附件C：譯文


基于模糊測(cè)量和模糊積分融合技術(shù)的機(jī)械故障診斷

Xiao feng Liu, Lin Ma, Joseph Mathew
CRC for Integrated Engineering Asset Management, School of Engineering Systems, Queensland University of Technology,
GPOBox2434, Brisbane QLD 4001, Australia

摘要：模糊測(cè)量和模糊積分理論是有傳統(tǒng)的測(cè)量理論派生出來(lái)的一個(gè)新理論，它把標(biāo)準(zhǔn)和它們之間的相互作用考慮了進(jìn)來(lái)，而且在分類等應(yīng)用上有很好的潛力。本文介紹了一種新穎的用模糊測(cè)量和模糊積分對(duì)機(jī)械故障診斷的數(shù)據(jù)融合方法它包括特征層數(shù)據(jù)融合模型和決策層數(shù)據(jù)融合模型，模糊c方法分析思想也被用來(lái)識(shí)別特征組和故障原型之間的關(guān)系來(lái)建立特征和給定故障之間的標(biāo)識(shí)。我們使用了滾動(dòng)軸承和電馬達(dá)來(lái)是模型生效，記錄的信號(hào)和之后的特征和使用模糊測(cè)量和模糊積分?jǐn)?shù)據(jù)融合技術(shù)的決策層結(jié)合體包含了不同的特征來(lái)得到診斷結(jié)果。最終結(jié)果表明計(jì)劃的方法在軸承和馬達(dá)故障診斷中表現(xiàn)優(yōu)異。
關(guān)鍵詞：模糊測(cè)量，模糊積分，模糊c方法，數(shù)據(jù)融合，故障診斷

1介紹
現(xiàn)代機(jī)械復(fù)雜性的快速有快速增加的態(tài)勢(shì)，而由此帶來(lái)的對(duì)可靠性，實(shí)用性安全性和經(jīng)濟(jì)性的要求也與日俱增，因此基于狀態(tài)的維修（CBM）逐步成為機(jī)械維修策略的主流。有效的CBM只能在適當(dāng)精確的診斷預(yù)測(cè)中才能實(shí)現(xiàn)，而且故障診斷和預(yù)測(cè)對(duì)基于外出站信號(hào)處理算法的多參數(shù)數(shù)據(jù)解釋有很強(qiáng)的依賴性。
統(tǒng)計(jì)學(xué)方法、聚類分析、神經(jīng)網(wǎng)絡(luò)、基于模型思想、遺傳算法、混合系統(tǒng)等在機(jī)械環(huán)境監(jiān)測(cè)和故障診斷中不同的方法相繼被采用[1-6]。其中聚類分析是一種可以得到最佳診斷結(jié)果的迭代劃分方法，而在不同的故障模式之間通常沒有可標(biāo)記精確邊界的分類中模糊聚類分析表現(xiàn)得比傳統(tǒng)聚類方法更為實(shí)用——模糊方法可以對(duì)與處理模糊信息類似的非二叉樹的故障圖進(jìn)行分類[7]。
模糊聚類分析方法是把故障類型當(dāng)成模糊的組來(lái)考慮，每個(gè)那個(gè)故障的類型賦值為0或者1被分配給所有成員以達(dá)到描述屬于那個(gè)類的是哪種程度的故障。在對(duì)結(jié)果的C劃分中，模糊C方法（FCM）是最理想的模糊聚類方法，F(xiàn)CM是一種通過(guò)使誤差歸納函數(shù)最小化來(lái)對(duì)聚類中心進(jìn)行迭代計(jì)算的算法，它在被選中的區(qū)域找到了應(yīng)用。如果再聯(lián)系神經(jīng)網(wǎng)絡(luò)，F(xiàn)CM可以被用來(lái)把分割色彩圖片變?yōu)榧兩珔^(qū)域的地方做自動(dòng)確認(rèn)[8]，還能在對(duì)多時(shí)間綜合孔雷達(dá)圖片和干涉測(cè)量的綜合孔雷達(dá)圖的分類中被采用[9]。