外文翻譯--使用有限元基神經(jīng)網(wǎng)絡的機器健康檢測與壽命管理 中文版【優(yōu)秀】

本科生畢業(yè)設計（論文） 翻譯 學生姓名： 學 號： 班 級： 專 業(yè)： 機械工程及自動化 指導教師： 1 美國機械工程師學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)絡的機器健康檢測與壽命管理 作者：紐約應力公司 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)絡技術監(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，在這里得到了應用。該方法通過神經(jīng)網(wǎng)絡把詳細的轉(zhuǎn)子動力有限元模型與機械傳感測量相融合，對機器進行監(jiān)測。這種神經(jīng)網(wǎng)絡是經(jīng)過專門的訓練的。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的神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡包含了詳細的有限元模型的知識，與系統(tǒng)測量的結(jié)果相結(jié)合，對機械故障進行診斷，以及對部分應力變化進行精確預測。這種技術需要使用最新的神經(jīng)網(wǎng)絡技術，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力進行實時預測?？尚D(zhuǎn) 組件與有限元基相關的知識內(nèi)容的實用性在于實時的對部分組件壽命的預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難性的失敗，是所有行業(yè)共同的目標。本文介紹了基于有限元的神經(jīng)系統(tǒng)改善目前的先進的機械健康監(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)作出準確的決定。該網(wǎng)絡觀察轉(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?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)絡訓練的大量詳細的有限元模型將診斷斷層和預測旋轉(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)軸和反應部隊的軸承估計的動態(tài)應力證明了有限元模型的能力。網(wǎng)絡的診斷能力通過預測磁盤不平衡的地點、程度和階段、大量的未對準、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行的。本文還顯示網(wǎng)絡預測非線性動力學應力軸和預測機械故障的能力。 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。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 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。實測頻率響應轉(zhuǎn)移到個人計算機上，對每階段的恢復程度和讀數(shù)進行了測定。請注意，輸入 4 到神經(jīng)網(wǎng)絡分類器的參數(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)絡培訓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)子動力學有限元模型 一份詳細的示 范轉(zhuǎn)子演示系統(tǒng)是使用在 程序稱之為 子動力學分析）。這個電腦項目是用來模擬轉(zhuǎn)子操作和訓練神經(jīng)網(wǎng)絡分類器。 有限元為基礎，并包含一系列的前置程序，以促進網(wǎng)格生成。有限元模型預測整體轉(zhuǎn)子振動特征以及當?shù)卣駝討Φ燃?。轉(zhuǎn)子的一般幾何形狀在開始規(guī)定成代碼，允許選擇預處理程序（和輸入指令）進行發(fā)展。 有一個有限元模型為基礎的診斷制度的附加價值是它提供了一個非常準確的轉(zhuǎn)子的應力分布和反應力。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致的。隨著轉(zhuǎn)軸部分壓力預測， 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期壽命。 轉(zhuǎn)子演示裝置的有限元模型是開發(fā)和相關實驗的結(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)絡的培訓。特別是，該網(wǎng)絡受到模式的訓練，以確定在關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的第一個關鍵模式。請注意密切測量和計算第一個關鍵模式之間的協(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)應力和軸承反應力。 5 圖 3 第一個關鍵轉(zhuǎn)子計算模式 神經(jīng)網(wǎng)絡的描述和發(fā)展 本文中開發(fā)的 神經(jīng)網(wǎng)絡架構(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)絡架構(gòu)的制定是在被神經(jīng)網(wǎng)絡處理的大量數(shù)據(jù)基礎上。這是類似于在該系統(tǒng)的 “大腦 ”大量的神經(jīng)細胞上建模，以用于特定網(wǎng)絡。在整個網(wǎng)絡更多的神經(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，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)絡設計哲學的敏感性和準確性，開發(fā)了兩個主要的神經(jīng)網(wǎng)絡架構(gòu)。 單一網(wǎng)絡架構(gòu) 。單一的網(wǎng)絡配置發(fā)展首先利用四個軸承振 動輸入測量（包括幅度和相位）。一個關于為了改善訓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。如果運用得當，隱層可以提供在復雜的、線性的和非線性的培訓模式之間更精 6 確的相互關系。網(wǎng)絡的輸出層包括 14個節(jié)點。圖 4和其相應的輸入 /輸出參數(shù)是這種單一的神經(jīng)網(wǎng)絡結(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)子詳細的有限元模型特別是轉(zhuǎn)子條件計算軸彎曲應力和軸承力。這樣做的結(jié)果是神經(jīng)網(wǎng)絡（訓練有素的測量和有限元模型），它能夠在現(xiàn)實 “虛擬 ”遙感壓力和反應力在特殊組成部分上，而不必實際安裝了應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)絡架構(gòu) 。分裂的多層網(wǎng)絡架構(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)絡結(jié)構(gòu) 這個新的網(wǎng)絡配置的第一部分診斷嚴重故障條件 (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)絡架構(gòu)決定具體關于磁盤 1號不平衡的故障細節(jié)。第一個輸出節(jié)點確定了那個不平衡的嚴重性。 輸出值的嚴重程度從 0到 1， 1代表最嚴重的狀況。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行糾正。診斷不平衡的嚴重性是不斷監(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號相關的診斷網(wǎng)絡輸出節(jié)點的細節(jié)都是相同的。 第二層的第三個網(wǎng) 絡是用來確定整個耦合任何失調(diào)的嚴重性和程度。嚴重性值介于 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)絡的訓練和咨詢 訓練神經(jīng)網(wǎng)絡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)督的培訓被用來把輸入模式分來，以便處理大批使用的訓練模式。監(jiān)管培訓技術用于指定從輸入模式產(chǎn)生的目標。神經(jīng)網(wǎng)絡變量（權(quán)重和閾值）自我調(diào)整，以產(chǎn)生這一目標產(chǎn)量。在這個 項目中利用這兩個培訓程序的結(jié)合，以實現(xiàn)理想的網(wǎng)絡準確性。 一旦建設內(nèi)部結(jié)構(gòu)的網(wǎng)絡，它們接受基于實驗案例歷史和來自轉(zhuǎn)子動力學計算機模型衍生的輸入 /輸出對的訓練。發(fā)展這個包含神經(jīng)網(wǎng)絡輸入 /輸出的培訓模式的數(shù)據(jù)庫代表本文的努力一個主要部分。 非監(jiān)督訓練 。鑒于了一套培訓模式，一個無監(jiān)督學習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。在培訓過程中， 網(wǎng)絡權(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。培訓過程結(jié)束后，該網(wǎng)絡可與任何已知 或未知輸入模式相接。 9 監(jiān)督訓練 。監(jiān)督學習，而不是無監(jiān)督學習，這利用成對的相關輸入 /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)絡結(jié)構(gòu)。訓練集用來指定目標產(chǎn)出應導致輸入模式，以及自動學習網(wǎng)絡的參數(shù)設置（重量和閾值），它將產(chǎn)生此期望輸出。在這學習過程中，網(wǎng)絡學習一套單一的網(wǎng)絡參數(shù)，這些參數(shù)能滿足所有的培訓的輸入 /輸出對。學習是并不完美，但最小均方錯誤的基礎上是最佳的。在咨詢模式中，該網(wǎng)絡能夠歸納并為任何輸入模式創(chuàng)造適用于網(wǎng)絡的適當?shù)妮敵瞿Ｊ健Ｔ跔顟B(tài)監(jiān)測中應用中利用神經(jīng)網(wǎng)絡是此屬性的主要優(yōu)勢。 特定的網(wǎng)絡訓練和咨詢 。這兩個網(wǎng)絡架構(gòu)以同樣的 232輸入 /輸培訓模式進行了培訓，它們是從實驗測量和有限元模型分析設計的。培訓模式網(wǎng)絡數(shù)據(jù)庫側(cè)重于診斷不平衡條件、失調(diào)、軸承反應力和軸壓力。作為一個例子，實驗數(shù)據(jù)收集平臺，以訓練神經(jīng)網(wǎng)絡來區(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，推導出大部分的訓練集。由于這一事實，即關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)子動力學有限元模型廣泛應用。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)軸彎曲應力和軸承反應力。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力，以此為基礎計 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力和應變的裂紋萌生區(qū)域。摩洛的方法是將應力的結(jié)合壽命中的計算， 這是基于應變振幅和逆轉(zhuǎn)數(shù)目。 應變壽命方程 。局部的應變方法是從給定的應力狀態(tài)和材料的疲勞性能用來計算總應變 ，包括彈塑性組成部分： 2(/)2)( 其中 是真正的平均應力或真正穩(wěn)定的壓力，和右邊的 方程，第一任期內(nèi)的一個彈性應變和第二個任期內(nèi)代表塑性應變。該方程是為了基于循環(huán)應變的方法來預測疲勞而建立的，這就是所謂應變壽命方程。 循環(huán)計數(shù)和累積損傷 。根據(jù)光譜載入中，動態(tài)應變條件下，在關鍵位置的部分可能有非常復雜的波形。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，這程序包括把復雜的波形劃分成有序的簡單循環(huán)，然后清點某一特定應變范圍內(nèi)應變周期數(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)生在某一應變等級的循環(huán)次數(shù) 個應變等級內(nèi)故障循環(huán)數(shù)目 是從應變壽命方程。在此應變水平下?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)有的應變等級下產(chǎn)生的損害部分的總和。因此，當累積損傷是等于或大于 1時，預測到裂紋產(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)相關的低循環(huán)疲勞導致了軸疲勞。另一方面，軸承壽命被高周疲勞與轉(zhuǎn)子速度所主導。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)進行了試驗。正如以前 所討論的，使用神經(jīng)網(wǎng)絡調(diào)查輸出的百分率完成神經(jīng)網(wǎng)絡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)絡診斷輸出應該是 “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確。因此，不確定性的措施可在此基礎上計算。本文件中，通過網(wǎng)絡把具體的故障診斷與實際的種子故障狀態(tài)進行比較。此外，在實的測軸應力和那些通過有限元模型預測的數(shù)據(jù)的比較就產(chǎn)生了。 表 1中為網(wǎng)絡配置隨機挑選的 12個測試案件給出了結(jié)果。從培訓過程中 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)絡架構(gòu)的同一轉(zhuǎn)子測量提供的分解網(wǎng)絡架構(gòu)產(chǎn)生的結(jié)果。 分解網(wǎng)絡結(jié)構(gòu)的劃分比全包容型網(wǎng)絡更準確。用任一網(wǎng)絡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)絡診斷故障細節(jié)問題（即規(guī)模和相位不平衡或一定程度的錯位）更準確。這個趨勢在降低網(wǎng)絡復雜性和需要確定故障細節(jié)的一些培訓模式基礎上是可以理解的。 結(jié)論 使用的微型轉(zhuǎn)子系統(tǒng)證明了以神經(jīng)網(wǎng)絡為基礎的健康檢測，它執(zhí)行機械的診斷 和組件壽命的預測。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)絡技術監(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)絡分類器，能夠根據(jù)從桌面系統(tǒng)得到的有關振動測量準確地診斷機械故障。此外，神經(jīng)網(wǎng)絡所提供的診斷結(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)絡對軸應力和軸承力進行預測。 在可使用狀況監(jiān)測應用中，使用轉(zhuǎn)子系統(tǒng)的測量和詳細的有限元模型培訓診斷神經(jīng)網(wǎng)絡分類器的概念被顯現(xiàn)。該轉(zhuǎn)子動力學有限元模型， 用于訓練診斷網(wǎng)絡認識故障模式及其在軸和軸承應力中產(chǎn)生的影響。這種軸應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)絡識別特定的震動標示以及與其相關的軸應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)絡對構(gòu)架的敏感性和 13 準確度進行審查。毫不奇怪，一直以來分解網(wǎng)絡構(gòu)架比全包容型的結(jié)構(gòu)在診斷故障的細節(jié)上更準確。換言之，在分解網(wǎng)絡中更多的專用小規(guī)模網(wǎng)絡構(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)絡配置對不平衡、失調(diào)等總體故障進行精確的診斷。目前，用于旋轉(zhuǎn)機械以知識為基礎的專業(yè)系統(tǒng)只能夠診斷這些顯著的故障。有關這些故障的具體的細節(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 “先進軟件的發(fā)展的根本原因調(diào)查 ”調(diào)查報告 6 B 1989 “