斗式提升機(jī)總體結(jié)構(gòu)設(shè)計(jì)【TH315.0 】
斗式提升機(jī)總體結(jié)構(gòu)設(shè)計(jì)【TH315.0 】,TH315.0 ,斗式提升機(jī)總體結(jié)構(gòu)設(shè)計(jì)【TH315.0,提升,晉升,總體,整體,結(jié)構(gòu)設(shè)計(jì),th315
河南理工大學(xué)萬(wàn)方科技學(xué)院本科畢業(yè)論文
附 錄
外文資料與中文翻譯
礦井提升機(jī)的小波變換和PCA診斷技術(shù)
摘要：提出了一種新的算法，以正確地確定故障情況，準(zhǔn)確地監(jiān)測(cè)出故障發(fā)生的礦井提升機(jī)。這種新方法是基于小波包變換和內(nèi)核鎮(zhèn)痛（核主復(fù)合成分分析，核主元分析） 。非線性監(jiān)測(cè)系統(tǒng)故障檢測(cè)的關(guān)鍵是提取他主要的特點(diǎn)。小波包變換是一種新型的信號(hào)處理技術(shù)，擁有出色的時(shí)頻局部化特點(diǎn)。它適用于分析信號(hào)。核主元分析的原始輸入功能進(jìn)入了更高的層面，通過非線性映射出主成分，然后發(fā)現(xiàn)了多維特征空間。轉(zhuǎn)變的核心主元用于提取分析主要的非線性特性實(shí)驗(yàn)數(shù)據(jù)，檢測(cè)出小波包變換的故障特征。結(jié)果表明，該方法提供了可靠的故障檢測(cè)鑒定。
關(guān)鍵詞：核方法、主成分分析、核主元分析、故障檢測(cè)。
1.簡(jiǎn)介
由于礦井提升機(jī)是一個(gè)非常復(fù)雜和可變系統(tǒng)，提升機(jī)在長(zhǎng)期運(yùn)行條件和重載過程中將不可避免地產(chǎn)生一些故障。這會(huì)導(dǎo)致設(shè)備損壞，停工，降低了作業(yè)效率，甚至可能威脅到礦井人員的安全。因此，確定運(yùn)行故障的安全系統(tǒng)已成為一個(gè)重要組成部分。提升機(jī)的關(guān)鍵技術(shù)是狀態(tài)監(jiān)測(cè)與故障識(shí)別信息，監(jiān)測(cè)信號(hào)的提取功能，然后提供一個(gè)判斷的結(jié)果。然而，有許多變量，用于監(jiān)測(cè)礦井提升機(jī)，也有許多復(fù)雜的變量和工作設(shè)備之間的相互關(guān)系。這里介紹的不確定因素和信息，表現(xiàn)出復(fù)雜的形式，如多故障或相關(guān)故障，其中引進(jìn)相當(dāng)困難的故障診斷與鑒定。目前有許多常規(guī)的提取方法，礦井提升機(jī)故障特征，如主成分分析（ PCA ）和（ PLS ） 。這些方法已應(yīng)用于實(shí)際的過程。然而，這些方法基本上是一個(gè)線性變換的方法。但實(shí)際的監(jiān)測(cè)過程中，包括不同程度的非線性。因此，研究人員已經(jīng)提出了一系列的非線性方法的變革，涉及復(fù)雜的非線性。此外，這些非線性方法只限于故障檢測(cè)：故障變量分離和故障識(shí)別仍有困難的問題。
本文介紹了提升機(jī)故障診斷功能基于小波包變換（小波包變換）和核主成分分析（核主元分析）。我們提取的小波包變換的特點(diǎn)，然后提取物的主要特征變換利用核主元分析，該項(xiàng)目的樣本監(jiān)測(cè)數(shù)據(jù)到一個(gè)高維空間。然后我們做了降維和重建回到奇異核矩陣。在此之后，目標(biāo)特征提取的重建非奇異矩陣。這樣確定目標(biāo)功能是獨(dú)特的，穩(wěn)定的。通過比較分析數(shù)據(jù)表明，提出了本文是有效的。
2.基于特征提取的小波包變換和核主元分析
2.1小波包變換
小波包變換方法，就是一個(gè)概括的小波分解，提供了豐富的各種可能性信號(hào)分析。頻帶升降器電機(jī)收集到的傳感器信號(hào)系統(tǒng)是廣泛的。大量的數(shù)據(jù)隱藏在實(shí)用的信息。一般情況下，一些頻率的信號(hào)放大，有些不利的信息。這就是說(shuō)，這些寬帶信號(hào)包含了大量有用的信息：但是信息不能直接得到的數(shù)據(jù)。小波包變換是一個(gè)很好的信號(hào)分析方法的信號(hào)分解成許多層，并更好地解決在時(shí)頻域。實(shí)用的信息在不同頻段將表達(dá)不同的小波系數(shù)的分解后的信號(hào)。 “概念的能源信息”是以確定新的信息隱藏?cái)?shù)據(jù)。能源特征向量，然后利用快速排雷信息隱藏了大量的數(shù)據(jù)。
該算法是：
第1步：執(zhí)行3層小波包分解的回波信號(hào)和信號(hào)特征提取的8個(gè)頻率組成部分，從低到高，在第三層。
第2步：重構(gòu)系數(shù)的小波包分解。使用（ j = 0 ， 1 ， ... ， 7 ）來(lái)表示每個(gè)重建信號(hào)的頻帶范圍內(nèi)的第三層?？偟男盘?hào)就可以被命名為： (1)
第3步：構(gòu)建特征向量的回波信號(hào)的雷達(dá)。當(dāng)電磁波的耦合傳輸他們滿足各種地下非均勻介質(zhì)。能源分布的回波信號(hào)在每個(gè)頻帶然后將不同。承擔(dān)相應(yīng)的能源的S3j（ j = 0 ， 1 ， ... ， 7 ）可派代表作為E3j（ j = 0 ， 1 ， ...7 ） 。規(guī)模分散點(diǎn)的重建信號(hào)是：S3j xjk(j=0, 1, …, 7; k=1, 2, …, n), 其中n是長(zhǎng)度的信號(hào)。然后，我們可以得到：
認(rèn)為我們?nèi)〉昧酥挥?層小波包分解的回波信號(hào)。為了使每一個(gè)變化的更詳細(xì)的頻率成分的2階統(tǒng)計(jì)特性的重建信號(hào)也視為一個(gè)特征向量：
第4步：流行性往往大，所以我們正?；麄儭＜僭O(shè)，從而得出的特征向量是，最后：
信號(hào)分解的小波包，然后有用的特征信息提取的特征向量是通過上述過程。相對(duì)于其他傳統(tǒng)方法，如希爾伯特變換，方法基于小波包變換分析更歡迎由于敏捷的過程和它的科學(xué)分解。
2.2版內(nèi)核主成分分析
該方法的核心主成分分析方法，適用于核心主成分分析[ 4-5 ] 。讓主要組成部分是在對(duì)角線元素后，協(xié)方差矩陣，已被算好。一般而言，前n值沿對(duì)角線，相應(yīng)的大特征值，是有用的信息的分析。常設(shè)仲裁法院解決了特征值和特征向量的協(xié)方差矩陣。求解特征方程[ 6 ] ：
如果特征值和特征向量的本質(zhì)，常設(shè)仲裁中介。讓非線性變換，項(xiàng)目原始空間到特征空間，然后，協(xié)方差矩陣，原來(lái)的空間具有下列表格中的功能空間：（6）
非線性主成分分析法可以被認(rèn)為是主成分分析的C的功能空間，F(xiàn). 顯然，所有的特征值和特征向量. 所有的解決方案是在空間的變換由
有一個(gè)系數(shù).得（8）
從（6）（7）（8）可以得出當(dāng)k=1,2…,M.A相當(dāng)于M*M的乘機(jī)。其要點(diǎn)是：（10）從（9）（10）可以獲得（11）
作為A的特征值，作為相應(yīng)的特征向量。
我們只需要計(jì)算測(cè)試點(diǎn)的預(yù)測(cè)的特征向量Vk對(duì)應(yīng)的非零特征值的F這樣做主要成分的提取.確定這是Bk，它是由：
不難看出，如果我們解決了直接的主要組成部分，我們需要知道確切形式的非線性圖像。還為層面的特征空間增加了計(jì)算量成倍上升。因?yàn)镋q12涉及黨內(nèi)產(chǎn)品計(jì)算， 根據(jù)原則的Hilbert -施密特我們能夠找到一種內(nèi)核功能，滿足了條件，使。然后Eq12可以寫作（13）
這里α是特征向量的光，這樣點(diǎn)的產(chǎn)品必須在原來(lái)的空間，但具體形式Φ （ x ）的需要不知道。映射， Φ （ x ）和空間的特點(diǎn)，男，都完全取決于選擇的核函數(shù)。
2.3說(shuō)明算法
該算法提取目標(biāo)特征識(shí)別的故障診斷是：
第1步：提取特征的小波包變換;
第2步：計(jì)算核基質(zhì)，鉀，對(duì)每個(gè)樣品，，在原來(lái)的輸入空間，和
第3步：計(jì)算后的核基質(zhì)零意味著處理測(cè)繪數(shù)據(jù)的特征空間;
第4步：求解特征方程Mλa =Aa;
第5步：提取物的主要組成部分使用均衡器制定出一個(gè)新的載體。
由于核函數(shù)用于滿足現(xiàn)狀,又是核主成分分析可以用來(lái)代替內(nèi)在的產(chǎn)品在特徵空間。它不需要考慮的精確形式的非線性變形。. 這個(gè)映射函數(shù)可以非線性和尺寸的特征空間就會(huì)很高,但它可能會(huì)得到有效成分的主要特征,通過選擇合適的內(nèi)核函數(shù)和內(nèi)核的參數(shù).
3結(jié)果與討論
這個(gè)角色的最常見的故障的礦井提升機(jī)的頻率振動(dòng)信號(hào)的裝置。實(shí)驗(yàn)采用振動(dòng)信號(hào)的礦井提升機(jī)作為測(cè)試數(shù)據(jù)。收集到的振動(dòng)信號(hào)進(jìn)行小波包變換首先處理。然后通過觀察不同的時(shí)頻能量分布在一個(gè)水平的小波包變換給出了原始數(shù)據(jù)表顯示在表1中運(yùn)行電動(dòng)機(jī)的特點(diǎn)。在故障診斷模型,用于故障識(shí)別和分類。
表1原故障數(shù)據(jù)表
實(shí)驗(yàn)測(cè)試了兩部分:第一部分是性能的對(duì)比和主成分分析法(PCA)對(duì)特征提取核主成分分析的原始數(shù)據(jù),即:分布投影的主要部件故障樣本進(jìn)行。第二部分是分類性能的比較,構(gòu)建了以核主成分分析提取特征后或主成分分析法(PCA)。加權(quán)最小距離,用于分類標(biāo)準(zhǔn)進(jìn)行比較,這也可以測(cè)試核主成分分析和主成分分析法(PCA)性能。
在第一部份的實(shí)驗(yàn),300故障樣本被用于比較和主成分分析法(PCA)對(duì)特征提取核主成分分析。簡(jiǎn)化的計(jì)算采用高斯核函數(shù)。
這個(gè)值σ,內(nèi)核參數(shù)和3之間,0.8%區(qū)間數(shù)降低0.4時(shí)確定的尺寸。所以最好的正確分類率在這個(gè)維度的精確度是選粉機(jī)具有最好的分類結(jié)果。
在第二部分的實(shí)驗(yàn),該分類識(shí)別特征提取了之后比較兩個(gè)方面:進(jìn)行加權(quán)最小距離或種群選擇。80%的數(shù)據(jù)為訓(xùn)練和其他20%是用于測(cè)試。結(jié)果顯示在表2和3。
表2對(duì)比的辨識(shí)率的主成分分析和核主成分分析方法
表3倍比較認(rèn)可的主成分分析和核主成分分析方法
從表2、3,可以得出結(jié)論,從表2、3個(gè)核主成分分析需要更少的時(shí)間,比主成分分析法(PCA)的識(shí)別精度較高。
4結(jié)論
一個(gè)主成分分析提取方法使用內(nèi)核過錯(cuò)。問題是先從一個(gè)非線性空間成為一個(gè)線性更高維度空間。然后更高維度特徵空間在以內(nèi)部產(chǎn)品與核函數(shù)。從而解決這個(gè)復(fù)雜的計(jì)算問題,巧妙地克服困難的高維度和局部極小化。從實(shí)驗(yàn)數(shù)據(jù),比較分析了傳統(tǒng)主成分分析法(PCA)核主成分分析,極大地提高了特征提取和識(shí)別故障狀態(tài),效率。
參考文獻(xiàn)
[1]李布羅.損壞電機(jī)驅(qū)動(dòng)系統(tǒng)故障檢測(cè)。,2003年3月,18:50。
[2]簡(jiǎn)索列特 故障監(jiān)測(cè)與診斷的采礦設(shè)備。1994,(5):30 - 1332作證。
[3]彭志科， 小波變換在機(jī)械狀態(tài)監(jiān)測(cè)和故障診斷研究。機(jī)械系統(tǒng)和信號(hào)處理,2003(17):74 - 221。
[4]羅斯福,史蒂芬，使用核函數(shù)的非線性因素分析方法。。麻薩諸塞州:麻省理工學(xué)院出版社,2000:568 - 406。
[5]屯希,泰勒的使用核主成分分析的數(shù)據(jù)分布模型。模式識(shí)別,2003年,36(1):217 - 227。
[6]穆勒克拉，尹浩然,等。介紹內(nèi)核學(xué)習(xí)算法。國(guó)立臺(tái)灣科技大學(xué)碩士論文,2001,12(2):32 - 34。
[7]]小卡文].支持向量機(jī)故障診斷。振動(dòng)、測(cè)量及雜志,2001年,第21診斷(4):258 - 262。
[8]趙小明,李勇的非線性主成分分析法(PCA)研究的故障檢測(cè)和診斷方法。信息和控制,2001,(4):359 - 203。
[9]]胡小嬌,理論與應(yīng)用研究的特征提取基于核。計(jì)算機(jī)工程,2002,28(10):36 - 38。
10
收藏