《外文翻譯--使用有限元基神經(jīng)網(wǎng)絡(luò)的機器健康檢測與壽命管理 中文版【優(yōu)秀】》由會員分享，可在線閱讀，更多相關(guān)《外文翻譯--使用有限元基神經(jīng)網(wǎng)絡(luò)的機器健康檢測與壽命管理 中文版【優(yōu)秀】（14頁珍藏版）》請在裝配圖網(wǎng)上搜索。

本科生畢業(yè)設(shè)計（論文） 翻譯 學(xué)生姓名： 學(xué) 號： 班 級： 專 業(yè)： 機械工程及自動化 指導(dǎo)教師： 1 美國機械工程師學(xué)會汽輪機與動力工程雜志 1996年 10月 使用有限元基神經(jīng)網(wǎng)絡(luò)的機器健康檢測與壽命管理 作者：紐約應(yīng)力公司 文展示了一種新辦法，利用 有限元模型的最新的神經(jīng)網(wǎng)絡(luò)技術(shù)監(jiān)測旋轉(zhuǎn)機械的安全性。臺式轉(zhuǎn)子演示裝置作為一種概念證明工具，在這里得到了應(yīng)用。該方法通過神經(jīng)網(wǎng)絡(luò)把詳細(xì)的轉(zhuǎn)子動力有限元模型與機械傳感測量相融合，對機器進(jìn)行監(jiān)測。這種神經(jīng)網(wǎng)絡(luò)是經(jīng)過專門的訓(xùn)練的。與現(xiàn)在的方法相比，這種方法的優(yōu)勢在于它使用一種先進(jìn)的神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)包含了詳細(xì)的有限元模型的知識，與系統(tǒng)測量的結(jié)果相結(jié)合，對機械故障進(jìn)行診斷，以及對部分應(yīng)力變化進(jìn)行精確預(yù)測。這種技術(shù)需要使用最新的神經(jīng)網(wǎng)絡(luò)技術(shù)，在 上利用精確的有限元分析對機械故障診斷和部分機械應(yīng)力進(jìn)行實時預(yù)測?？尚D(zhuǎn) 組件與有限元基相關(guān)的知識內(nèi)容的實用性在于實時的對部分組件壽命的預(yù)測以及對故障精確快速的診斷。 序言 對于旋轉(zhuǎn)機械，最大限度地提高關(guān)鍵部件運行壽命和可用性，同時盡量減少無計劃維修停機的危險和災(zāi)難性的失敗，是所有行業(yè)共同的目標(biāo)。本文介紹了基于有限元的神經(jīng)系統(tǒng)改善目前的先進(jìn)的機械健康監(jiān)測，增加有效的結(jié)構(gòu)組成部分的診斷和監(jiān)測。特別是神經(jīng)網(wǎng)絡(luò)分類器作為一個信息收集和發(fā)送的中心被開發(fā)，它對轉(zhuǎn)子系統(tǒng)的健康使用實驗和分析數(shù)據(jù)作出準(zhǔn)確的決定。該網(wǎng)絡(luò)觀察轉(zhuǎn)子系統(tǒng)監(jiān)測診斷結(jié)構(gòu)斷層，從各種潛在的故障源預(yù)測部件。 桌面示范轉(zhuǎn)子被用作 證據(jù)的概念工具。傳感器的演示裝置在適當(dāng)?shù)牡攸c測量整個轉(zhuǎn)子系統(tǒng)的振幅。從這些測量，神經(jīng)系統(tǒng)通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練的大量詳細(xì)的有限元模型將診斷斷層和預(yù)測旋轉(zhuǎn)部分。目前，商業(yè)專家系統(tǒng)可用于環(huán)境監(jiān)測，沒有旋轉(zhuǎn)部分壓力的知識，其只用測量系統(tǒng)的數(shù)據(jù)。如果沒有這些壓力的數(shù)據(jù)，直接計算其余部分狀況將非常困難。 2 微型轉(zhuǎn)子臺演示神經(jīng)系統(tǒng)如何用于獲得及時的有限元模型結(jié)果和機器故障診斷。對旋轉(zhuǎn)軸和反應(yīng)部隊的軸承估計的動態(tài)應(yīng)力證明了有限元模型的能力。網(wǎng)絡(luò)的診斷能力通過預(yù)測磁盤不平衡的地點、程度和階段、大量的未對準(zhǔn)、轉(zhuǎn)子一定程度的摩擦或機械 松動以及軸承間隙的問題變現(xiàn)出來。動應(yīng)力估算和結(jié)構(gòu)診斷都通過取自軸承位置的振動測量來進(jìn)行的。本文還顯示網(wǎng)絡(luò)預(yù)測非線性動力學(xué)應(yīng)力軸和預(yù)測機械故障的能力。 轉(zhuǎn)子演示裝置和測量過程 轉(zhuǎn)子系統(tǒng)配置 。桌面轉(zhuǎn)子演示裝置是為了展示概念，本文提出了實際的硬件。該演示平臺的目的是要作為多功能足以重復(fù)各種振動生產(chǎn)的現(xiàn)象存在于所有類型的旋轉(zhuǎn)系統(tǒng)。許多不同類型的振動有關(guān)的特征通過不斷變化的轉(zhuǎn)子的速度、一定程度的不平衡。軸彎曲、軸摩擦和轉(zhuǎn)子軸承間隙來建立和測量的。由此產(chǎn)生的動態(tài)特性通過近距離探頭和 /或加速度計來測量，并且通過多通道動態(tài) 信號分析儀來處理。 轉(zhuǎn)子配置研究顯示圖 1。 轉(zhuǎn)子安裝由下列部分組成： 1 惠普電機。 2 柔性橡膠聯(lián)軸器。 3 剛性鋼耦合（用戶控制源軸偏心） 4 3個球軸承和 3個經(jīng)向軸承。 5 2個帶有平衡重洞的旋轉(zhuǎn)盤。 6 3/8英寸直徑 25英寸長鋼軸 7 電機調(diào)速控制器與閉環(huán)反饋。 8 各種接近探測器和加速度計。 9 提供轉(zhuǎn)子預(yù)載，轉(zhuǎn)子摩擦，機械松動條件的裝置。 3 圖 1 轉(zhuǎn)子演示平臺 兩個滾子軸承支撐電機電樞，而四個含油銅套軸承通過各個聯(lián)接器和磁盤固定。一個穩(wěn)固的基礎(chǔ)三六英寸鋁可調(diào)軸承座的 位置和橡膠隔震英尺提供足夠的剛性轉(zhuǎn)子配置。通過比例速度反饋算法，使電機轉(zhuǎn)速控制與專用接近探頭和齒車輪測得的速度保持一致。 最初，在數(shù)據(jù)反饋之前轉(zhuǎn)子在兩個面之間 個速度的提高實驗確定轉(zhuǎn)子的臨界轉(zhuǎn)速。圖 到 100赫茲的響應(yīng)。第一共振轉(zhuǎn)子模式被確定在約 80 800轉(zhuǎn)。轉(zhuǎn)子運行持續(xù)在 40赫茲的平衡條件確定了敏感性轉(zhuǎn)子變化的條件。 圖 2 轉(zhuǎn)子反應(yīng) 0據(jù)采集與數(shù)據(jù)庫開發(fā) 。振動測量由大野測器 四通道，數(shù)字信號分析儀獲得接近探測器和加速度計的 信號處理的條件。實測頻率響應(yīng)轉(zhuǎn)移到個人計算機上，對每階段的恢復(fù)程度和讀數(shù)進(jìn)行了測定。請注意，輸入 4 到神經(jīng)網(wǎng)絡(luò)分類器的參數(shù)是每轉(zhuǎn)速轉(zhuǎn)速在所有傳感器的位置的幅度（米）和相位（度）。 種子故障通過大規(guī)模不平衡磁盤、整個剛性聯(lián)軸器的錯位、軸承座松動和安裝軸承引入轉(zhuǎn)子示范系統(tǒng)。在每一個這樣的條件下，通過參考關(guān)鍵相位，從四個鄰近探針測得的結(jié)果來確定每個傳感器的規(guī)模和階段。具體的規(guī)模和相位的測量與在神經(jīng)網(wǎng)絡(luò)培訓(xùn)程序中所使用的特定的輸入輸出對被登錄到一個數(shù)據(jù)庫。數(shù)據(jù)庫中清單的輸入輸出如下。 轉(zhuǎn)子動力學(xué)有限元模型 一份詳細(xì)的示 范轉(zhuǎn)子演示系統(tǒng)是使用在 程序稱之為 子動力學(xué)分析）。這個電腦項目是用來模擬轉(zhuǎn)子操作和訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器。 有限元為基礎(chǔ)，并包含一系列的前置程序，以促進(jìn)網(wǎng)格生成。有限元模型預(yù)測整體轉(zhuǎn)子振動特征以及當(dāng)?shù)卣駝討?yīng)力等級。轉(zhuǎn)子的一般幾何形狀在開始規(guī)定成代碼，允許選擇預(yù)處理程序（和輸入指令）進(jìn)行發(fā)展。 有一個有限元模型為基礎(chǔ)的診斷制度的附加價值是它提供了一個非常準(zhǔn)確的轉(zhuǎn)子的應(yīng)力分布和反應(yīng)力。這些壓力是由在轉(zhuǎn)子，軸承，密封件等中許多不合格的部分導(dǎo)致的。隨著轉(zhuǎn)軸部分壓力預(yù)測， 一種自動化的壽命分析算法將能夠確定在任何損害的條件下的預(yù)期壽命。 轉(zhuǎn)子演示裝置的有限元模型是開發(fā)和相關(guān)實驗的結(jié)果。該模型是作為一種額外的信息來源來加強神經(jīng)網(wǎng)絡(luò)的培訓(xùn)。特別是，該網(wǎng)絡(luò)受到模式的訓(xùn)練，以確定在關(guān)鍵的機械部件上動態(tài)壓力，使之將能夠作為診斷輸出計算其余部分狀態(tài)。圖 3顯示的是與有限元模型相關(guān)的第一個關(guān)鍵模式。請注意密切測量和計算第一個關(guān)鍵模式之間的協(xié)議。這個模型，用于計算包括非平衡和錯位在內(nèi)的各種運行條件下軸上動態(tài)應(yīng)力和軸承反應(yīng)力。 5 圖 3 第一個關(guān)鍵轉(zhuǎn)子計算模式 神經(jīng)網(wǎng)絡(luò)的描述和發(fā)展 本文中開發(fā)的 神經(jīng)網(wǎng)絡(luò)架構(gòu)作為信息收集 /處理的樞紐，并獲悉采用了實驗和分析數(shù)據(jù)轉(zhuǎn)子演示裝置的條件的診斷。 內(nèi)部互連擬議神經(jīng)網(wǎng)絡(luò)架構(gòu)的制定是在被神經(jīng)網(wǎng)絡(luò)處理的大量數(shù)據(jù)基礎(chǔ)上。這是類似于在該系統(tǒng)的 “大腦 ”大量的神經(jīng)細(xì)胞上建模，以用于特定網(wǎng)絡(luò)。在整個網(wǎng)絡(luò)更多的神經(jīng)元的使用，更大的空間的解決方案將用于推廣一個系統(tǒng)的行為。為了這個項目，開發(fā)了一些多層、前饋網(wǎng)絡(luò)，開發(fā)中使用反向傳播算法以便盡量減少錯誤的信號。為了檢查不同的網(wǎng)絡(luò)設(shè)計哲學(xué)的敏感性和準(zhǔn)確性，開發(fā)了兩個主要的神經(jīng)網(wǎng)絡(luò)架構(gòu)。 單一網(wǎng)絡(luò)架構(gòu) 。單一的網(wǎng)絡(luò)配置發(fā)展首先利用四個軸承振 動輸入測量（包括幅度和相位）。一個關(guān)于為了改善訓(xùn)練精度和時間而使用增強功能的實踐的討論稍后給出。使用一個包括 24 個節(jié)點的隱層增加 “靈活性 ”的網(wǎng)絡(luò)。如果運用得當(dāng)，隱層可以提供在復(fù)雜的、線性的和非線性的培訓(xùn)模式之間更精 6 確的相互關(guān)系。網(wǎng)絡(luò)的輸出層包括 14個節(jié)點。圖 4和其相應(yīng)的輸入 /輸出參數(shù)是這種單一的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)類型的一個代表。請注意，由于空間限制， 24個輸入和隱層節(jié)點減少到適合頁面的大小。 圖 4 單一的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 輸出層第 6節(jié)點用于確定：（ 1）可能存在的不平衡的概率，（ 2）不平衡的規(guī)模的確定（ 3）在非平 衡磁盤上的不平衡階段位置。下兩個輸出節(jié)點確定整個剛性耦合上是否存在錯位。有錯位的概率隨著偏移的程度確定的。 網(wǎng)絡(luò)的 4 個輸出節(jié)點專用于 “虛擬 ”遙感。虛擬遙感指使用有限元模型通過直接遙感數(shù)據(jù)（如軸承位移）的匹配模式間接測量參數(shù)如軸壓力或軸承力，得到一個不可測量參數(shù)的精確尺寸。示范轉(zhuǎn)子系統(tǒng)使用一個轉(zhuǎn)子詳細(xì)的有限元模型特別是轉(zhuǎn)子條件計算軸彎曲應(yīng)力和軸承力。這樣做的結(jié)果是神經(jīng)網(wǎng)絡(luò)（訓(xùn)練有素的測量和有限元模型），它能夠在現(xiàn)實 “虛擬 ”遙感壓力和反應(yīng)力在特殊組成部分上，而不必實際安裝了應(yīng)變計或力傳感器板上。輸出層上最后兩個 節(jié)點診斷轉(zhuǎn)子摩擦和軸承游隙問題的概率和結(jié)構(gòu)支撐松動。 7 分解的網(wǎng)絡(luò)架構(gòu) 。分裂的多層網(wǎng)絡(luò)架構(gòu)已開發(fā)使用了同樣的四個軸承振動輸入測量（包括幅度和相位）作為以往的架構(gòu)。然而，在這種情況下，新的網(wǎng)絡(luò)配置是分成更小，更專業(yè) 單位。圖 圖 5 分解的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 這個新的網(wǎng)絡(luò)配置的第一部分診斷嚴(yán)重故障條件 (1) 1號磁盤上的不平衡， (2) 2號磁盤上的不平衡， (3) 整個剛性耦合錯位， (4) 軸承磨損或清除的問題， (5) 結(jié)構(gòu) /機械松動問題。第二層采用了相同的軸承振動的投輸入，以確定有關(guān)特別 確定故障的不平衡和 /或失調(diào)的具體等級，而不僅僅是提供關(guān)于軸上力和軸承徑向力的重要的 “虛擬遙感 ''信息。 8 在第二層頂端的網(wǎng)絡(luò)架構(gòu)決定具體關(guān)于磁盤 1號不平衡的故障細(xì)節(jié)。第一個輸出節(jié)點確定了那個不平衡的嚴(yán)重性。 輸出值的嚴(yán)重程度從 0到 1， 1代表最嚴(yán)重的狀況。第二個和第三個輸出節(jié)點確定不平衡狀況的規(guī)模和階段，以便在任何時候可采取措施進(jìn)行糾正。診斷不平衡的嚴(yán)重性是不斷監(jiān)測和跟蹤，以確定情況惡化。在磁盤 2號上網(wǎng)絡(luò)結(jié)構(gòu)在第二層診斷出一個不平衡狀況。對于與磁盤第 1號相關(guān)的診斷網(wǎng)絡(luò)輸出節(jié)點的細(xì)節(jié)都是相同的。 第二層的第三個網(wǎng) 絡(luò)是用來確定整個耦合任何失調(diào)的嚴(yán)重性和程度。嚴(yán)重性值介于 0和 1之間，如同以往情況下，失調(diào)偏移量以米為單位表示。在振動模式下第二層的最后一個網(wǎng)絡(luò)的致力于其在傳感器的位置 “虛擬 ”感知的最大軸力和軸承反作用力。 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和咨詢 訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程中涉及在許多互連之間的輸入和輸出層之間的評估權(quán)重和閾值。訓(xùn)練神經(jīng)利用兩個無人看管和監(jiān)督程序?qū)嵤?。在無人監(jiān)督的培訓(xùn)被用來把輸入模式分來，以便處理大批使用的訓(xùn)練模式。監(jiān)管培訓(xùn)技術(shù)用于指定從輸入模式產(chǎn)生的目標(biāo)。神經(jīng)網(wǎng)絡(luò)變量（權(quán)重和閾值）自我調(diào)整，以產(chǎn)生這一目標(biāo)產(chǎn)量。在這個 項目中利用這兩個培訓(xùn)程序的結(jié)合，以實現(xiàn)理想的網(wǎng)絡(luò)準(zhǔn)確性。 一旦建設(shè)內(nèi)部結(jié)構(gòu)的網(wǎng)絡(luò)，它們接受基于實驗案例歷史和來自轉(zhuǎn)子動力學(xué)計算機模型衍生的輸入 /輸出對的訓(xùn)練。發(fā)展這個包含神經(jīng)網(wǎng)絡(luò)輸入 /輸出的培訓(xùn)模式的數(shù)據(jù)庫代表本文的努力一個主要部分。 非監(jiān)督訓(xùn)練 。鑒于了一套培訓(xùn)模式，一個無監(jiān)督學(xué)習(xí)的算法將自我組織輸入模式到模式群也稱為集群?；跉W幾里德距離相似性度量，有大量的模式可分為幾組。在培訓(xùn)過程中， 網(wǎng)絡(luò)權(quán)重和閾值被修改，集束中心被確定了。通過調(diào)整聚類中心半徑值控制形成的集群的數(shù)量。培訓(xùn)過程結(jié)束后，該網(wǎng)絡(luò)可與任何已知 或未知輸入模式相接。 9 監(jiān)督訓(xùn)練 。監(jiān)督學(xué)習(xí)，而不是無監(jiān)督學(xué)習(xí)，這利用成對的相關(guān)輸入 /輸出模式。這一方法通常與錯誤的反向傳播使用的是廣義德爾塔規(guī)則網(wǎng)絡(luò)結(jié)構(gòu)。訓(xùn)練集用來指定目標(biāo)產(chǎn)出應(yīng)導(dǎo)致輸入模式，以及自動學(xué)習(xí)網(wǎng)絡(luò)的參數(shù)設(shè)置（重量和閾值），它將產(chǎn)生此期望輸出。在這學(xué)習(xí)過程中，網(wǎng)絡(luò)學(xué)習(xí)一套單一的網(wǎng)絡(luò)參數(shù)，這些參數(shù)能滿足所有的培訓(xùn)的輸入 /輸出對。學(xué)習(xí)是并不完美，但最小均方錯誤的基礎(chǔ)上是最佳的。在咨詢模式中，該網(wǎng)絡(luò)能夠歸納并為任何輸入模式創(chuàng)造適用于網(wǎng)絡(luò)的適當(dāng)?shù)妮敵瞿Ｊ健Ｔ跔顟B(tài)監(jiān)測中應(yīng)用中利用神經(jīng)網(wǎng)絡(luò)是此屬性的主要優(yōu)勢。 特定的網(wǎng)絡(luò)訓(xùn)練和咨詢 。這兩個網(wǎng)絡(luò)架構(gòu)以同樣的 232輸入 /輸培訓(xùn)模式進(jìn)行了培訓(xùn)，它們是從實驗測量和有限元模型分析設(shè)計的。培訓(xùn)模式網(wǎng)絡(luò)數(shù)據(jù)庫側(cè)重于診斷不平衡條件、失調(diào)、軸承反應(yīng)力和軸壓力。作為一個例子，實驗數(shù)據(jù)收集平臺，以訓(xùn)練神經(jīng)網(wǎng)絡(luò)來區(qū)分失調(diào)和不平衡狀態(tài)的區(qū)別。這兩個條件展示了轉(zhuǎn)速振動特性。相角度測量對于網(wǎng)絡(luò)作出這一區(qū)別顯然非常重要的。 為了識別數(shù)量的微小變化和施加不平衡力的階段，推導(dǎo)出大部分的訓(xùn)練集。由于這一事實，即關(guān)鍵相位信號只精確到 ±10度的變化，在被施加的不平衡力上每 確定不平衡的地點。由于 不平衡度變化只產(chǎn)生了極少 轉(zhuǎn)子系統(tǒng)所施加的實際的限制內(nèi)這個值被用來作為最好的決議。 在眾多的不平衡力和軸偏心條件下該轉(zhuǎn)子動力學(xué)有限元模型廣泛應(yīng)用。針對這些迫使條件，從每個運行的有限元模型產(chǎn)生的結(jié)果（大約每 1/2小時）產(chǎn)生穩(wěn)態(tài)軸彎曲應(yīng)力和軸承反應(yīng)力。與實測數(shù)據(jù)相結(jié)合，使用這些數(shù)據(jù)建立數(shù)據(jù)庫的培訓(xùn)模式。 組件壽命累積 疲勞壽命算法的開發(fā)是利用了實測軸壓力和軸承反應(yīng)力，以此為基礎(chǔ)計 10 算疲勞萌生壽命。在不考慮裂紋擴展情況下，該算法 的估計裂紋發(fā)生所需的時間。諾伊貝爾的規(guī)則是用來計算真實應(yīng)力和應(yīng)變的裂紋萌生區(qū)域。摩洛的方法是將應(yīng)力的結(jié)合壽命中的計算， 這是基于應(yīng)變振幅和逆轉(zhuǎn)數(shù)目。 應(yīng)變壽命方程 。局部的應(yīng)變方法是從給定的應(yīng)力狀態(tài)和材料的疲勞性能用來計算總應(yīng)變 ε，包括彈塑性組成部分： 2(/)2)(( '' ???? ? ??? 其中 ?是真正的平均應(yīng)力或真正穩(wěn)定的壓力，和右邊的 方程，第一任期內(nèi)的一個彈性應(yīng)變和第二個任期內(nèi)代表塑性應(yīng)變。該方程是為了基于循環(huán)應(yīng)變的方法來預(yù)測疲勞而建立的，這就是所謂應(yīng)變壽命方程。 循環(huán)計數(shù)和累積損傷 。根據(jù)光譜載入中，動態(tài)應(yīng)變條件下，在關(guān)鍵位置的部分可能有非常復(fù)雜的波形。在處理這種情況的幾個程序中，雨流循環(huán)計數(shù)程序是眾所周知的。簡單地說，這程序包括把復(fù)雜的波形劃分成有序的簡單循環(huán)，然后清點某一特定應(yīng)變范圍內(nèi)應(yīng)變周期數(shù)量。由此產(chǎn)生的數(shù)據(jù)與在這樣的壓力水平下測試的材料的疲勞壽命相比較，以確定損害程度的程度。最有名的累積損傷評估程序是 中指出， 累積損傷等于在各種應(yīng)變范圍內(nèi)增量破壞總和： ? ?1這個程序是用于疲勞壽命算法。發(fā)生在某一應(yīng)變等級的循環(huán)次數(shù) 個應(yīng)變等級內(nèi)故障循環(huán)數(shù)目 是從應(yīng)變壽命方程。在此應(yīng)變水平下?lián)p壞部分變成了 n/N。在此定律中求和方程表明，累積損傷是由所有現(xiàn)有的應(yīng)變等級下產(chǎn)生的損害部分的總和。因此，當(dāng)累積損傷是等于或大于 1時，預(yù)測到裂紋產(chǎn)生。 11 軸和軸承壽命結(jié)果 。在圖 6給出了從用于評估軸和軸承生命的疲勞壽命算法中推出的一 個例子。在圖上方給出簡要的軸疲勞壽命，而軸承壽命在下方給出。人們可以從軸壽命計算結(jié)果中看到不平衡狀態(tài)下與轉(zhuǎn)子啟動 /停止循環(huán)相關(guān)的低循環(huán)疲勞導(dǎo)致了軸疲勞。另一方面，軸承壽命被高周疲勞與轉(zhuǎn)子速度所主導(dǎo)。這種現(xiàn)象是由于這樣一個事實，即在不平衡力下的軸運動，而與不平衡振動相關(guān)的力量固定了套筒軸承。在這個例子中， 不平衡力量太低，無法產(chǎn)生任何重大損害。 但是，基于 圖 6 輸出軸疲勞算法 系統(tǒng)驗證和結(jié)果 幾個適用于實驗室的轉(zhuǎn)子系統(tǒng)、涉及種子故障條件的參數(shù)進(jìn)行了試驗。正如以前 所討論的，使用神經(jīng)網(wǎng)絡(luò)調(diào)查輸出的百分率完成神經(jīng)網(wǎng)絡(luò)診斷輸出和種子故障之間的比較。例如， 如果在 1號磁盤上施加大規(guī)模的不平衡，則網(wǎng)絡(luò)診斷輸出應(yīng)該是 “1號磁盤完全不平衡 ”。然而，這個百分比從來都不是百分之百準(zhǔn)確。因此，不確定性的措施可在此基礎(chǔ)上計算。本文件中，通過網(wǎng)絡(luò)把具體的故障診斷與實際的種子故障狀態(tài)進(jìn)行比較。此外，在實的測軸應(yīng)力和那些通過有限元模型預(yù)測的數(shù)據(jù)的比較就產(chǎn)生了。 表 1中為網(wǎng)絡(luò)配置隨機挑選的 12個測試案件給出了結(jié)果。從培訓(xùn)過程中 12 未使用的一組轉(zhuǎn)子平衡 /對齊條件下選定每個測試案例。在表 1第一欄描述了種 子或?qū)嶋H過失條件對轉(zhuǎn)子系統(tǒng)的演示。第二欄給出了從單一網(wǎng)絡(luò)架構(gòu)產(chǎn)生的結(jié)果。第三欄給出了使用作為適用于單一網(wǎng)絡(luò)架構(gòu)的同一轉(zhuǎn)子測量提供的分解網(wǎng)絡(luò)架構(gòu)產(chǎn)生的結(jié)果。 分解網(wǎng)絡(luò)結(jié)構(gòu)的劃分比全包容型網(wǎng)絡(luò)更準(zhǔn)確。用任一網(wǎng)絡(luò)配置總是正確的診斷總體的故障（即不平衡、不對中、軸承、機械松動）。然而，使用較小的專用的網(wǎng)絡(luò)診斷故障細(xì)節(jié)問題（即規(guī)模和相位不平衡或一定程度的錯位）更準(zhǔn)確。這個趨勢在降低網(wǎng)絡(luò)復(fù)雜性和需要確定故障細(xì)節(jié)的一些培訓(xùn)模式基礎(chǔ)上是可以理解的。 結(jié)論 使用的微型轉(zhuǎn)子系統(tǒng)證明了以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的健康檢測，它執(zhí)行機械的診斷 和組件壽命的預(yù)測。轉(zhuǎn)子系統(tǒng)遭到幾個不同的機械故障的影響其中包括：質(zhì)量不平衡，錯位，轉(zhuǎn)子摩擦，和結(jié)構(gòu)松動，以便檢測利用神經(jīng)網(wǎng)絡(luò)技術(shù)監(jiān)測旋轉(zhuǎn)機械的好處。在第一階段項目中開發(fā)的神經(jīng)網(wǎng)絡(luò)分類器，能夠根據(jù)從桌面系統(tǒng)得到的有關(guān)振動測量準(zhǔn)確地診斷機械故障。此外，神經(jīng)網(wǎng)絡(luò)所提供的診斷結(jié)果證明了對部件壽命估測的算法。特別是，在訓(xùn)練后使用轉(zhuǎn)子動態(tài)有限元模型和系統(tǒng)測量的結(jié)果的診斷網(wǎng)絡(luò)對軸應(yīng)力和軸承力進(jìn)行預(yù)測。 在可使用狀況監(jiān)測應(yīng)用中，使用轉(zhuǎn)子系統(tǒng)的測量和詳細(xì)的有限元模型培訓(xùn)診斷神經(jīng)網(wǎng)絡(luò)分類器的概念被顯現(xiàn)。該轉(zhuǎn)子動力學(xué)有限元模型， 用于訓(xùn)練診斷網(wǎng)絡(luò)認(rèn)識故障模式及其在軸和軸承應(yīng)力中產(chǎn)生的影響。這種軸應(yīng)力和軸承徑向力實時、 “虛擬 ”傳感使組件壽命監(jiān)測及時完成。換句話說，神經(jīng)網(wǎng)絡(luò)識別特定的震動標(biāo)示以及與其相關(guān)的軸應(yīng)力的能力具有特別重要的意義。在這個項目中轉(zhuǎn)子動力學(xué)使用計算得到的感知數(shù)據(jù)的結(jié)果證明每個數(shù)據(jù)源的最有效利用。 最后，根據(jù)這一計劃開發(fā)的兩個主要的分類診斷網(wǎng)絡(luò)對構(gòu)架的敏感性和 13 準(zhǔn)確度進(jìn)行審查。毫不奇怪，一直以來分解網(wǎng)絡(luò)構(gòu)架比全包容型的結(jié)構(gòu)在診斷故障的細(xì)節(jié)上更準(zhǔn)確。換言之，在分解網(wǎng)絡(luò)中更多的專用小規(guī)模網(wǎng)絡(luò)構(gòu)架為具體的故障診斷提供了一個更好的 “調(diào)諧器 ”，比如在錯位情況下不平衡相位角和異常的偏移量。使用任一個網(wǎng)絡(luò)配置對不平衡、失調(diào)等總體故障進(jìn)行精確的診斷。目前，用于旋轉(zhuǎn)機械以知識為基礎(chǔ)的專業(yè)系統(tǒng)只能夠診斷這些顯著的故障。有關(guān)這些故障的具體的細(xì)節(jié)沒有考慮。 參考資料 [1] H.． 1990年．神經(jīng)計算的介紹．查普曼和霍爾出版社，紐約 , [2] W. E., E. L., M.． 1989．發(fā)動機故障實時診斷．神經(jīng)網(wǎng)絡(luò)計算雜志，第二卷， 1989 [3] C. A., 1991．分析和替代． [4] C． 1993. 引擎壽命監(jiān)測 ,性能趨勢以及診斷 . [5] 1993 ． “先進(jìn)軟件的發(fā)展的根本原因調(diào)查 ”．調(diào)查報告 [6] B． 1989． “ ．