高位神经网络外文翻译文献Word文档格式.docx
- 文档编号:14232947
- 上传时间:2022-10-20
- 格式:DOCX
- 页数:7
- 大小:44.11KB
高位神经网络外文翻译文献Word文档格式.docx
《高位神经网络外文翻译文献Word文档格式.docx》由会员分享,可在线阅读,更多相关《高位神经网络外文翻译文献Word文档格式.docx(7页珍藏版)》请在冰豆网上搜索。
关键词:
等级制度的诊断网络;
旋转机械;
故障诊断;
神经网络
引言
近年来,越来越多故障诊断理论、方法和战略,并且为大规模旋转电机进行定量方法的提议受到了关注。
例如统计样式分类方法,系统基于证明的参量模型方法,等等。
但这些方法总使模型和广泛的演算复杂化。
人工神经网络(ANN)技术由于它的并行处理的,联想记忆,自已组织的,自我学习和非常强的非线性映射的能力,所以在故障诊断上很有潜力。
特别地,神经网络的能力应付高维度样式分类和非线性样式故障诊断分类方面是重要的。
作者在这个主题发表了许多论文。
作为样式分类的方法,标准多层前向反馈神经网络决策空间以超平面和决定地区,形成的总是无边际的,可能导致不够精确的推测。
虽然使用椭球状单位要克服高位神经网络这个局限,但是对于故障诊断应用方面是有用。
所以在本文椭球状单位网络被描述,初始化方法为hyperellipsoids,并且训练算法也被描述。
一个等级制度的人工神经网络(HDANN)为旋转电机的众多个故障进行诊断和测试结果。
1.1网络结构
EQ是定义的椭球状单位。
一个单位可能达到令人满意的估计,并且网络包括线性输入装置和椭球状输出装置二层数。
每个暗藏的单位只连接到一套输出装置,并且每套输出装置有紧密的暗藏的单位。
就特点传染媒介而论,是从原始数据得到的特征,而提取的数据是从旋转电机中得到的,其网络图形如图1表示。
在这网络中每个输入单位一起连接到每个隐藏的单位二个压重上。
分别地,在相应的尺寸上决定了椭圆体的主要轴的中心共纵线和长度。
图1网络结构
1.2HDANN在多个故障诊断中同时应用
在旋转电机典型的众多故障中,例如失配、摩擦、轴裂缝、不同心、油旋转、摩擦旋转、轴承不精确性和他们的双重和三倍缺点等,均在这个部分被考虑进去。
1.3故障数据
在测试装备电动子中得到的各种各样的错误数据来说明其物理缺点。
滑动轴承支持电动子,并且数据在轴承中使用的位移传感器,在水平和垂直的方向进行收集。
电动子以3000转每分钟的速度运转。
在采样期间,以1.6千赫的取样频率收集数据,并且在每1024点时候进行抽样收集。
研究表明,如果输入空间是高幅员,特别当少量训练数据是可利用的时候,这样会严重削弱网络的推断能力。
然而,在条件监测应用中,用大量故障数据是极端罕见的。
这里用于应付这个问题的方法是假设增加随机噪声的训练样品,从而训练出比较精确的结果,并且使用这种方法,200个小组样本分为七个类型的故障来生成,训练和测试网络结构。
1.4网络训练
所有子网络为椭球状单位网络和八套输入装置,各种各样的子网络输出装置的数量是根据故障的进行分类的,这样是正确的。
每个子网络独立地,从200个样式任意地选择的100个小组样式,使用了以上学习算法进行训练。
1.5网络测试结果
测试的过程中,在训练期间没使用的断层类型而被使用了。
因此样式的总数为测试的7个100唯一断层类型、21个100双重断层类型和35个100三倍断层类型。
可能的故障总数是63。
所以,测试结果如下所示:
1.作为唯一断层类型,最后的诊断结果1。
正确诊断的百分比是99.6%。
2.作为双重断层类型,最后的诊断结果2。
正确的百分比是98.9%。
3.为三倍断层类型,最后的诊断结果3。
正确诊断的百分比是96.4%.
分析以上不正确诊断的发生原因,我们发现三倍缺点类的数量是太大,并且有些类群很接近对应的群,而形成了hyperellipsoids重叠。
如果测试图形卡在重叠的区域,HDANN可以给不正确结果。
在实际应用,只要知道了断层类型就可以从真正的情况中增加再训练的子网络,并且能达到更高的诊断准确性。
概要
椭球状单位网络划分输入空间与hyperellipsoids形成一定决定地区。
这对于故障诊断的应用是一个适当的选择。
对于这样的网络,一个等级制度的诊断方法能同时为多个故障诊断是可实行的。
参考文献
[1]DudaRO,HartPE.PatternClassificationandSceneAnalysis,Wiley,NewYork,1973
[2]WatanabeK,HimmelblauDM.Faultdiagnosisinnonlinearchemicalprocess:
Theory.AIChEJ1983;
29:
243–250
[3]VenkatasubramanianV,ChenK.Aneuralnetworkmethodologyforprocessfaultdiagnosis.AIChEJ1989;
35(12):
1993–2002
[4]YanTinghu,ZhongBinglin,HuangRen.Neuralnetworktechniqueanditsapplicationinfaultdiagnosisforrotatingmachines.JVibrationEng1993;
6(3):
205–211
[5]MacIntyreJ,JenningsI.Conditionmonitoringsoftwarethatthinksforitself.ProcMAINTEC97InternationalMaintenanceConference,Birmingham,UK,1997
[6]MacIntyreJ.Neuralnetworksinconditionmonitoringjustanotherfad?
Proc5thInternationalConferenceonProfitableConditionMonitoring,Harrogate,UK,1996
[7]LeonardJA,KramerMA.Limitationsofthebackpropagationapproachtofaultdiagnosisandimprovementwithbasisfunctions.AIChEAnnualMeeting,Chicago,IL,1990
[8]KavuriSN,VenkatasubramanianV.Representingboundedfaultclassesusingneuralnetworkswithellipsoidalactivationfunctions.ComputersinChemicalEng1993;
17
(2):
139–163.
[9]KavuriSN,VenkatasubramanianV.Usingfuzzyclusteringwithellipsoidalunitsinneuralnetworksforrobustfaultclassification.ComputersinChemicalEng1993;
17
(2):
139–163
[10]PaoY.AdaptivePatternRecognitionandNeuralNetworks,Addison-Wesley,NewYork,1989
[11]HrycejT.ModularLearningNeuralNetworks.Wiley,NewYork,1992
[12]HolmstromL,KoistinenP.Usingadditivenoiseinbackpropagationtraining.IEEETransNeuralNetworks1992;
3
(1),24–37
[13]BishopC.NeuralNetworksforPatternRecognition,OxfordUniversityPress,1995
原文:
HighOrderNeuralNetworksforSimultaneousDiagnosisofMultipleFaultsinRotatingMachines
B.Zhong'
,J.MacIntyre2,Y.He`andJ.Tait2
Abstract:
Toovercomethelimitationsofthestandardfeedforwardneuralnetworks,high-orderneuralnetworks(i.e.ellipsoidalunitnetworks),whichareveryusefulforfaultdiagnosisapplicationsduetotheirboundedgeneralisationandextrapolation,areproposed.Thispaperdescribesthetheoryandstructureofsuchnetworks.Amethodforinitialisinghyperellipsoidsandatrainingalgorithmbasedonthestandardbackpropagationalgorithmareproposed.Utilisingthepropertiesofboundedgeneralisationandextrapolationinherentinsuchnetworks,aHierarchicalDiagnosticArtificialNeuralNetwork(HDANN)basedontheellipsoidalunitnetworkisputforwardwithrespecttosimultaneousdiagnosisofmultiplefaultsonrotatingmachines,whichconsistsofseveralsubnetworksandaimsatdividingalargepatternspaceintoseveralsmallersubspaces.Thesubnetworkscanbetrainedinsubspacesrespectivelyandthewholenetworkiscapableofsimultaneousdiagnosisofmultiplefaults.Finally,typicalfaultdatafromrotatingmachinesaretestedinthenetwork.Theresearchresultsshowth
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 高位 神经网络 外文 翻译 文献
![提示](https://static.bdocx.com/images/bang_tan.gif)