附件C：譯文


基于模糊測量和模糊積分融合技術(shù)的機械故障診斷

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：模糊測量和模糊積分理論是有傳統(tǒng)的測量理論派生出來的一個新理論，它把標準和它們之間的相互作用考慮了進來，而且在分類等應用上有很好的潛力。本文介紹了一種新穎的用模糊測量和模糊積分對機械故障診斷的數(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識別特征組和故障原型之間的關(guān)系來建立特征和給定故障之間的標識。我們使用了滾動軸承和電馬達來是模型生效，記錄的信號和之后的特征和使用模糊測量和模糊積分數(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得到診斷結(jié)果。最終結(jié)果表明計劃的方法在軸承和馬達故障診斷中表現(xiàn)優(yōu)異。
關(guān)鍵詞：模糊測量，模糊積分，模糊c方法，數(shù)據(jù)融合，故障診斷

1介紹
現(xiàn)代機械復雜性的快速有快速增加的態(tài)勢，而由此帶來的對可靠性，實用性安全性和經(jīng)濟性的要求也與日俱增，因此基于狀態(tài)的維修（CBM）逐步成為機械維修策略的主流。有效的CBM只能在適當精確的診斷預測中才能實現(xiàn)，而且故障診斷和預測對基于外出站信號處理算法的多參數(shù)數(shù)據(jù)解釋有很強的依賴性。
統(tǒng)計學方法、聚類分析、神經(jīng)網(wǎng)絡、基于模型思想、遺傳算法、混合系統(tǒng)等在機械環(huán)境監(jiān)測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)聚類方法更為實用——模糊方法可以對與處理模糊信息類似的非二叉樹的故障圖進行分類[7]。
模糊聚類分析方法是把故障類型當成模糊的組來考慮，每個那個故障的類型賦值為0或者1被分配給所有成員以達到描述屬于那個類的是哪種程度的故障。在對結(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是一種通過使誤差歸納函數(shù)最小化來對聚類中心進行迭代計算的算法，它在被選中的區(qū)域找到了應用。如果再聯(lián)系神經(jīng)網(wǎng)絡，F(xiàn)CM可以被用來把分割色彩圖片變?yōu)榧兩珔^(qū)域的地方做自動確認[8]，還能在對多時間綜合孔雷達圖片和干涉測量的綜合孔雷達圖的分類中被采用[9]。