外文翻译--使用有限元基神经网络的机器健康检测与寿命管理 中文版【优秀】

本科生毕业设计（论文） 翻译 学生姓名： 学 号： 班 级： 专 业： 机械工程及自动化 指导教师： 1 美国机械工程师学会汽轮机与动力工程杂志 1996年 10月 使用有限元基神经网络的机器健康检测与寿命管理 作者：纽约应力公司 文展示了一种新办法，利用 有限元模型的最新的神经网络技术监测旋转机械的安全性。台式转子演示装置作为一种概念证明工具，在这里得到了应用。该方法通过神经网络把详细的转子动力有限元模型与机械传感测量相融合，对机器进行监测。这种神经网络是经过专门的训练的。与现在的方法相比，这种方法的优势在于它使用一种先进的神经网络。神经网络包含了详细的有限元模型的知识，与系统测量的结果相结合，对机械故障进行诊断，以及对部分应力变化进行精确预测。这种技术需要使用最新的神经网络技术，在 上利用精确的有限元分析对机械故障诊断和部分机械应力进行实时预测。可旋转 组件与有限元基相关的知识内容的实用性在于实时的对部分组件寿命的预测以及对故障精确快速的诊断。 序言 对于旋转机械，最大限度地提高关键部件运行寿命和可用性，同时尽量减少无计划维修停机的危险和灾难性的失败，是所有行业共同的目标。本文介绍了基于有限元的神经系统改善目前的先进的机械健康监测，增加有效的结构组成部分的诊断和监测。特别是神经网络分类器作为一个信息收集和发送的中心被开发，它对转子系统的健康使用实验和分析数据作出准确的决定。该网络观察转子系统监测诊断结构断层，从各种潜在的故障源预测部件。 桌面示范转子被用作 证据的概念工具。传感器的演示装置在适当的地点测量整个转子系统的振幅。从这些测量，神经系统通过神经网络训练的大量详细的有限元模型将诊断断层和预测旋转部分。目前，商业专家系统可用于环境监测，没有旋转部分压力的知识，其只用测量系统的数据。如果没有这些压力的数据，直接计算其余部分状况将非常困难。 2 微型转子台演示神经系统如何用于获得及时的有限元模型结果和机器故障诊断。对旋转轴和反应部队的轴承估计的动态应力证明了有限元模型的能力。网络的诊断能力通过预测磁盘不平衡的地点、程度和阶段、大量的未对准、转子一定程度的摩擦或机械 松动以及轴承间隙的问题变现出来。动应力估算和结构诊断都通过取自轴承位置的振动测量来进行的。本文还显示网络预测非线性动力学应力轴和预测机械故障的能力。 转子演示装置和测量过程 转子系统配置 。桌面转子演示装置是为了展示概念，本文提出了实际的硬件。该演示平台的目的是要作为多功能足以重复各种振动生产的现象存在于所有类型的旋转系统。许多不同类型的振动有关的特征通过不断变化的转子的速度、一定程度的不平衡。轴弯曲、轴摩擦和转子轴承间隙来建立和测量的。由此产生的动态特性通过近距离探头和 /或加速度计来测量，并且通过多通道动态 信号分析仪来处理。 转子配置研究显示图 1。 转子安装由下列部分组成： 1 惠普电机。 2 柔性橡胶联轴器。 3 刚性钢耦合（用户控制源轴偏心） 4 3个球轴承和 3个经向轴承。 5 2个带有平衡重洞的旋转盘。 6 3/8英寸直径 25英寸长钢轴 7 电机调速控制器与闭环反馈。 8 各种接近探测器和加速度计。 9 提供转子预载，转子摩擦，机械松动条件的装置。 3 图 1 转子演示平台 两个滚子轴承支撑电机电枢，而四个含油铜套轴承通过各个联接器和磁盘固定。一个稳固的基础三六英寸铝可调轴承座的 位置和橡胶隔震英尺提供足够的刚性转子配置。通过比例速度反馈算法，使电机转速控制与专用接近探头和齿车轮测得的速度保持一致。 最初，在数据反馈之前转子在两个面之间 个速度的提高实验确定转子的临界转速。图 到 100赫兹的响应。第一共振转子模式被确定在约 80 800转。转子运行持续在 40赫兹的平衡条件确定了敏感性转子变化的条件。 图 2 转子反应 0据采集与数据库开发 。振动测量由大野测器 四通道，数字信号分析仪获得接近探测器和加速度计的 信号处理的条件。实测频率响应转移到个人计算机上，对每阶段的恢复程度和读数进行了测定。请注意，输入 4 到神经网络分类器的参数是每转速转速在所有传感器的位置的幅度（米）和相位（度）。 种子故障通过大规模不平衡磁盘、整个刚性联轴器的错位、轴承座松动和安装轴承引入转子示范系统。在每一个这样的条件下，通过参考关键相位，从四个邻近探针测得的结果来确定每个传感器的规模和阶段。具体的规模和相位的测量与在神经网络培训程序中所使用的特定的输入输出对被登录到一个数据库。数据库中清单的输入输出如下。 转子动力学有限元模型 一份详细的示 范转子演示系统是使用在 程序称之为 子动力学分析）。这个电脑项目是用来模拟转子操作和训练神经网络分类器。 有限元为基础，并包含一系列的前置程序，以促进网格生成。有限元模型预测整体转子振动特征以及当地振动应力等级。转子的一般几何形状在开始规定成代码，允许选择预处理程序（和输入指令）进行发展。 有一个有限元模型为基础的诊断制度的附加价值是它提供了一个非常准确的转子的应力分布和反应力。这些压力是由在转子，轴承，密封件等中许多不合格的部分导致的。随着转轴部分压力预测， 一种自动化的寿命分析算法将能够确定在任何损害的条件下的预期寿命。 转子演示装置的有限元模型是开发和相关实验的结果。该模型是作为一种额外的信息来源来加强神经网络的培训。特别是，该网络受到模式的训练，以确定在关键的机械部件上动态压力，使之将能够作为诊断输出计算其余部分状态。图 3显示的是与有限元模型相关的第一个关键模式。请注意密切测量和计算第一个关键模式之间的协议。这个模型，用于计算包括非平衡和错位在内的各种运行条件下轴上动态应力和轴承反应力。 5 图 3 第一个关键转子计算模式 神经网络的描述和发展 本文中开发的 神经网络架构作为信息收集 /处理的枢纽，并获悉采用了实验和分析数据转子演示装置的条件的诊断。 内部互连拟议神经网络架构的制定是在被神经网络处理的大量数据基础上。这是类似于在该系统的 “大脑 ”大量的神经细胞上建模，以用于特定网络。在整个网络更多的神经元的使用，更大的空间的解决方案将用于推广一个系统的行为。为了这个项目，开发了一些多层、前馈网络，开发中使用反向传播算法以便尽量减少错误的信号。为了检查不同的网络设计哲学的敏感性和准确性，开发了两个主要的神经网络架构。 单一网络架构 。单一的网络配置发展首先利用四个轴承振 动输入测量（包括幅度和相位）。一个关于为了改善训练精度和时间而使用增强功能的实践的讨论稍后给出。使用一个包括 24 个节点的隐层增加 “灵活性 ”的网络。如果运用得当，隐层可以提供在复杂的、线性的和非线性的培训模式之间更精 6 确的相互关系。网络的输出层包括 14个节点。图 4和其相应的输入 /输出参数是这种单一的神经网络结构类型的一个代表。请注意，由于空间限制， 24个输入和隐层节点减少到适合页面的大小。 图 4 单一的神经网络结构 输出层第 6节点用于确定：（ 1）可能存在的不平衡的概率，（ 2）不平衡的规模的确定（ 3）在非平 衡磁盘上的不平衡阶段位置。下两个输出节点确定整个刚性耦合上是否存在错位。有错位的概率随着偏移的程度确定的。 网络的 4 个输出节点专用于 “虚拟 ”遥感。虚拟遥感指使用有限元模型通过直接遥感数据（如轴承位移）的匹配模式间接测量参数如轴压力或轴承力，得到一个不可测量参数的精确尺寸。示范转子系统使用一个转子详细的有限元模型特别是转子条件计算轴弯曲应力和轴承力。这样做的结果是神经网络（训练有素的测量和有限元模型），它能够在现实 “虚拟 ”遥感压力和反应力在特殊组成部分上，而不必实际安装了应变计或力传感器板上。输出层上最后两个 节点诊断转子摩擦和轴承游隙问题的概率和结构支撑松动。 7 分解的网络架构 。分裂的多层网络架构已开发使用了同样的四个轴承振动输入测量（包括幅度和相位）作为以往的架构。然而，在这种情况下，新的网络配置是分成更小，更专业 单位。图 图 5 分解的神经网络结构 这个新的网络配置的第一部分诊断严重故障条件 (1) 1号磁盘上的不平衡， (2) 2号磁盘上的不平衡， (3) 整个刚性耦合错位， (4) 轴承磨损或清除的问题， (5) 结构 /机械松动问题。第二层采用了相同的轴承振动的投输入，以确定有关特别 确定故障的不平衡和 /或失调的具体等级，而不仅仅是提供关于轴上力和轴承径向力的重要的 “虚拟遥感 信息。 8 在第二层顶端的网络架构决定具体关于磁盘 1号不平衡的故障细节。第一个输出节点确定了那个不平衡的严重性。 输出值的严重程度从 0到 1， 1代表最严重的状况。第二个和第三个输出节点确定不平衡状况的规模和阶段，以便在任何时候可采取措施进行纠正。诊断不平衡的严重性是不断监测和跟踪，以确定情况恶化。在磁盘 2号上网络结构在第二层诊断出一个不平衡状况。对于与磁盘第 1号相关的诊断网络输出节点的细节都是相同的。 第二层的第三个网 络是用来确定整个耦合任何失调的严重性和程度。严重性值介于 0和 1之间，如同以往情况下，失调偏移量以米为单位表示。在振动模式下第二层的最后一个网络的致力于其在传感器的位置 “虚拟 ”感知的最大轴力和轴承反作用力。 神经网络的训练和咨询 训练神经网络的过程中涉及在许多互连之间的输入和输出层之间的评估权重和阈值。训练神经利用两个无人看管和监督程序实施。在无人监督的培训被用来把输入模式分来，以便处理大批使用的训练模式。监管培训技术用于指定从输入模式产生的目标。神经网络变量（权重和阈值）自我调整，以产生这一目标产量。在这个 项目中利用这两个培训程序的结合，以实现理想的网络准确性。 一旦建设内部结构的网络，它们接受基于实验案例历史和来自转子动力学计算机模型衍生的输入 /输出对的训练。发展这个包含神经网络输入 /输出的培训模式的数据库代表本文的努力一个主要部分。 非监督训练 。鉴于了一套培训模式，一个无监督学习的算法将自我组织输入模式到模式群也称为集群。基于欧几里德距离相似性度量，有大量的模式可分为几组。在培训过程中， 网络权重和阈值被修改，集束中心被确定了。通过调整聚类中心半径值控制形成的集群的数量。培训过程结束后，该网络可与任何已知 或未知输入模式相接。 9 监督训练 。监督学习，而不是无监督学习，这利用成对的相关输入 /输出模式。这一方法通常与错误的反向传播使用的是广义德尔塔规则网络结构。训练集用来指定目标产出应导致输入模式，以及自动学习网络的参数设置（重量和阈值），它将产生此期望输出。在这学习过程中，网络学习一套单一的网络参数，这些参数能满足所有的培训的输入 /输出对。学习是并不完美，但最小均方错误的基础上是最佳的。在咨询模式中，该网络能够归纳并为任何输入模式创造适用于网络的适当的输出模式。在状态监测中应用中利用神经网络是此属性的主要优势。 特定的网络训练和咨询 。这两个网络架构以同样的 232输入 /输培训模式进行了培训，它们是从实验测量和有限元模型分析设计的。培训模式网络数据库侧重于诊断不平衡条件、失调、轴承反应力和轴压力。作为一个例子，实验数据收集平台，以训练神经网络来区分失调和不平衡状态的区别。这两个条件展示了转速振动特性。相角度测量对于网络作出这一区别显然非常重要的。 为了识别数量的微小变化和施加不平衡力的阶段，推导出大部分的训练集。由于这一事实，即关键相位信号只精确到 10度的变化，在被施加的不平衡力上每 确定不平衡的地点。由于 不平衡度变化只产生了极少 转子系统所施加的实际的限制内这个值被用来作为最好的决议。 在众多的不平衡力和轴偏心条件下该转子动力学有限元模型广泛应用。针对这些迫使条件，从每个运行的有限元模型产生的结果（大约每 1/2小时）产生稳态轴弯曲应力和轴承反应力。与实测数据相结合，使用这些数据建立数据库的培训模式。 组件寿命累积 疲劳寿命算法的开发是利用了实测轴压力和轴承反应力，以此为基础计 10 算疲劳萌生寿命。在不考虑裂纹扩展情况下，该算法 的估计裂纹发生所需的时间。诺伊贝尔的规则是用来计算真实应力和应变的裂纹萌生区域。摩洛的方法是将应力的结合寿命中的计算， 这是基于应变振幅和逆转数目。 应变寿命方程 。局部的应变方法是从给定的应力状态和材料的疲劳性能用来计算总应变 ，包括弹塑性组成部分： 2(/)2)( 其中 是真正的平均应力或真正稳定的压力，和右边的 方程，第一任期内的一个弹性应变和第二个任期内代表塑性应变。该方程是为了基于循环应变的方法来预测疲劳而建立的，这就是所谓应变寿命方程。 循环计数和累积损伤 。根据光谱载入中，动态应变条件下，在关键位置的部分可能有非常复杂的波形。在处理这种情况的几个程序中，雨流循环计数程序是众所周知的。简单地说，这程序包括把复杂的波形划分成有序的简单循环，然后清点某一特定应变范围内应变周期数量。由此产生的数据与在这样的压力水平下测试的材料的疲劳寿命相比较，以确定损害程度的程度。最有名的累积损伤评估程序是 中指出， 累积损伤等于在各种应变范围内增量破坏总和： 1这个程序是用于疲劳寿命算法。发生在某一应变等级的循环次数 个应变等级内故障循环数目 是从应变寿命方程。在此应变水平下损坏部分变成了 n/N。在此定律中求和方程表明，累积损伤是由所有现有的应变等级下产生的损害部分的总和。因此，当累积损伤是等于或大于 1时，预测到裂纹产生。 11 轴和轴承寿命结果 。在图 6给出了从用于评估轴和轴承生命的疲劳寿命算法中推出的一 个例子。在图上方给出简要的轴疲劳寿命，而轴承寿命在下方给出。人们可以从轴寿命计算结果中看到不平衡状态下与转子启动 /停止循环相关的低循环疲劳导致了轴疲劳。另一方面，轴承寿命被高周疲劳与转子速度所主导。这种现象是由于这样一个事实，即在不平衡力下的轴运动，而与不平衡振动相关的力量固定了套筒轴承。在这个例子中， 不平衡力量太低，无法产生任何重大损害。 但是，基于 图 6 输出轴疲劳算法 系统验证和结果 几个适用于实验室的转子系统、涉及种子故障条件的参数进行了试验。正如以前 所讨论的，使用神经网络调查输出的百分率完成神经网络诊断输出和种子故障之间的比较。例如， 如果在 1号磁盘上施加大规模的不平衡，则网络诊断输出应该是 “1号磁盘完全不平衡 ”。然而，这个百分比从来都不是百分之百准确。因此，不确定性的措施可在此基础上计算。本文件中，通过网络把具体的故障诊断与实际的种子故障状态进行比较。此外，在实的测轴应力和那些通过有限元模型预测的数据的比较就产生了。 表 1中为网络配置随机挑选的 12个测试案件给出了结果。从培训过程中 12 未使用的一组转子平衡 /对齐条件下选定每个测试案例。在表 1第一栏描述了种 子或实际过失条件对转子系统的演示。第二栏给出了从单一网络架构产生的结果。第三栏给出了使用作为适用于单一网络架构的同一转子测量提供的分解网络架构产生的结果。 分解网络结构的划分比全包容型网络更准确。用任一网络配置总是正确的诊断总体的故障（即不平衡、不对中、轴承、机械松动）。然而，使用较小的专用的网络诊断故障细节问题（即规模和相位不平衡或一定程度的错位）更准确。这个趋势在降低网络复杂性和需要确定故障细节的一些培训模式基础上是可以理解的。 结论 使用的微型转子系统证明了以神经网络为基础的健康检测，它执行机械的诊断 和组件寿命的预测。转子系统遭到几个不同的机械故障的影响其中包括：质量不平衡，错位，转子摩擦，和结构松动，以便检测利用神经网络技术监测旋转机械的好处。在第一阶段项目中开发的神经网络分类器，能够根据从桌面系统得到的有关振动测量准确地诊断机械故障。此外，神经网络所提供的诊断结果证明了对部件寿命估测的算法。特别是，在训练后使用转子动态有限元模型和系统测量的结果的诊断网络对轴应力和轴承力进行预测。 在可使用状况监测应用中，使用转子系统的测量和详细的有限元模型培训诊断神经网络分类器的概念被显现。该转子动力学有限元模型， 用于训练诊断网络认识故障模式及其在轴和轴承应力中产生的影响。这种轴应力和轴承径向力实时、 “虚拟 ”传感使组件寿命监测及时完成。换句话说，神经网络识别特定的震动标示以及与其相关的轴应力的能力具有特别重要的意义。在这个项目中转子动力学使用计算得到的感知数据的结果证明每个数据源的最有效利用。 最后，根据这一计划开发的两个主要的分类诊断网络对构架的敏感性和 13 准确度进行审查。毫不奇怪，一直以来分解网络构架比全包容型的结构在诊断故障的细节上更准确。换言之，在分解网络中更多的专用小规模网络构架为具体的故障诊断提供了一个更好的 “调谐器 ”，比如在错位情况下不平衡相位角和异常的偏移量。使用任一个网络配置对不平衡、失调等总体故障进行精确的诊断。目前，用于旋转机械以知识为基础的专业系统只能够诊断这些显著的故障。有关这些故障的具体的细节没有考虑。 参考资料 1 H. 1990年神经计算的介绍查普曼和霍尔出版社，纽约 , 2 W. E., E. L., M. 1989发动机故障实时诊断神经网络计算杂志，第二卷， 1989 3 C. A., 1991分析和替代 4 C 1993. 引擎寿命监测 ,性能趋势以及诊断 . 5 1993 “先进软件的发展的根本原因调查 ”调查报告 6 B 1989 “