附件C：譯文

運用軟計算技術(shù)對滾動軸承的故障進行分類
Marco Cococcioni, Beatrice Lazzerini, Sara Lioba Volpi
（意大利比薩大學信息工程學院）
摘 要：這篇論文主要是基于分類技術(shù)，對軸承元件的各種故障和缺陷進行監(jiān)測與診斷。論文中所提及的各種實驗都是基于來自于超過裝有十個滾動軸承的機械設備中的振動信號，這些軸承的元件都是用加速度計進行檢測的，其中，用到了兩個軸承，一個是完好無損的，一個是人工損壞的，這個損壞的軸承包括了四種不同類型的缺陷。所運用到的軟計算技術(shù)包括線性判別分類，二次判別分類，多層感知器神經(jīng)網(wǎng)絡分類及分類融合，實驗研究表明，基于在頻域范圍內(nèi)表示的振動信號分析，對軸承的各類故障分析以及缺陷的嚴重程度都有很高的準確性。
關鍵詞：自動故障檢測，故障分類，多層感知器，統(tǒng)計分類，分類融合


1引言
在工業(yè)制造當中，機械系統(tǒng)的崩潰與實效，可能會對人類，機械設備和環(huán)境造成嚴重的影響[1]-[4]。基于這個原因，機器狀態(tài)的監(jiān)測已經(jīng)成為工業(yè)系統(tǒng)當中不可分割的一部分了，這些設備故障檢測系統(tǒng)主要是為了減少機器停工時間，從而減少企業(yè)損失，提高生產(chǎn)效率。目前主要有三種類型的系統(tǒng)維護：事后矯正，事先預防，以設備狀況為主的預情維護。
事后矯正是在機器設備已經(jīng)發(fā)生故障的前提下對系統(tǒng)進行修理維護，而事先預防則是通過定期的檢查機器設備運行狀態(tài)與周圍環(huán)境條件旨在防止可能發(fā)生的設備故障。前兩種維護方法都有嚴重的缺陷：前者沒有預防任何故障，而后者則可能會浪費大量的時間與經(jīng)濟成本，因為有些控制手段可能完全就是沒有任何效果的，為了克服上述缺點，CBM（以設備狀況為主的預情維護）就應運而生了。
CBM主要包括對系統(tǒng)狀態(tài)的監(jiān)測及在最有必要的時候才對機械系統(tǒng)采取最適當?shù)木S護。在旋轉(zhuǎn)機械設備中已經(jīng)廣泛運用了CBM[3,4]。事實上，旋轉(zhuǎn)機械在大多數(shù)制造和生產(chǎn)工業(yè)中應用極為廣泛，實時監(jiān)測和診斷對保證產(chǎn)品的連續(xù)可靠的生產(chǎn)至關重要。大多數(shù)旋轉(zhuǎn)機械都是靠軸承進行支撐，而這些軸承有可能會生成各種不同類型的故障從而導致系統(tǒng)整體的實效，大大降低系統(tǒng)性能水平?，F(xiàn)在已經(jīng)有很多方法可以應用于軸承的故障檢測。
對軸承的故障分析傳統(tǒng)的有時域分析和頻域分析，有單獨運用也有結(jié)合兩者共同分析的，時域分析的主要性能參數(shù)有RMS（有效值），波峰因素，尖峰的峭度，而頻域分析主要是建立在傅里葉變換技術(shù)。頻域分析師應用最廣泛的，有可能是因為在頻域上振動信號的特征比在時域上的更容易觀察。
這篇論文主要是出于以下目的：對包含滾動軸承的機械物體進行分析1）檢測故障是否存在2）識別故障類別3）診斷出故障的嚴重程度。出于這個目的，我們采用了兩種統(tǒng)計分類方法，即線性識別分類方法（LDC）和二次判別分類方法（QDC）,以及多層感知器（MLP）神經(jīng)網(wǎng)絡。