附件C：譯文


基于神經(jīng)網(wǎng)絡(luò)的機械故障診斷研究

摘要：這個研究進一步發(fā)展了基于神經(jīng)網(wǎng)絡(luò)和光譜分析的機械故障診斷系統(tǒng).總體上說，由于系統(tǒng)的復(fù)雜性和非線性因素的存在，常規(guī)的數(shù)學建模方法很難診斷出一個機械故障。在這個研究中，神經(jīng)網(wǎng)絡(luò)被運用于機械的故障診斷.神經(jīng)網(wǎng)絡(luò)具有學習和記憶功能.通過對實物系統(tǒng)正常和非正常狀態(tài)的研究，一種新的能診斷出機械故障的運用神經(jīng)網(wǎng)絡(luò)的研究方法給我們一參考.
該故障診斷系統(tǒng)是基于從運行的機械中獲取的振動頻譜或則聲譜，因為振動或則聲音的時間系列數(shù)據(jù)是復(fù)雜的并且包括噪聲。通過比較時間系列數(shù)據(jù)正常狀態(tài)和非正常狀態(tài)的區(qū)別變的很明了。對故障探測來說使用頻譜數(shù)據(jù)的變化很恰當。通過這個方法，它表明了這能探測出未知的故障模式。該故障診斷試驗在木切片機和電磁閥上試驗過。在線故障診斷系統(tǒng)的可行性通過對一個電磁閥在線數(shù)據(jù)處理系統(tǒng)的實現(xiàn)而被驗證過，它表明這個故障診斷可以付諸實踐。綜合這些結(jié)論，該故障診斷系統(tǒng)的效力被證明了。
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)，機械故障，故障診斷系統(tǒng)，木切片機，學習，電磁閥。

1說明
工業(yè)中的眾多問題，最主要的方面是讓機械系統(tǒng)在正常的狀態(tài)下運行。為了保持機械系統(tǒng)工作的正常條件，故障預(yù)測和診斷是需要的，特別是對長時間運行的發(fā)電設(shè)備。當故障發(fā)生后應(yīng)當盡早的檢測出，如果這些設(shè)備持續(xù)的再非正常狀態(tài)下運行很可能導(dǎo)致很大的損失甚至出人命。至今，盡管許多故障診斷方法[1]得到了發(fā)展，他們許多是基于傳統(tǒng)的建立數(shù)學模型[2]-[4]的方法分析一系列的參數(shù)然后判斷機械系統(tǒng)的運行狀態(tài)。然而，由于機械系統(tǒng)的復(fù)雜性，運行條件的不確定性以及許多的非線性因素，在很多情況下確實是很難建立機械結(jié)構(gòu)的數(shù)學模型以及知道設(shè)備運行條件。還有，在有些情況下甚至當機械運行中不可能發(fā)現(xiàn)故障。因此，許多研究人員近期被非傳統(tǒng)方法吸引[5]-[6]。
這個研究通過運用神經(jīng)網(wǎng)絡(luò)的機械故障診斷系統(tǒng)發(fā)展了一種故障診斷的途徑。在故障診斷方法中，也許最古老最被廣泛運用犯法就是用人的耳朵聽機械設(shè)備運行中發(fā)出的聲音。因為可以想象運行中設(shè)備發(fā)出的聲音信號包含了有關(guān)機械狀態(tài)的重要信息。因此，我們認為聲音信號適合機械故障診斷。然而，聲音信號的時間系列數(shù)據(jù)非常復(fù)雜并且有噪音影響。因此，聲音的功率譜被用作故障診斷
信號通過這個方法，診斷神經(jīng)網(wǎng)絡(luò)向已獲的機械系統(tǒng)運正常和非正常條件數(shù)據(jù)學習。本文中，通過這個方法，故障診斷試驗試驗在一臺木切片機和一個電磁閥。通過這些試驗向我們展示了有效可行的故障診斷方法。