, Chen K. A neural work methodology for process fault diagnosis. AIChE J 1989。17(2):139–163. [9] Kavuri SN,Venkatasubramanian fuzzy clustering with ellipsoidal units in neural works for robust fault in Chemical Eng 1993。在實際應(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)，并且能達到更高的診斷準確性?？赡艿墓收峡倲?shù)是 63。在采樣期間，以 ，并且在每 1024點時候進行抽樣收集。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。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。 J. MacIntyre2, Y. He` and J. Tait2 摘要： 為了克服標(biāo)準前向反饋 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，所以高位神經(jīng)網(wǎng)絡(luò)對于故障診斷是非常有用的。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。一個等級制度的人工神經(jīng)網(wǎng)絡(luò) (HDANN)為旋轉(zhuǎn)電機的眾多個故障進行診斷和測試結(jié)果。 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。每個子網(wǎng)絡(luò)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(xué)習(xí)算法進行訓(xùn)練。 3．為三倍斷層類型，最后的診斷結(jié)果 3。 29: 243–250 [3] Venkatasubramanian V, Chen K. A neural work methodology for process fault diagnosis. AIChE J 1989。Rotating machinery。3(1),24–37 Networks for Pattern Recognition,Oxford University Press,1995 。ural work Introduction In recent years, more and more attention has been given to the theory, method and strategy of fault diagnosis for largescale rotating machines, and quantitativ
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1