三相異步電動機故障診斷中英文翻譯@外文翻譯@外文文獻翻譯

翻譯部分 英文原文 of is in of to to of to to in a of to to a to N)is in is as CA is to is on 0 Ns VM of to is on by in an as in to in of do is of of of of of it to to in of or of is to an of in to be to is is on so in a in of 00%is N of as 1. . . . . n ),)of )of or 15V,50 Hz is up is as he of by C to of of of as ,no . is a to up a to to be be as of to be of is s of 2g 32 (1) x x of rv is 2) a is 1)( (3) m2 m3 to m4 is at to of of 4g as 3233 (4) 4244 (5) j k is )1()(1) j k ,(7) C. a is a be or be to of CA)is to Cs) is to a of 3to a of . 1)N is as a in of as ,as Es in is (a)SE on V Cs as (b)V Cs as he is to is so as to to or of of on is LP a Es)in is is SE is in as SE Es SE on V N is ;1; Es 4; of 4 2) N he VM)is a of is by a by of It be to a so it to a of ix(i =1 N) be to by of in by to j i 1 21 )2,(21)( (8) 1Ni . (9) 2,xG a N is of ia of Ni )2,()( (10) (11) a i, , a >t, we a an )(1(ii f 0)( ii n )()()1( )()1(12) 0)( ii n )()1( )()1( (13) of i It is to (be to is in (of an an so it be in of BF so is )2,(s ( 2 Nv e c t o r ss p p o r (14) in 12)(,( t a n h ()(21)(i (15) Cs as is by SE . (a)SE on V Cs as (b)V Cs as VM is ; of 64 is as SE V of n) SE V 3)a of of of a is is is is on on V is to 0 a)V b)V 4) is a a of is to of an on a of as or is on a of on a of of as .or c is a is is on on V is to 0 V A F is to be in is it is to of to 0%is in on is is VM is in it 4%0%in as n of NN of of N,VM of is to of is VM .7 is to be on CA is a is to in 4%in 0% in I. of I F 中文譯文 基于 神經(jīng)網(wǎng)絡(luò)技術(shù)的三相異步電動機故障診斷 摘要： 異步電機故障診斷在工業(yè) 中十分重要 ，因為需要提高可靠性和降低 由于 機器故障 造成的生產(chǎn) 損失。由于環(huán)境壓力和許多其他 的 原因 使 異步電動機發(fā)生不同的故障。許多研究者提出了不同的故障檢測和診斷技術(shù)。然而，目前許多 技術(shù) 需要提供良好的專業(yè)知識才能在 應(yīng)用中獲得成功。更簡單的方法是 可以 使 用 相對不熟練的操作在 不需要診斷專家仔細(xì)考察數(shù)據(jù)和診斷問題的情況下做出可靠的判斷 。本文 提出了 簡單，可靠，經(jīng)濟的 基 于 神經(jīng)網(wǎng)絡(luò)（ 的 故障分類，其中電機定子電流作為輸入信號。 從 定子電流 中 提取 13 個參數(shù) 并使用 擇合適的輸入。 數(shù)據(jù)來自于特別設(shè)計的 2馬力、 4極 50了 分類，如 神經(jīng)網(wǎng)絡(luò)像 基于 別分析 歐進行了驗證。 對噪聲分類器的魯棒性的驗證，也通過在輸入和輸出引進高斯和統(tǒng)一控制進行了驗證。 關(guān)鍵詞： 異步電動機，故障診斷， 別分析， 異步電機 作為主驅(qū)動設(shè)備 在生產(chǎn) 、 工業(yè)和運輸中由于其可靠性和 結(jié)構(gòu) 簡單發(fā)揮重要作用。盡管 由 于它 們的 穩(wěn)定 性和可靠性， 它 們偶爾也會 發(fā)生故障和 意外停機 ，造成很大的損失。 因此， 它 們需要不斷的關(guān)注。感應(yīng)電動機的故障不僅會導(dǎo)致產(chǎn)品的運作中斷，而且增加成本，降低產(chǎn)品質(zhì)量，影響操作人員的安全。如果 延長 異步電機壽命和提高生產(chǎn)線效率，這將 花費更少 的生產(chǎn)費用， 使 終用戶 可以以 更低的價格 購買 。為了保持機器的狀態(tài)良好，一些技 術(shù) ， 如 故障監(jiān)測，故障檢測和故障診斷變得越來越重要。感應(yīng)電動機的最常見的故障是軸承故障，定子繞組故障，轉(zhuǎn)子斷條或氣隙 不合理 。 本研究的目的是發(fā)展一種替代人工神經(jīng)網(wǎng)絡(luò)的早期故障檢測計劃，克服在這個 方案 上的局 限 性 ，目前的 方法很 昂貴，對于大型電動機適用，而且許多設(shè)計參數(shù)要求，特別是涉及到長時間運作的機器，這些參數(shù)不能提供方便。相對于現(xiàn)有的 方案 ，這項 方案 很簡單，準(zhǔn)確，可靠和經(jīng)濟。這項研究工作是基于實時數(shù)據(jù)等，提出基于神經(jīng)網(wǎng)絡(luò)分類器顯示一個真正的產(chǎn)業(yè)狀況的實際可行性。 本文提出四個不同神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在與各種各樣的表現(xiàn)，并且達到 100%分類準(zhǔn)確性。 如圖 出的故障檢測和診斷計劃包括四個步驟： 收集與采集 在 本 中最 常見的故障，即定子繞組匝間短 路 （ 1），轉(zhuǎn)子動態(tài)偏心（ E）和 二者皆有（ B） 。 圖 1 一般結(jié)構(gòu)圖 用于實驗和數(shù)據(jù)生成而特別設(shè)計的 2 馬力，三相，四極， 415V， 50 異步電動機已選好。所做實驗設(shè)圖 2所示。 圖 2 實驗裝置 調(diào)整彈簧秤和傳送帶改變馬達的裝載。三 個 交流電流探針，用于測量定子測試故障診斷系統(tǒng)的電流信號。 最大使用頻率信號是 5 抽樣的數(shù)據(jù)的數(shù)量是 2500。 定子電流波形圖 3所示，在不同的條件 下 ，沒有明顯的差異存在。 圖 3 定子電流實驗波形 有必要得出一個根據(jù)提取特征判 斷分類故障的方法。為了對不同的故障，使用了統(tǒng)計參量。 確切地說，對當(dāng)前的數(shù)據(jù) 進行統(tǒng)計將會得出樣品資料 。全部 13 個參數(shù)作為輸入特征計算。 考察的 最小 統(tǒng)計量 包括平均信號（這 里 是標(biāo)準(zhǔn)差）的均方根（ 最高和最低值的偏斜系數(shù)和峰度系數(shù)。皮爾遜的 偏斜 系數(shù)， 2g 定義為： 32 （ 1） 其中 x 表示 平均值， x 表示位數(shù) ，樣本變化參數(shù) 義為： （ 2） 數(shù)據(jù)的樣本平均數(shù)在 樣時刻的值為： 1)( （ 3） 2m 表示中心的范圍， 3m 是指對中心偏度 ； 4m 表示中心集合的數(shù)據(jù)數(shù)量。其次，第三和第四的時刻是用來定義樣本偏度系數(shù)的3g 如下： 3233 （ 4） 4244 （ 5） 尺寸之間的樣本協(xié)方差 j和 )1()(16） 普通關(guān)聯(lián)系數(shù) j 和 k ， （ 7） 在將一個特征送入分類器前， 最 明顯的 故障提供相關(guān)的信息優(yōu)勢，應(yīng) 從 設(shè)置功能 中 選擇功能不相干的或多余的功能必須被丟棄，以提高分類器的性能，避免 維度的危害 。這里的主成分分析（ 術(shù)用于從原來的 特征中選擇最優(yōu)的特征 。主成分（ 計算由皮爾遜規(guī)則 完成 。圖 4 與 一個數(shù)學(xué)對象有關(guān) ，即 特征值，這 個特征值 反映了從 13 個 維到一個較低維的 投影質(zhì)量。 圖 4 主成分，特征值和百分比變化 （ 1）基于多層感知器神經(jīng)網(wǎng)絡(luò)分類器 簡單的多層感知器（ 經(jīng)網(wǎng)絡(luò)，作為一個故障分類。四個處理單元輸出層中使用的電機 有 四個條件，即 合理 ，匝間故障，偏心 這兩種故障。如 圖 5 所示的結(jié)果，選擇 5個項目合作安排為輸入，因此在輸入層 。 圖 5(a)微型和小型企業(yè)的平均變化對培訓(xùn)和電腦的數(shù)量作為輸入 圖 5(b)變異的平均分類精度對測試的測試數(shù)據(jù)，培訓(xùn)資料，并與電腦的數(shù)量作為輸入數(shù)據(jù) 將 隨機數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)，并已培訓(xùn)了 5 倍不同的隨機初始化重量，以消除偏置，并確保真正的學(xué)習(xí)和不同的隱藏層的 推廣。 研究表明 ,這種方法用單隱層可提供較好的性能。這個數(shù)目的處理單元 (隱層是多種多樣的。 該網(wǎng)絡(luò)進行訓(xùn)練最小均方誤差為 5時獲得 處理單元 是在隱藏層 如 圖 6所示。 圖 6 平均均分誤差和處理單元的數(shù)目隱藏層 各種傳輸功能，即雙曲正切、 性曲線、線性彎曲、 偏置軸突 、 線性軸突 、學(xué)習(xí)規(guī)則 ，即原動力、 共軛梯度 、快速傳播，進行訓(xùn)練驗證要按步驟進行，交叉驗證測試最小均方誤差與平均分類精度的訓(xùn)練和變異系數(shù)數(shù)據(jù)集進行了比較。 結(jié)果表明，雙曲正切傳遞函數(shù)和學(xué)習(xí)規(guī)則的勢頭給予最佳的成果。 最后 ,利用上述試驗 ,該神經(jīng)網(wǎng) 分類器設(shè)計 ,規(guī)格： 數(shù)字的輸入 ,以隱藏層個數(shù) :1； 在隱層處理單元數(shù)目： 04; 隱藏層： 雙曲正切函數(shù) 學(xué)習(xí)規(guī)則：動量 步驟： 6 動量： 輸出層： 雙曲正切傳遞函數(shù) 學(xué)習(xí)規(guī)則：動量 步驟： 動量： 接權(quán)數(shù)： 44 所需培訓(xùn)的時間： 2） 基于神經(jīng)網(wǎng)絡(luò)支持向量機分類器 支持向量機 (一種新的有兩個概念的分類器。首先，進入一個高維轉(zhuǎn)換可將復(fù)雜的問題轉(zhuǎn)換為更簡單的問題，可以使用線性判別函 數(shù)。其次，支持向量機的動機是基于概念的基礎(chǔ)上 ,利用投入訓(xùn)練 ,只用那些在它們的表面附近最大限度的信息分類。它可以擴展到多個級別，支持向量機的訓(xùn)練總是尋求一個全面性的優(yōu)化方案 ,避免了擬合 ,所以它有能力去處理大量的特征。 通用算法的分類器： 對于 N 維空間數(shù)據(jù) ,該算法可以輕易ix(i =1 N)延伸到網(wǎng)絡(luò)代替的內(nèi)積空間的輸入核函數(shù) ,從而導(dǎo)致下列二次優(yōu)化問題。 j i 1 21 )2,(21)( （ 8） 限制條件為 01Ni . （ 9） 其中 2,一個高斯函數(shù)， i是一個乘數(shù)集（每個樣品 1個 ） Ni )2,()( （ 10） 及 )(（ 11） 選擇一個常見的起始乘數(shù)i、學(xué)習(xí)速率 ,和一個小的閾值。然后，當(dāng) M>t,我們選一個模式)(1(ii ，執(zhí)行校驗。 如果 0)( ii n )()()1( )()1(（ 12） 如果 0)( ii n )()1( )()1( （ 13） 之后 ,只有一部分不為于零 (稱為支撐向量 )。這是很容易實現(xiàn)核算法從 )(法各局部乘數(shù) , 在輸入文件中可得到所需的反應(yīng)。事實上 ,表現(xiàn)為多元化 )(所以它可以激活被包括在這個框架中的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。核心算法是 絡(luò)的本質(zhì)使其輸出測試由： )2,(s ( 2 Nv e c to r ss p p o r （ 14） 與成本函數(shù)的誤差準(zhǔn)則 1 2)(,( t a n h ()(21)( i i （ 15） 電腦 的信息都將輸入以及 步長通過檢查平均最低 均方誤差 與平均分類精度 萊 選擇 ， 結(jié)果 如圖 7所示。 圖 7(a) 電腦輸入的培訓(xùn)和變形系數(shù)的均方誤差的變化 圖 7(b) 電腦輸入的檢測試驗數(shù)據(jù)、訓(xùn)練數(shù)據(jù)、變形系數(shù)的平均分類精度的變化 基于支持向量機分類器的設(shè)計 ,規(guī)格： 輸入數(shù)： 5 步長： 個時間的樣本： 量的連接權(quán)： 264 設(shè)計分類器進行訓(xùn)練和測試使用類似 數(shù)據(jù)和計算結(jié)果顯示在圖 8和圖 9 圖 8 最小均方誤差的變化對測試的平均測試數(shù)據(jù) ,變形系數(shù) 數(shù)據(jù)和訓(xùn)練數(shù)據(jù)的轉(zhuǎn)移 (n) 圖 9 最小均方誤差變化的平均訓(xùn)練變異系數(shù)多種多樣的集合 (3)分類和樹狀結(jié)構(gòu) 分類 和樹狀結(jié)構(gòu)是特征空間的劃分的過程，是二進制遞歸的數(shù)據(jù)集。所產(chǎn)生的樹木包括內(nèi)部節(jié)點和終端節(jié)點或葉節(jié)點。第一階段叫樹的構(gòu)造 ,第二階段是樹修剪分類樹，開發(fā)利用 施和最大的樹的深度 ,結(jié)果顯示如圖 10。研究表明 ,優(yōu)化平均分類精度進行測試的試驗數(shù)據(jù)分別是 80%。 圖 10(a) 平均分類精度的變化對測試 試驗數(shù)據(jù)和變異系數(shù)數(shù)據(jù)的方法與措施 圖 10(b) 平均分類精度的變化對測試 試驗數(shù)據(jù)和變異系數(shù)數(shù)據(jù)與深度的樹狀結(jié)構(gòu) （ 4）判斷分析 判別分析對一組觀察數(shù)據(jù)進 行預(yù)定義的技術(shù)。 其目的是要確定一個觀察 組 作為一個已知輸入變量或預(yù)測變量的基礎(chǔ)。 該模型建立了一套已知的觀測數(shù)據(jù)。該套觀測有時被稱為基于訓(xùn)練集的培訓(xùn)，這項技術(shù)建立了一套線性函數(shù)的預(yù)測因子 ,叫做判別函數(shù) ,即 . b 是判別系數(shù) ,， x 為輸入變量或預(yù)測因子即 c 為常數(shù)。 這些判