[2018年最新整理]基于模煳测量和模煳积分融合技术的机械故障诊断[外文翻译].docVIP

附件C：译文 基于模糊测量和模糊积分融合技术的机械故障诊断 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：模糊测量和模糊积分理论是有传统的测量理论派生出来的一个新理论，它把标准和它们之间的相互作用考虑了进来，而且在分类等应用上有很好的潜力。本文介绍了一种新颖的用模糊测量和模糊积分对机械故障诊断的数据融合方法它包括特征层数据融合模型和决策层数据融合模型，模糊c方法分析思想也被用来识别特征组和故障原型之间的关系来建立特征和给定故障之间的标识。我们使用了滚动轴承和电马达来是模型生效，记录的信号和之后的特征和使用模糊测量和模糊积分数据融合技术的决策层结合体包含了不同的特征来得到诊断结果。最终结果表明计划的方法在轴承和马达故障诊断中表现优异。 关键词：模糊测量，模糊积分，模糊c方法，数据融合，故障诊断 1介绍 现代机械复杂性的快速有快速增加的态势，而由此带来的对可靠性，实用性安全性和经济性的要求也与日俱增，因此基于状态的维修（CBM）逐步成为机械维修策略的主流。有效的CBM只能在适当精确的诊断预测中才能实现，而且故障诊断和预测对基于外出站信号处理算法的多参数数据解释有很强的依赖性。 统计学方法、聚类分析、神经网络、基于模型思想、遗传算法、混合系统等在机械环境监测和故障诊断中不同的方法相继被采用[1-6]。其中聚类分析是一种可以得到最佳诊断结果的迭代划分方法，而在不同的故障模式之间通常没有可标记精确边界的分类中模糊聚类分析表现得比传统聚类方法更为实用——模糊方法可以对与处理模糊信息类似的非二叉树的故障图进行分类[7]。 模糊聚类分析方法是把故障类型当成模糊的组来考虑，每个那个故障的类型赋值为0或者1被分配给所有成员以达到描述属于那个类的是哪种程度的故障。在对结果的C划分中，模糊C方法（FCM）是最理想的模糊聚类方法，FCM是一种通过使误差归纳函数最小化来对聚类中心进行迭代计算的算法，它在被选中的区域找到了应用。如果再联系神经网络，FCM可以被用来把分割色彩图片变为纯色区域的地方做自动确认[8]，还能在对多时间综合孔雷达图片和干涉测量的综合孔雷达图的分类中被采用[9]。 传统组理论和可能性理论已经广泛采用与不确定问题中，但是模糊组理论和模糊测量理论更为全面，它可以再机械环境监控和故障诊断中被应用，作为传统测量理论的派生物，模糊测量和模糊积分融合技术已经在图案识别[10-12]、图片编程[13-16]、和信息融合[17]中被采用，机械故障诊断领域在寻求一种可以从根本上解决潜在的机械故障的决定性的方法。根据信息融合理论，采用多源信息[18-20]可以降低信息的不确定性，基于模糊测量和模糊积分融合技术的对多重特点或者分类器的综合分析有望能提高机械故障诊断的精确度，因为模糊测量和模糊积分不仅可以表现出不同标准的重要性也可以反应不同标准之间的相互作用。假设那种机械故障诊断在图案识别是有效的，那么观察不同标准之间的相互作用是至关重要的。一般情况下在两个标准之间有三种作用：协同的、互斥的、独立的，传统理论只能在第三种情况——即两种标准之间没有联系时起作用，但是模糊测量理论可以描述所有情况[21]。 本文详细的描述了一种在机械故障诊断中行之有效的模糊测量和模糊积分融合方法，特征层和决策层的数据融合模型被发展为适合机械故障诊断。在特征层中，FCM分析理论对由特征组和故障原型关系来建立特征之间的关系和特定的故障的识别中被采用，Choquet模糊积分理论通过在融合特征的映射输出量来得到诊断。在决策层的融合阶段，FCM分析理论还应用于由对算法的分类来产生最初的诊断结果。Sugeno模糊积分理论和Choquet模糊积分理论都在决策层中用来融合不同的FCM分类器的初始输出，以取得最终的诊断结果。计划的途径可以提高诊断的方法，因为模糊测量可以反映特征或分类器的重要性，考虑它们的对某一故障的分类的贡献度，多重分类器不仅构成决策层模型还对提高诊断精度有显著作用[12]。本文剩下的部分有以下几个组成部分:在第二部分简要的介绍一下FCM分析算法和模糊积分理论；第三部分会提及机械故障诊断方面的特征层和决策层的模糊积分数据融合模型；第四部分会给出实验结果和讨论；最后第五部分是对全文的一个总结。 2特征层和决策层模糊积分故障诊断模型 信号层、特征层、决策层，数据融合可以在不同的层上采用，这部分给出了两个在机械故障诊断中模糊积分数据融合模型：