基于神经网络的机械故障诊断研究[外文翻译].rar

附件C：译文


基于神经网络的机械故障诊断研究

摘要：这个研究进一步发展了基于神经网络和光谱分析的机械故障诊断系统.总体上说，由于系统的复杂性和非线性因素的存在，常规的数学建模方法很难诊断出一个机械故障。在这个研究中，神经网络被运用于机械的故障诊断.神经网络具有学习和记忆功能.通过对实物系统正常和非正常状态的研究，一种新的能诊断出机械故障的运用神经网络的研究方法给我们一参考.
该故障诊断系统是基于从运行的机械中获取的振动频谱或则声谱，因为振动或则声音的时间系列数据是复杂的并且包括噪声。通过比较时间系列数据正常状态和非正常状态的区别变的很明了。对故障探测来说使用频谱数据的变化很恰当。通过这个方法，它表明了这能探测出未知的故障模式。该故障诊断试验在木切片机和电磁阀上试验过。在线故障诊断系统的可行性通过对一个电磁阀在线数据处理系统的实现而被验证过，它表明这个故障诊断可以付诸实践。综合这些结论，该故障诊断系统的效力被证明了。
关键词：神经网络，机械故障，故障诊断系统，木切片机，学习，电磁阀。

1说明
工业中的众多问题，最主要的方面是让机械系统在正常的状态下运行。为了保持机械系统工作的正常条件，故障预测和诊断是需要的，特别是对长时间运行的发电设备。当故障发生后应当尽早的检测出，如果这些设备持续的再非正常状态下运行很可能导致很大的损失甚至出人命。至今，尽管许多故障诊断方法[1]得到了发展，他们许多是基于传统的建立数学模型[2]-[4]的方法分析一系列的参数然后判断机械系统的运行状态。然而，由于机械系统的复杂性，运行条件的不确定性以及许多的非线性因素，在很多情况下确实是很难建立机械结构的数学模型以及知道设备运行条件。还有，在有些情况下甚至当机械运行中不可能发现故障。因此，许多研究人员近期被非传统方法吸引[5]-[6]。
这个研究通过运用神经网络的机械故障诊断系统发展了一种故障诊断的途径。在故障诊断方法中，也许最古老最被广泛运用犯法就是用人的耳朵听机械设备运行中发出的声音。因为可以想象运行中设备发出的声音信号包含了有关机械状态的重要信息。因此，我们认为声音信号适合机械故障诊断。然而，声音信号的时间系列数据非常复杂并且有噪音影响。因此，声音的功率谱被用作故障诊断
信号通过这个方法，诊断神经网络向已获的机械系统运正常和非正常条件数据学习。本文中，通过这个方法，故障诊断试验试验在一台木切片机和一个电磁阀。通过这些试验向我们展示了有效可行的故障诊断方法。