三相異步電動(dòng)機(jī)故障診斷中英文翻譯@外文翻譯@外文文獻(xiàn)翻譯

《三相異步電動(dòng)機(jī)故障診斷中英文翻譯@外文翻譯@外文文獻(xiàn)翻譯》由會(huì)員分享，可在線閱讀，更多相關(guān)《三相異步電動(dòng)機(jī)故障診斷中英文翻譯@外文翻譯@外文文獻(xiàn)翻譯（19頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

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) 1???Ni ? ?.. ???? (9) ?2,?xG a N is of i?a 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(dòng)機(jī)故障診斷 摘要： 異步電機(jī)故障診斷在工業(yè) 中十分重要 ，因?yàn)樾枰岣呖煽啃院徒档?由于 機(jī)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(dòng)機(jī)發(fā)生不同的故障。許多研究者提出了不同的故障檢測(cè)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(shí)才能在 應(yīng)用中獲得成功。更簡(jiǎn)單的方法是 可以 使 用 相對(duì)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(jiǎn)單，可靠，經(jīng)濟(jì)的 基 于 神經(jīng)網(wǎng)絡(luò)（ 的 故障分類，其中電機(jī)定子電流作為輸入信號(hào)。 從 定子電流 中 提取 13 個(gè)參數(shù) 并使用 擇合適的輸入。 數(shù)據(jù)來自于特別設(shè)計(jì)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(jìn)行了驗(yàn)證。 對(duì)噪聲分類器的魯棒性的驗(yàn)證，也通過在輸入和輸出引進(jìn)高斯和統(tǒng)一控制進(jìn)行了驗(yàn)證。 關(guān)鍵詞： 異步電動(dòng)機(jī)，故障診斷， 別分析， 異步電機(jī) 作為主驅(qū)動(dòng)設(shè)備 在生產(chǎn) 、 工業(yè)和運(yùn)輸中由于其可靠性和 結(jié)構(gòu) 簡(jiǎn)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(huì) 發(fā)生故障和 意外停機(jī) ，造成很大的損失。 因此， 它 們需要不斷的關(guān)注。感應(yīng)電動(dòng)機(jī)的故障不僅會(huì)導(dǎo)致產(chǎn)品的運(yùn)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(zhǎng) 異步電機(jī)壽命和提高生產(chǎn)線效率，這將 花費(fèi)更少 的生產(chǎn)費(fèi)用， 使 終用戶 可以以 更低的價(jià)格 購(gòu)買 。為了保持機(jī)器的狀態(tài)良好，一些技 術(shù) ， 如 故障監(jiān)測(cè)，故障檢測(cè)和故障診斷變得越來越重要。感應(yīng)電動(dòng)機(jī)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(cè)計(jì)劃，克服在這個(gè) 方案 上的局 限 性 ，目前的 方法很 昂貴，對(duì)于大型電動(dòng)機(jī)適用，而且許多設(shè)計(jì)參數(shù)要求，特別是涉及到長(zhǎng)時(shí)間運(yùn)作的機(jī)器，這些參數(shù)不能提供方便。相對(duì)于現(xiàn)有的 方案 ，這項(xiàng) 方案 很簡(jiǎn)單，準(zhǔn)確，可靠和經(jīng)濟(jì)。這項(xiàng)研究工作是基于實(shí)時(shí)數(shù)據(jù)等，提出基于神經(jīng)網(wǎng)絡(luò)分類器顯示一個(gè)真正的產(chǎn)業(yè)狀況的實(shí)際可行性。 本文提出四個(gè)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(dá)到 100%分類準(zhǔn)確性。 如圖 出的故障檢測(cè)和診斷計(jì)劃包括四個(gè)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(dòng)態(tài)偏心（ E）和 二者皆有（ B） 。 圖 1 一般結(jié)構(gòu)圖 用于實(shí)驗(yàn)和數(shù)據(jù)生成而特別設(shè)計(jì)的 2 馬力，三相，四極， 415V， 50 異步電動(dòng)機(jī)已選好。所做實(shí)驗(yàn)設(shè)圖 2所示。 圖 2 實(shí)驗(yàn)裝置 調(diào)整彈簧秤和傳送帶改變馬達(dá)的裝載。三 個(gè) 交流電流探針，用于測(cè)量定子測(cè)試故障診斷系統(tǒng)的電流信號(hào)。 最大使用頻率信號(hào)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(shí)驗(yàn)波形 有必要得出一個(gè)根據(jù)提取特征判 斷分類故障的方法。為了對(duì)不同的故障，使用了統(tǒng)計(jì)參量。 確切地說，對(duì)當(dāng)前的數(shù)據(jù) 進(jìn)行統(tǒng)計(jì)將會(huì)得出樣品資料 。全部 13 個(gè)參數(shù)作為輸入特征計(jì)算。 考察的 最小 統(tǒng)計(jì)量 包括平均信號(hào)（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(shí)刻的值為： ?? 1)( （ 3） 2m 表示中心的范圍， 3m 是指對(duì)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(shí)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())((1??????6） 普通關(guān)聯(lián)系數(shù) j 和 k ， （ 7） 在將一個(gè)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(shì)，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(jì)算由皮爾遜規(guī)則 完成 。圖 4 與 一個(gè)數(shù)學(xué)對(duì)象有關(guān) ，即 特征值，這 個(gè)特征值 反映了從 13 個(gè) 維到一個(gè)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(jiǎn)單的多層感知器（ 經(jīng)網(wǎng)絡(luò)，作為一個(gè)故障分類。四個(gè)處理單元輸出層中使用的電機(jī) 有 四個(gè)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(gè)項(xiàng)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(duì)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(duì)測(cè)試的測(cè)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(jī)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(jī)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(gè)數(shù)目的處理單元 (隱層是多種多樣的。 該網(wǎng)絡(luò)進(jìn)行訓(xùn)練最小均方誤差為 5時(shí)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(dòng)力、 共軛梯度 、快速傳播，進(jìn)行訓(xùn)練驗(yàn)證要按步驟進(jìn)行，交叉驗(yàn)證測(cè)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(jìn)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(shì)頭給予最佳的成果。 最后 ,利用上述試驗(yàn) ,該神經(jīng)網(wǎng) 分類器設(shè)計(jì) ,規(guī)格： 數(shù)字的輸入 ,以隱藏層個(gè)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(dòng)量 步驟： 6 動(dòng)量： 輸出層： 雙曲正切傳遞函數(shù) 學(xué)習(xí)規(guī)則：動(dòng)量 步驟： 動(dòng)量： 接權(quán)數(shù)： 44 所需培訓(xùn)的時(shí)間： 2） 基于神經(jīng)網(wǎng)絡(luò)支持向量機(jī)分類器 支持向量機(jī) (一種新的有兩個(gè)概念的分類器。首先，進(jìn)入一個(gè)高維轉(zhuǎn)換可將復(fù)雜的問題轉(zhuǎn)換為更簡(jiǎn)單的問題，可以使用線性判別函 數(shù)。其次，支持向量機(jī)的動(dòng)機(jī)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(kuò)展到多個(gè)級(jí)別，支持向量機(jī)的訓(xùn)練總是尋求一個(gè)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(duì)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 01???Ni ? ?.. ???? （ 9） 其中 ? ?2,?一個(gè)高斯函數(shù)， i?是一個(gè)乘數(shù)集（每個(gè)樣品 1個(gè) ） ????? Ni )2,(()( ?? （ 10） 及 )(（ 11） 選擇一個(gè)常見的起始乘數(shù)i?、學(xué)習(xí)速率 ? ,和一個(gè)小的閾值。然后，當(dāng) M>t,我們選一個(gè)模式)(1(ii ? ??，執(zhí)行校驗(yàn)。 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(shí)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(shí)上 ,表現(xiàn)為多元化 )(所以它可以激活被包括在這個(gè)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(cè)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(zhǎng)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(cè)試驗(yàn)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(jī)分類器的設(shè)計(jì) ,規(guī)格： 輸入數(shù)： 5 步長(zhǎng)： 個(gè)時(shí)間的樣本： 量的連接權(quán)： 264 設(shè)計(jì)分類器進(jìn)行訓(xùn)練和測(cè)試使用類似 數(shù)據(jù)和計(jì)算結(jié)果顯示在圖 8和圖 9 圖 8 最小均方誤差的變化對(duì)測(cè)試的平均測(cè)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(jìn)制遞歸的數(shù)據(jù)集。所產(chǎn)生的樹木包括內(nèi)部節(jié)點(diǎn)和終端節(jié)點(diǎn)或葉節(jié)點(diǎn)。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(jìn)行測(cè)試的試驗(yàn)數(shù)據(jù)分別是 80%。 圖 10(a) 平均分類精度的變化對(duì)測(cè)試 試驗(yàn)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(duì)測(cè)試 試驗(yàn)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(duì)一組觀察數(shù)據(jù)進(jìn) 行預(yù)定義的技術(shù)。 其目的是要確定一個(gè)觀察 組 作為一個(gè)已知輸入變量或預(yù)測(cè)變量的基礎(chǔ)。 該模型建立了一套已知的觀測(cè)數(shù)據(jù)。該套觀測(cè)有時(shí)被稱為基于訓(xùn)練集的培訓(xùn)，這項(xiàng)技術(shù)建立了一套線性函數(shù)的預(yù)測(cè)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(cè)因子即 c 為常數(shù)。 這些判