TH315斗式提升機總體結構設計
TH315斗式提升機總體結構設計,TH315,提升,總體,結構設計
附 錄
外文資料與中文翻譯
礦井提升機的小波變換和PCA診斷技術
摘要：提出了一種新的算法，以正確地確定故障情況，準確地監(jiān)測出故障發(fā)生的礦井提升機。這種新方法是基于小波包變換和內(nèi)核鎮(zhèn)痛（核主復合成分分析，核主元分析） 。非線性監(jiān)測系統(tǒng)故障檢測的關鍵是提取他主要的特點。小波包變換是一種新型的信號處理技術，擁有出色的時頻局部化特點。它適用于分析信號。核主元分析的原始輸入功能進入了更高的層面，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驗數(shù)據(jù)，檢測出小波包變換的故障特征。結果表明，該方法提供了可靠的故障檢測鑒定。
關鍵詞：核方法、主成分分析、核主元分析、故障檢測。
1.簡介
由于礦井提升機是一個非常復雜和可變系統(tǒng)，提升機在長期運行條件和重載過程中將不可避免地產(chǎn)生一些故障。這會導致設備損壞，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，確定運行故障的安全系統(tǒng)已成為一個重要組成部分。提升機的關鍵技術是狀態(tài)監(jiān)測與故障識別信息，監(jiān)測信號的提取功能，然后提供一個判斷的結果。然而，有許多變量，用于監(jiān)測礦井提升機，也有許多復雜的變量和工作設備之間的相互關系。這里介紹的不確定因素和信息，表現(xiàn)出復雜的形式，如多故障或相關故障，其中引進相當困難的故障診斷與鑒定。目前有許多常規(guī)的提取方法，礦井提升機故障特征，如主成分分析（ PCA ）和（ PLS ） 。這些方法已應用于實際的過程。然而，這些方法基本上是一個線性變換的方法。但實際的監(jiān)測過程中，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，涉及復雜的非線性。此外，這些非線性方法只限于故障檢測：故障變量分離和故障識別仍有困難的問題。
本文介紹了提升機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，然后提取物的主要特征變換利用核主元分析，該項目的樣本監(jiān)測數(shù)據(jù)到一個高維空間。然后我們做了降維和重建回到奇異核矩陣。在此之后，目標特征提取的重建非奇異矩陣。這樣確定目標功能是獨特的，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，就是一個概括的小波分解，提供了豐富的各種可能性信號分析。頻帶升降器電機收集到的傳感器信號系統(tǒng)是廣泛的。大量的數(shù)據(jù)隱藏在實用的信息。一般情況下，一些頻率的信號放大，有些不利的信息。這就是說，這些寬帶信號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)。小波包變換是一個很好的信號分析方法的信號分解成許多層，并更好地解決在時頻域。實用的信息在不同頻段將表達不同的小波系數(shù)的分解后的信號。 “概念的能源信息”是以確定新的信息隱藏數(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和信號特征提取的8個頻率組成部分，從低到高，在第三層。
第2步：重構系數(shù)的小波包分解。使用（ j = 0 ， 1 ， ... ， 7 ）來表示每個重建信號的頻帶范圍內(nèi)的第三層。總的信號就可以被命名為： (1)
第3步：構建特征向量的回波信號的雷達。當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在每個頻帶然后將不同。承擔相應的能源的S3j（ j = 0 ， 1 ， ... ， 7 ）可派代表作為E3j（ j = 0 ， 1 ， ...7 ） 。規(guī)模分散點的重建信號是：S3j xjk(j=0, 1, …, 7; k=1, 2, …, n), 其中n是長度的信號。然后，我們可以得到：
認為我們?nèi)〉昧酥挥?層小波包分解的回波信號。為了使每一個變化的更詳細的頻率成分的2階統(tǒng)計特性的重建信號也視為一個特征向量：
第4步：流行性往往大，所以我們正?；麄?。假設，從而得出的特征向量是，最后：
信號分解的小波包，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角線元素后，協(xié)方差矩陣，已被算好。一般而言，前n值沿對角線，相應的大特征值，是有用的信息的分析。常設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)，常設仲裁中介。讓非線性變換，項目原始空間到特征空間，然后，協(xié)方差矩陣，原來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
有一個系數(shù).得（8）
從（6）（7）（8）可以得出當k=1,2…,M.A相當于M*M的乘機。其要點是：（10）從（9）（10）可以獲得（11）
作為A的特征值，作為相應的特征向量。
我們只需要計算測試點的預測的特征向量Vk對應的非零特征值的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算量成倍上升。因為Eq12涉及黨內(nèi)產(chǎn)品計算， 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，這樣點的產(chǎn)品必須在原來的空間，但具體形式Φ （ x ）的需要不知道。映射， Φ （ x ）和空間的特點，男，都完全取決于選擇的核函數(shù)。
2.3說明算法
該算法提取目標特征識別的故障診斷是：
第1步：提取特征的小波包變換;
第2步：計算核基質(zhì)，鉀，對每個樣品，，在原來的輸入空間，和
第3步：計算后的核基質(zhì)零意味著處理測繪數(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。. 這個映射函數(shù)可以非線性和尺寸的特征空間就會很高,但它可能會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結果與討論
這個角色的最常見的故障的礦井提升機的頻率振動信號的裝置。實驗采用振動信號的礦井提升機作為測試數(shù)據(jù)。收集到的振動信號進行小波包變換首先處理。然后通過觀察不同的時頻能量分布在一個水平的小波包變換給出了原始數(shù)據(jù)表顯示在表1中運行電動機的特點。在故障診斷模型,用于故障識別和分類。
表1原故障數(shù)據(jù)表
實驗測試了兩部分:第一部分是性能的對比和主成分分析法(PCA)對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行。第二部分是分類性能的比較,構建了以核主成分分析提取特征后或主成分分析法(PCA)。加權最小距離,用于分類標準進行比較,這也可以測試核主成分分析和主成分分析法(PCA)性能。
在第一部份的實驗,300故障樣本被用于比較和主成分分析法(PCA)對特征提取核主成分分析。簡化的計算采用高斯核函數(shù)。
這個值σ,內(nèi)核參數(shù)和3之間,0.8%區(qū)間數(shù)降低0.4時確定的尺寸。所以最好的正確分類率在這個維度的精確度是選粉機具有最好的分類結果。
在第二部分的實驗,該分類識別特征提取了之后比較兩個方面:進行加權最小距離或種群選擇。80%的數(shù)據(jù)為訓練和其他20%是用于測試。結果顯示在表2和3。
表2對比的辨識率的主成分分析和核主成分分析方法
表3倍比較認可的主成分分析和核主成分分析方法
從表2、3,可以得出結論,從表2、3個核主成分分析需要更少的時間,比主成分分析法(PCA)的識別精度較高。
4結論
一個主成分分析提取方法使用內(nèi)核過錯。問題是先從一個非線性空間成為一個線性更高維度空間。然后更高維度特徵空間在以內(nèi)部產(chǎn)品與核函數(shù)。從而解決這個復雜的計算問題,巧妙地克服困難的高維度和局部極小化。從實驗數(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別故障狀態(tài),效率。
參考文獻
[1]李布羅.損壞電機驅(qū)動系統(tǒng)故障檢測。,2003年3月,18:50。
[2]簡索列特 故障監(jiān)測與診斷的采礦設備。1994,(5):30 - 1332作證。
[3]彭志科， 小波變換在機械狀態(tài)監(jiān)測和故障診斷研究。機械系統(tǒng)和信號處理,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。模式識別,2003年,36(1):217 - 227。
[6]穆勒克拉，尹浩然,等。介紹內(nèi)核學習算法。國立臺灣科技大學碩士論文,2001,12(2):32 - 34。
[7]]小卡文].支持向量機故障診斷。振動、測量及雜志,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)研究的故障檢測和診斷方法。信息和控制,2001,(4):359 - 203。
[9]]胡小嬌,理論與應用研究的特征提取基于核。計算機工程,2002,28(10):36 - 38。
10
收藏