三相異步電動機故障診斷中英文翻譯@外文翻譯@外文文獻翻譯

《三相異步電動機故障診斷中英文翻譯@外文翻譯@外文文獻翻譯》由會員分享，可在線閱讀，更多相關《三相異步電動機故障診斷中英文翻譯@外文翻譯@外文文獻翻譯（19頁珍藏版）》請在裝配圖網上搜索。

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 神經網絡技術的三相異步電動機故障診斷 摘要： 異步電機故障診斷在工業(yè) 中十分重要 ，因為需要提高可靠性和降低 由于 機器故障 造成的生產 損失。由于環(huán)境壓力和許多其他 的 原因 使 異步電動機發(fā)生不同的故障。許多研究者提出了不同的故障檢測和診斷技術。然而，目前許多 技術 需要提供良好的專業(yè)知識才能在 應用中獲得成功。更簡單的方法是 可以 使 用 相對不熟練的操作在 不需要診斷專家仔細考察數據和診斷問題的情況下做出可靠的判斷 。本文 提出了 簡單，可靠，經濟的 基 于 神經網絡（ 的 故障分類，其中電機定子電流作為輸入信號。 從 定子電流 中 提取 13 個參數 并使用 擇合適的輸入。 數據來自于特別設計的 2馬力、 4極 50了 分類，如 神經網絡像 基于 別分析 歐進行了驗證。 對噪聲分類器的魯棒性的驗證，也通過在輸入和輸出引進高斯和統一控制進行了驗證。 關鍵詞： 異步電動機，故障診斷， 別分析， 異步電機 作為主驅動設備 在生產 、 工業(yè)和運輸中由于其可靠性和 結構 簡單發(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 發(fā)生故障和 意外停機 ，造成很大的損失。 因此， 它 們需要不斷的關注。感應電動機的故障不僅會導致產品的運作中斷，而且增加成本，降低產品質量，影響操作人員的安全。如果 延長 異步電機壽命和提高生產線效率，這將 花費更少 的生產費用， 使 終用戶 可以以 更低的價格 購買 。為了保持機器的狀態(tài)良好，一些技 術 ， 如 故障監(jiān)測，故障檢測和故障診斷變得越來越重要。感應電動機的最常見的故障是軸承故障，定子繞組故障，轉子斷條或氣隙 不合理 。 本研究的目的是發(fā)展一種替代人工神經網絡的早期故障檢測計劃，克服在這個 方案 上的局 限 性 ，目前的 方法很 昂貴，對于大型電動機適用，而且許多設計參數要求，特別是涉及到長時間運作的機器，這些參數不能提供方便。相對于現有的 方案 ，這項 方案 很簡單，準確，可靠和經濟。這項研究工作是基于實時數據等，提出基于神經網絡分類器顯示一個真正的產業(yè)狀況的實際可行性。 本文提出四個不同神經網絡結構在與各種各樣的表現，并且達到 100%分類準確性。 如圖 出的故障檢測和診斷計劃包括四個步驟： 收集與采集 在 本 中最 常見的故障，即定子繞組匝間短 路 （ 1），轉子動態(tài)偏心（ E）和 二者皆有（ B） 。 圖 1 一般結構圖 用于實驗和數據生成而特別設計的 2 馬力，三相，四極， 415V， 50 異步電動機已選好。所做實驗設圖 2所示。 圖 2 實驗裝置 調整彈簧秤和傳送帶改變馬達的裝載。三 個 交流電流探針，用于測量定子測試故障診斷系統的電流信號。 最大使用頻率信號是 5 抽樣的數據的數量是 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 定子電流實驗波形 有必要得出一個根據提取特征判 斷分類故障的方法。為了對不同的故障，使用了統計參量。 確切地說，對當前的數據 進行統計將會得出樣品資料 。全部 13 個參數作為輸入特征計算。 考察的 最小 統計量 包括平均信號（這 里 是標準差）的均方根（ 最高和最低值的偏斜系數和峰度系數。皮爾遜的 偏斜 系數， 2g 定義為： 32?? （ 1） 其中 x 表示 平均值， x 表示位數 ，樣本變化參數 義為： （ 2） 數據的樣本平均數在 樣時刻的值為： ?? 1)( （ 3） 2m 表示中心的范圍， 3m 是指對中心偏度 ； 4m 表示中心集合的數據數量。其次，第三和第四的時刻是用來定義樣本偏度系數的3g 如下： ? ?3233 （ 4） ? ?4244 （ 5） 尺寸之間的樣本協方差 j和 )1())((1??????6） 普通關聯系數 j 和 k ， （ 7） 在將一個特征送入分類器前， 最 明顯的 故障提供相關的信息優(yōu)勢，應 從 設置功能 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（ 術用于從原來的 特征中選擇最優(yōu)的特征 。主成分（ 計算由皮爾遜規(guī)則 完成 。圖 4 與 一個數學對象有關 ，即 特征值，這 個特征值 反映了從 13 個 維到一個較低維的 投影質量。 圖 4 主成分，特征值和百分比變化 （ 1）基于多層感知器神經網絡分類器 簡單的多層感知器（ 經網絡，作為一個故障分類。四個處理單元輸出層中使用的電機 有 四個條件，即 合理 ，匝間故障，偏心 這兩種故障。如 圖 5 所示的結果，選擇 5個項目合作安排為輸入，因此在輸入層 。 圖 5(a)微型和小型企業(yè)的平均變化對培訓和電腦的數量作為輸入 圖 5(b)變異的平均分類精度對測試的測試數據，培訓資料，并與電腦的數量作為輸入數據 將 隨機數據輸入到神經網絡，并已培訓了 5 倍不同的隨機初始化重量，以消除偏置，并確保真正的學習和不同的隱藏層的 推廣。 研究表明 ,這種方法用單隱層可提供較好的性能。這個數目的處理單元 (隱層是多種多樣的。 該網絡進行訓練最小均方誤差為 5時獲得 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 、學習規(guī)則 ，即原動力、 共軛梯度 、快速傳播，進行訓練驗證要按步驟進行，交叉驗證測試最小均方誤差與平均分類精度的訓練和變異系數數據集進行了比較。 結果表明，雙曲正切傳遞函數和學習規(guī)則的勢頭給予最佳的成果。 最后 ,利用上述試驗 ,該神經網 分類器設計 ,規(guī)格： 數字的輸入 ,以隱藏層個數 :1； 在隱層處理單元數目： 04; 隱藏層： 雙曲正切函數 學習規(guī)則：動量 步驟： 6 動量： 輸出層： 雙曲正切傳遞函數 學習規(guī)則：動量 步驟： 動量： 接權數： 44 所需培訓的時間： 2） 基于神經網絡支持向量機分類器 支持向量機 (一種新的有兩個概念的分類器。首先，進入一個高維轉換可將復雜的問題轉換為更簡單的問題，可以使用線性判別函 數。其次，支持向量機的動機是基于概念的基礎上 ,利用投入訓練 ,只用那些在它們的表面附近最大限度的信息分類。它可以擴展到多個級別，支持向量機的訓練總是尋求一個全面性的優(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： 對于 N 維空間數據 ,該算法可以輕易ix(i =1… N)延伸到網絡代替的內積空間的輸入核函數 ,從而導致下列二次優(yōu)化問題。 ? ?? ? ?? ??? j i 1 21 )2,(21)( ????? （ 8） 限制條件為 01???Ni ? ?.. ???? （ 9） 其中 ? ?2,?一個高斯函數， i?是一個乘數集（每個樣品 1個 ） ????? Ni )2,(()( ?? （ 10） 及 )(（ 11） 選擇一個常見的起始乘數i?、學習速率 ? ,和一個小的閾值。然后，當 M>t,我們選一個模式)(1(ii ? ??，執(zhí)行校驗。 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 )。這是很容易實現核算法從 )(法各局部乘數 , 在輸入文件中可得到所需的反應。事實上 ,表現為多元化 )(所以它可以激活被包括在這個框架中的神經網絡的學習。核心算法是 絡的本質使其輸出測試由： ))2,(s ( 2????? Nv e c to r ss p p o r ?（ 14） 與成本函數的誤差準則 ?? ?1 2))))(,( t a n h ()((21)( i i （ 15） 電腦 的信息都將輸入以及 步長通過檢查平均最低 均方誤差 與平均分類精度 萊 選擇 ， 結果 如圖 7所示。 圖 7(a) 電腦輸入的培訓和變形系數的均方誤差的變化 圖 7(b) 電腦輸入的檢測試驗數據、訓練數據、變形系數的平均分類精度的變化 基于支持向量機分類器的設計 ,規(guī)格： 輸入數： 5 步長： 個時間的樣本： 量的連接權： 264 設計分類器進行訓練和測試使用類似 數據和計算結果顯示在圖 8和圖 9 圖 8 最小均方誤差的變化對測試的平均測試數據 ,變形系數 數據和訓練數據的轉移 (n) 圖 9 最小均方誤差變化的平均訓練變異系數多種多樣的集合 (3)分類和樹狀結構 分類 和樹狀結構是特征空間的劃分的過程，是二進制遞歸的數據集。所產生的樹木包括內部節(jié)點和終端節(jié)點或葉節(jié)點。第一階段叫樹的構造 ,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 ,結果顯示如圖 10。研究表明 ,優(yōu)化平均分類精度進行測試的試驗數據分別是 80%。 圖 10(a) 平均分類精度的變化對測試 試驗數據和變異系數數據的方法與措施 圖 10(b) 平均分類精度的變化對測試 試驗數據和變異系數數據與深度的樹狀結構 （ 4）判斷分析 判別分析對一組觀察數據進 行預定義的技術。 其目的是要確定一個觀察 組 作為一個已知輸入變量或預測變量的基礎。 該模型建立了一套已知的觀測數據。該套觀測有時被稱為基于訓練集的培訓，這項技術建立了一套線性函數的預測因子 ,叫做判別函數 ,即???? .. b 是判別系數 ,， x 為輸入變量或預測因子即 c 為常數。 這些判