基于模糊测量和模糊积分融合技术的机械故障诊断[外文翻译].rar
基于模糊测量和模糊积分融合技术的机械故障诊断[外文翻译],附件c：译文基于模糊测量和模糊积分融合技术的机械故障诊断xiao feng liu, lin ma, joseph mathewcrc for integrated engineering asset management, school of engineering systems, queensland unive...
该文档为压缩文件,包含的文件列表如下:
内容介绍
原文档由会员 retego 发布
附件C：译文
基于模糊测量和模糊积分融合技术的机械故障诊断
Xiao feng Liu, Lin Ma, Joseph Mathew
CRC for Integrated Engineering Asset Management, School of Engineering Systems, Queensland University of Technology,
GPOBox2434, Brisbane QLD 4001, Australia
摘要：模糊测量和模糊积分理论是有传统的测量理论派生出来的一个新理论，它把标准和它们之间的相互作用考虑了进来，而且在分类等应用上有很好的潜力。本文介绍了一种新颖的用模糊测量和模糊积分对机械故障诊断的数据融合方法它包括特征层数据融合模型和决策层数据融合模型，模糊c方法分析思想也被用来识别特征组和故障原型之间的关系来建立特征和给定故障之间的标识。我们使用了滚动轴承和电马达来是模型生效，记录的信号和之后的特征和使用模糊测量和模糊积分数据融合技术的决策层结合体包含了不同的特征来得到诊断结果。最终结果表明计划的方法在轴承和马达故障诊断中表现优异。
关键词：模糊测量，模糊积分，模糊c方法，数据融合，故障诊断
1介绍
现代机械复杂性的快速有快速增加的态势，而由此带来的对可靠性，实用性安全性和经济性的要求也与日俱增，因此基于状态的维修（CBM）逐步成为机械维修策略的主流。有效的CBM只能在适当精确的诊断预测中才能实现，而且故障诊断和预测对基于外出站信号处理算法的多参数数据解释有很强的依赖性。
统计学方法、聚类分析、神经网络、基于模型思想、遗传算法、混合系统等在机械环境监测和故障诊断中不同的方法相继被采用[1-6]。其中聚类分析是一种可以得到最佳诊断结果的迭代划分方法，而在不同的故障模式之间通常没有可标记精确边界的分类中模糊聚类分析表现得比传统聚类方法更为实用——模糊方法可以对与处理模糊信息类似的非二叉树的故障图进行分类[7]。
模糊聚类分析方法是把故障类型当成模糊的组来考虑，每个那个故障的类型赋值为0或者1被分配给所有成员以达到描述属于那个类的是哪种程度的故障。在对结果的C划分中，模糊C方法（FCM）是最理想的模糊聚类方法，FCM是一种通过使误差归纳函数最小化来对聚类中心进行迭代计算的算法，它在被选中的区域找到了应用。如果再联系神经网络，FCM可以被用来把分割色彩图片变为纯色区域的地方做自动确认[8]，还能在对多时间综合孔雷达图片和干涉测量的综合孔雷达图的分类中被采用[9]。
基于模糊测量和模糊积分融合技术的机械故障诊断
Xiao feng Liu, Lin Ma, Joseph Mathew
CRC for Integrated Engineering Asset Management, School of Engineering Systems, Queensland University of Technology,
GPOBox2434, Brisbane QLD 4001, Australia
摘要：模糊测量和模糊积分理论是有传统的测量理论派生出来的一个新理论，它把标准和它们之间的相互作用考虑了进来，而且在分类等应用上有很好的潜力。本文介绍了一种新颖的用模糊测量和模糊积分对机械故障诊断的数据融合方法它包括特征层数据融合模型和决策层数据融合模型，模糊c方法分析思想也被用来识别特征组和故障原型之间的关系来建立特征和给定故障之间的标识。我们使用了滚动轴承和电马达来是模型生效，记录的信号和之后的特征和使用模糊测量和模糊积分数据融合技术的决策层结合体包含了不同的特征来得到诊断结果。最终结果表明计划的方法在轴承和马达故障诊断中表现优异。
关键词：模糊测量，模糊积分，模糊c方法，数据融合，故障诊断
1介绍
现代机械复杂性的快速有快速增加的态势，而由此带来的对可靠性，实用性安全性和经济性的要求也与日俱增，因此基于状态的维修（CBM）逐步成为机械维修策略的主流。有效的CBM只能在适当精确的诊断预测中才能实现，而且故障诊断和预测对基于外出站信号处理算法的多参数数据解释有很强的依赖性。
统计学方法、聚类分析、神经网络、基于模型思想、遗传算法、混合系统等在机械环境监测和故障诊断中不同的方法相继被采用[1-6]。其中聚类分析是一种可以得到最佳诊断结果的迭代划分方法，而在不同的故障模式之间通常没有可标记精确边界的分类中模糊聚类分析表现得比传统聚类方法更为实用——模糊方法可以对与处理模糊信息类似的非二叉树的故障图进行分类[7]。
模糊聚类分析方法是把故障类型当成模糊的组来考虑，每个那个故障的类型赋值为0或者1被分配给所有成员以达到描述属于那个类的是哪种程度的故障。在对结果的C划分中，模糊C方法（FCM）是最理想的模糊聚类方法，FCM是一种通过使误差归纳函数最小化来对聚类中心进行迭代计算的算法，它在被选中的区域找到了应用。如果再联系神经网络，FCM可以被用来把分割色彩图片变为纯色区域的地方做自动确认[8]，还能在对多时间综合孔雷达图片和干涉测量的综合孔雷达图的分类中被采用[9]。
