外文翻译-基于油液分析的机械磨损状态识别模式 (2)

第 1 页 共 21 页 U li . 10076, 10083,is a a on a a a as of or of A is by by no;of r on il as a in of a or y to of is to of or of a to of a be to of be in in it is to to a or is 2 页 共 21 页 of V. n et (8) of of as an . ) to of an or al to a In be of a m of is a by of a or in a as a of no or as an of or , it to or p ). a on a a to a as an of a or A is by an by is or of 2 or to of in In of by of as n is of is be he as 第 3 页 共 21 页 On by a be a 。y is a of as of y=g(x1,x n) y= ni ) a is x of a n of in be is a to ), in In to of as as be by f it is of is is n .1 is as a of of of a be 0%. to of is as of of of an to to of an to of At is y= mi ) 第 4 页 共 21 页 y of ) is , of y of 2) be . If , y to if , y if , it is or a is to of 3 of is to of y, be be of y in of ). so it is of a fA(y) fN(y), ,() ,) of as . of or of y 2), it si a to be it to or a to be is a of y of (a) si as an 1- FN( (b) is as a FA(of is 5 页 共 21 页 S(1- FN( FA( (3) A(yc)N(of a of an it is y is by of y in to y be an we a y ) it In s be of 9 is , 1, i , is as t ),an b e, 1 Cu i 10 ， 10 we 6 页 共 21 页 y=l (4) we 4) to of by of of y We we we to 14354 97%. of y is we of of y by 4)in y . of y in , is no is is In to of 4) we of . ,we no we of 4) to or on or of 7 页 共 21 页 be of 5 (a) is an , of (b) a A of of (c) a of it be to a (d) In of be by of as be by (e) It is be is to To an y be to be by a or It is to 1 of an 06,2003 第 8 页 共 21 页 2G in a 6, 067, 6,2003 3,J to as a ,02, 2002 4S. A of : of 3, 07,2001 5R,to of in a 6, , 17151724,2000 6. On of a of of 1, 227,2000 7G. as a 6, ,2， 2000 8n, B. to on 6,0, 76,2003 9 of on Xi2,003 u is an of of is in so Li is a of is in so is an of of is in 第 9 页 共 21 页 et of be of FN( 222)1(121 (FA( 222)1(121 (of S(1FA( S(1- 222)1(121 + 222)1(121 (In to to y, (= 222)1(121 + 222)1(121 (222)1(121 = 222)1(121 (we 22222)(2)(e (of on a ) ， 2 22 2 2 )(2 )( （ we 0222 22222222222 (第 10 页 共 21 页 of is N A 0 (In be f= 2 = A 2 N2 222 8 ( N， R= . It is 018 222222 f ( 0 018 222222 f ( to we in of to of we of to a of to a to be on we of as 1， cc 19A 2， cc (第 12 页 共 21 页 基于油液分析的机械磨损状态识别模式 付俊庆 李汉雄 肖新华 1 长沙科技 大学， 汽车与机械工程学院 ，长沙 410076， 中南大学，机电学院，长沙 410083， 要，本文提供了一个建模过程，这个过程源于回归模型基础上的单值测量方法和用以 确定 临界 值为正常或异常 的标准机械磨损状态的统计方法。用这种算法和标准验算了一个实数例子。 结果表明 ,基于油液分析机械磨损状态正常与否的判断方法和算法基本符合客观事实。 关键词，油液分析 退回模型 单值测量 和临界 值 1 引言 石油分析方法已 成为各行各业在世界范围内 用于降低维修成本、提高生产率和可靠性 的方法。目前， 大部分石油分析仪使用发射光谱、电子显微镜、光学或铁等方法进 行石油分析 。 石油分析 的 目的是探讨 从机械中提取润滑油样本所起的滑润作用或设备的条件和 设备推荐维修经营活动的行动 未 拆机器 ,按照一定 的关系能够获得机械的油样样本，并且通过分析油液的油液样本和机械状态来评估原设备厂商。润滑油供应者和油样分析实验室提供具体的具有指导性的在油样中磨损金属的含量。 这些限制提供了良好的解读石油分析数据的一般准则 。 但在石油数据分析 中 还有许多因素 ，按照石油分析数据很难直接判断出机械的磨损状态。在 工程应用 中，在塞米松或测量中的单值对于检测油样状态是必要的。从设备油液分析数据中 导出 机械的磨损率，用 以确定引擎的磨损率（ 作 Z. (z)的指数 值用来评价引擎 正常或异常 工作的磨损率以参考一个正常的磨损率 (E M)。 事实上 , 指数 和 参考指数应该 是石油样本的 随机变量 而不是确定的数值，因此 , 该指数的 统计模型 需要发展一个依靠多元逐步回归的模式，这个模式删去了一些在油液分析的原始数据中无关紧要的元素和线性相关的元素，使石油分析数据转换成了单值。这个单值作为磨损状态的判断依据， 但没有门槛或临界值 ,作为 这个值的 鉴定标准 。 因此 ,样本的这个值远偏离于正常状态的值 1或异常状态的值 2， 还不清楚他们是属于正常 状态 还 是异常 状态。 本文首先 完善了这样一个建模函数，它是参考了基于回归模型的单值测量。 然后提出了一种确定阈值的统计标准作为辨识正常或异常状态 的方法。一个实数例子被所提供的方法和坚定标准所检验。结果表明有所提供的方法演算出的值第 13 页 共 21 页 基本符合客观事实，因此这个方法和判别标准对于从油样中判断在正常或异常状态下机械的磨损状态是有价值的。 2 模拟过程 验设计与抽样 通过 定期或不定期 的 收集和分析 石油样本来获得油样中的 各种元素浓度 。 在此期间 ,通过例如拆卸机械，测量碎片形状等其他方法来检查和确定机械的磨损状态。在这篇文章中，健康状态用 二进制数值来表示，也就是说，正常状态和异常状态。一旦 足够的数据 被 采集 到 ,这个实验就会中止，单值模型将被建立。 模 被观察的健康状态定义如下 1，正常状态 状态 = 2 ，异常状态 在另一方面 ,或 2的实数。这里 如磨粒浓度， 即 y=g(x1, 初步考虑下列回归模型 y= ni ) 这里 是 回归系数 ， 是元素的浓度， 是中断， 是石油分析中的元素数量。 以上 的 回归模型可 以 在 成 ,这是一个微软办公 软件的一个部分。根 据回归模型 (1), 在回归模型中的一些系数是微不足道的。为了尽可能多的压缩模型中的大量元素，一些无关紧要的元素应该从模型中删掉 果 可能是因为相关元素的回归系数等于零，并且 这篇文章中， 0%。 删除所有的无关紧要的元素的步骤如下。 第一步 退回石油分析中的所有元素，输出所有元素的 查 p 值并选出涉及最大 第 14 页 共 21 页 第二步 删除涉及最大 一次退回到最左边的元素并且输出所有元素的 查 重复第二步直到剩余元素的 时，建模过程被完成，建模结果是 y= mi ) 虽然模型 1中的状态变量 和 2，但结果模型 2的输出 y 值一般不是准确的1和 2。 如果输出值小于 1，状态值 y 将属于正常状态。如果输出值大于 2，状态值 y 将是异常的。但如果值介于 1 和 2 之间，状态是正常还是异常将要是模糊的。 因此 ,需要一个 临界 值来判断该 状态 的 输出 值 . 临界值的测定 一旦模型被建立，按照已知的正常和异常状态下的变量 y， 所有样品可分为两个小组样品 (正常与异常 )，它根据计算模型 2可以转换成 两个单样本的 Y 值 。 考虑到两个单样品值 来自计算 模型 ，所以两个单值样本服从正态分布是合理的。把它们代入两个分布函数 fA(y)和 fN(y)，并确定如 1图中这些函数的系数和偏差。并确定如图 1中这些函数的系数 ,()和偏差 ( ,) 图 1 正常或异常组的可能分布函数 (和临界值（ 阈值 ） 对于从计算模式 2 中得出的任何一个 y 值都是用于解决是属于正常还是异常这个问题的。 为此需要有一个 临界值来决定关键值 y 并记作 。对于任何值，都有两种判断错误的类型， (a) 正常的状态可能被错误的判断为异常的状态 1 (b) 异常的状态可能被错误的判断为 正常的状态 FA(错误的总和被给出如下 S(1- FN( FA( (3) 第 15 页 共 21 页 这里 FA( FN(别是正常状态下的可能函数和异常状态下的可能函数。 为减少判断失误 ,显然 y 值最好通过减少的 s 值来决定。最小 y 值的存在被看作在附录中的证明。按照附录临界值能很