《機械專業(yè)外文文獻翻譯-外文翻譯--使用有限元基神經網絡的機器健康檢測與壽命管理 中文版【優(yōu)秀】》由會員分享，可在線閱讀，更多相關《機械專業(yè)外文文獻翻譯-外文翻譯--使用有限元基神經網絡的機器健康檢測與壽命管理 中文版【優(yōu)秀】（14頁珍藏版）》請在裝配圖網上搜索。

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 使用有限元基神經網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網絡技術監(jiān)測旋轉機械的安全性。臺式轉子演示裝置作為一種概念證明工具，在這里得到了應用。該方法通過神經網絡把詳細的轉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。這種神經網絡是經過專門的訓練的。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網絡。神經網絡包含了詳細的有限元模型的知識，與系統(tǒng)測量的結果相結合，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網絡技術，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 組件與有限元基相關的知識內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系統(tǒng)改善目前的先進的機械健康監(jiān)測，增加有效的結構組成部分的診斷和監(jiān)測。特別是神經網絡分類器作為一個信息收集和發(fā)送的中心被開發(fā)，它對轉子系統(tǒng)的健康使用實驗和分析數(shù)據作出準確的決定。該網絡觀察轉子系統(tǒng)監(jiān)測診斷結構斷層，從各種潛在的故障源預測部件。 桌面示范轉子被用作 證據的概念工具。傳感器的演示裝置在適當?shù)牡攸c測量整個轉子系統(tǒng)的振幅。從這些測量，神經系統(tǒng)通過神經網絡訓練的大量詳細的有限元模型將診斷斷層和預測旋轉部分。目前，商業(yè)專家系統(tǒng)可用于環(huán)境監(jiān)測，沒有旋轉部分壓力的知識，其只用測量系統(tǒng)的數(shù)據。如果沒有這些壓力的數(shù)據，直接計算其余部分狀況將非常困難。 2 微型轉子臺演示神經系統(tǒng)如何用于獲得及時的有限元模型結果和機器故障診斷。對旋轉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。動應力估算和結構診斷都通過取自軸承位置的振動測量來進行的。本文還顯示網絡預測非線性動力學應力軸和預測機械故障的能力。 轉子演示裝置和測量過程 轉子系統(tǒng)配置 。桌面轉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的現(xiàn)象存在于所有類型的旋轉系統(tǒng)。許多不同類型的振動有關的特征通過不斷變化的轉子的速度、一定程度的不平衡。軸彎曲、軸摩擦和轉子軸承間隙來建立和測量的。由此產生的動態(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。 轉子配置研究顯示圖 1。 轉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個經向軸承。 5 2個帶有平衡重洞的旋轉盤。 6 3/8英寸直徑 25英寸長鋼軸 7 電機調速控制器與閉環(huán)反饋。 8 各種接近探測器和加速度計。 9 提供轉子預載，轉子摩擦，機械松動條件的裝置。 3 圖 1 轉子演示平臺 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軸承座的 位置和橡膠隔震英尺提供足夠的剛性轉子配置。通過比例速度反饋算法，使電機轉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)據反饋之前轉子在兩個面之間 個速度的提高實驗確定轉子的臨界轉速。圖 到 100赫茲的響應。第一共振轉子模式被確定在約 80 800轉。轉子運行持續(xù)在 40赫茲的平衡條件確定了敏感性轉子變化的條件。 圖 2 轉子反應 0據采集與數(shù)據庫開發(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 到神經網絡分類器的參數(shù)是每轉速轉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網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)據庫。數(shù)據庫中清單的輸入輸出如下。 轉子動力學有限元模型 一份詳細的示 范轉子演示系統(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子操作和訓練神經網絡分類器。 有限元為基礎，并包含一系列的前置程序，以促進網格生成。有限元模型預測整體轉子振動特征以及當?shù)卣駝討Φ燃?。轉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子的應力分布和反應力。這些壓力是由在轉子，軸承，密封件等中許多不合格的部分導致的。隨著轉軸部分壓力預測， 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。 轉子演示裝置的有限元模型是開發(fā)和相關實驗的結果。該模型是作為一種額外的信息來源來加強神經網絡的培訓。特別是，該網絡受到模式的訓練，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 第一個關鍵轉子計算模式 神經網絡的描述和發(fā)展 本文中開發(fā)的 神經網絡架構作為信息收集 /處理的樞紐，并獲悉采用了實驗和分析數(shù)據轉子演示裝置的條件的診斷。 內部互連擬議神經網絡架構的制定是在被神經網絡處理的大量數(shù)據基礎上。這是類似于在該系統(tǒng)的 “大腦 ”大量的神經細胞上建模，以用于特定網絡。在整個網絡更多的神經元的使用，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。為了檢查不同的網絡設計哲學的敏感性和準確性，開發(fā)了兩個主要的神經網絡架構。 單一網絡架構 。單一的網絡配置發(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)是這種單一的神經網絡結構類型的一個代表。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 單一的神經網絡結構 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（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。示范轉子系統(tǒng)使用一個轉子詳細的有限元模型特別是轉子條件計算軸彎曲應力和軸承力。這樣做的結果是神經網絡（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)點診斷轉子摩擦和軸承游隙問題的概率和結構支撐松動。 7 分解的網絡架構 。分裂的多層網絡架構已開發(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。然而，在這種情況下，新的網絡配置是分成更小，更專業(yè) 單位。圖 圖 5 分解的神經網絡結構 這個新的網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) 結構 /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 在第二層頂端的網絡架構決定具體關于磁盤 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號上網絡結構在第二層診斷出一個不平衡狀況。對于與磁盤第 1號相關的診斷網絡輸出節(jié)點的細節(jié)都是相同的。 第二層的第三個網 絡是用來確定整個耦合任何失調的嚴重性和程度。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。 神經網絡的訓練和咨詢 訓練神經網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重和閾值。訓練神經利用兩個無人看管和監(jiān)督程序實施。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生的目標。神經網絡變量（權重和閾值）自我調整，以產生這一目標產量。在這個 項目中利用這兩個培訓程序的結合，以實現(xiàn)理想的網絡準確性。 一旦建設內部結構的網絡，它們接受基于實驗案例歷史和來自轉子動力學計算機模型衍生的輸入 /輸出對的訓練。發(fā)展這個包含神經網絡輸入 /輸出的培訓模式的數(shù)據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， 網絡權重和閾值被修改，集束中心被確定了。通過調整聚類中心半徑值控制形成的集群的數(shù)量。培訓過程結束后，該網絡可與任何已知 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)則網絡結構。訓練集用來指定目標產出應導致輸入模式，以及自動學習網絡的參數(shù)設置（重量和閾值），它將產生此期望輸出。在這學習過程中，網絡學習一套單一的網絡參數(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，該網絡能夠歸納并為任何輸入模式創(chuàng)造適用于網絡的適當?shù)妮敵瞿Ｊ?。在狀態(tài)監(jiān)測中應用中利用神經網絡是此屬性的主要優(yōu)勢。 特定的網絡訓練和咨詢 。這兩個網絡架構以同樣的 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。培訓模式網絡數(shù)據庫側重于診斷不平衡條件、失調、軸承反應力和軸壓力。作為一個例子，實驗數(shù)據收集平臺，以訓練神經網絡來區(qū)分失調和不平衡狀態(tài)的區(qū)別。這兩個條件展示了轉速振動特性。相角度測量對于網絡作出這一區(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 不平衡度變化只產生了極少 轉子系統(tǒng)所施加的實際的限制內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生的結果（大約每 1/2小時）產生穩(wěn)態(tài)軸彎曲應力和軸承反應力。與實測數(shù)據相結合，使用這些數(shù)據建立數(shù)據庫的培訓模式。 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合壽命中的計算， 這是基于應變振幅和逆轉數(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 ε，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，第一任期內的一個彈性應變和第二個任期內代表塑性應變。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應變周期數(shù)量。由此產生的數(shù)據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，預測到裂紋產生。 11 軸和軸承壽命結果 。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果中看到不平衡狀態(tài)下與轉子啟動 /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)驗證和結果 幾個適用于實驗室的轉子系統(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，使用神經網絡調查輸出的百分率完成神經網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)據的比較就產生了。 表 1中為網絡配置隨機挑選的 12個測試案件給出了結果。從培訓過程中 12 未使用的一組轉子平衡 /對齊條件下選定每個測試案例。在表 1第一欄描述了種 子或實際過失條件對轉子系統(tǒng)的演示。第二欄給出了從單一網絡架構產生的結果。第三欄給出了使用作為適用于單一網絡架構的同一轉子測量提供的分解網絡架構產生的結果。 分解網絡結構的劃分比全包容型網絡更準確。用任一網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。 結論 使用的微型轉子系統(tǒng)證明了以神經網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。轉子系統(tǒng)遭到幾個不同的機械故障的影響其中包括：質量不平衡，錯位，轉子摩擦，和結構松動，以便檢測利用神經網絡技術監(jiān)測旋轉機械的好處。在第一階段項目中開發(fā)的神經網絡分類器，能夠根據從桌面系統(tǒng)得到的有關振動測量準確地診斷機械故障。此外，神經網絡所提供的診斷結果證明了對部件壽命估測的算法。特別是，在訓練后使用轉子動態(tài)有限元模型和系統(tǒng)測量的結果的診斷網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，使用轉子系統(tǒng)的測量和詳細的有限元模型培訓診斷神經網絡分類器的概念被顯現(xiàn)。該轉子動力學有限元模型， 用于訓練診斷網絡認識故障模式及其在軸和軸承應力中產生的影響。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，神經網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。在這個項目中轉子動力學使用計算得到的感知數(shù)據的結果證明每個數(shù)據源的最有效利用。 最后，根據這一計劃開發(fā)的兩個主要的分類診斷網絡對構架的敏感性和 13 準確度進行審查。毫不奇怪，一直以來分解網絡構架比全包容型的結構在診斷故障的細節(jié)上更準確。換言之，在分解網絡中更多的專用小規(guī)模網絡構架為具體的故障診斷提供了一個更好的 “調諧器 ”，比如在錯位情況下不平衡相位角和異常的偏移量。使用任一個網絡配置對不平衡、失調等總體故障進行精確的診斷。目前，用于旋轉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．神經網絡計算雜志，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)展的根本原因調查 ”．調查報告 [6] B． 1989． “ ．