礦井提升機(jī)外文翻譯--基于小波包變換和核主元分析技術(shù)的礦井提升機(jī)的自我故障檢測(cè)-其他專(zhuān)業(yè)-資料下載頁(yè)
2025-01-19 03:03本頁(yè)面
【導(dǎo)讀】identification.
【正文】 。 1, 1 , 2 , .. ., , 0 .MNkkkx R k M x?? ? ??使主要組成部分是在對(duì)角線元素后，協(xié)方差矩陣，11 M TijjC x xM ?? ?已是結(jié)尾 。一般而言，第一次 N 值山對(duì)角線長(zhǎng)，相應(yīng)的大特征值，是有用的信息在數(shù)據(jù)分析 .PCA 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 ] ：11 ()M jjjc x xM?? ? ??? ? ?? 如果特征值和特征向量 0?? ， ? ?/0NR?? 是屬于 PCA 的。使非線性變換，RN? ? 項(xiàng)目原始空間到特征空間，樓然后，協(xié)方差矩陣，中，原來(lái)的空間具有下列表格中的功能空間： 11 ( ) ( )M TijJC x xM ?? ? ?? (6) 非線性主成分分析可 被認(rèn)為是主成分分析的功能空間，樓顯然，所有的 C( 0)?? 抗原值和特征向量，V ? F \ {0} 滿足 ? C V。所有的解決方案是在子這一轉(zhuǎn)變從( ), 1, 2 , ...,jx i M? ? ( ( ) ) ( ) , 1 , 2 , .. .,kkx V x C V k M? ? ??? （ 7） 使系數(shù) i? 可以得到 1 ()MiiiVx?? ??? （ 8） 從 6 7 8 式我們可以得到 111( ( ) ( ))1 (( ) ( )) ( ( ) ( ))Mi k jiMMi k j k jija x xa x x x xM???????? ? ? ???? (9) 使 k =1, 2, …, M 定義 A是 MM 的矩陣， 它 的要點(diǎn)是 ( ) ( )ij i jA x x? ? ? （ 10） 從 9 和 10 式我 們可以得到 M? Aa = 2A a 這就相當(dāng)于 M? a= Aa . （ 11） 使 12.... M? ? ?? ? ? 作為 A的特征值，以及 12, ..., M? ? ? 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)的特征向量對(duì)應(yīng)的非零特征值的 F 這樣做主要成分的提取。界定這種因?yàn)樗怯桑? 1( ( ) ) ( ( ) )Mkki i kiVx xx??? ? ? ?? ? ? ?? (12) 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)算量隨之呈指數(shù)。由于均衡器。由于式（ 12）涉及內(nèi)積計(jì)算， ( ) ( )ixx?? 根據(jù)希爾伯特 施密特的原則，我們可以找到一個(gè)內(nèi)積函數(shù)，滿足的默瑟條件下，方程（ 12） ( , ) ( ) ( )iiK x x x x? ? ?可以改寫(xiě)成 1( ( ) ) ( ( , ) )Mkki i kiV x K x x???? ? ?? 這里 ? 是 K的一個(gè)變量。這樣，點(diǎn)積必須在原來(lái)的空間，但 ? (x)的具體形式?jīng)]必要知道。特征空間 F，完全取決于選擇的核心特征 [ 78 ] 。 在故障診斷的識(shí)別中提取目標(biāo)特征的算法是： 第 1步：用小波包變換提取特征 。 第 2步：計(jì)算每個(gè)樣本的核矩陣， K ( 1, 2 , ..., )Nix R i N?? 在原始的 空間輸入，和 ( ( ) ( ))ij iK x x? ? ? 第 3步：在特征空間進(jìn)行測(cè)繪數(shù)據(jù)的均值處理，然后計(jì)算核矩陣 。 第 4 步：求解特征方程 M? a =Aa 。 第 5步：利用方程提取的 K式的重要組成部分 (13)，制定出一個(gè)新的載體。由于核函數(shù)在核主成分分析要滿足 Mercer的條件，可用于代替內(nèi)積的特征空間。沒(méi)有必要考慮的具體形式的非線性變換。映射功能可以非線性和特征空間的尺寸可以很高，但有它可能得到有效的主要成分通過(guò)選擇合適的核函數(shù)和內(nèi)核參數(shù) [ 9 ] 。 3結(jié)果與討論 礦井提升機(jī)的最常見(jiàn)的故障特征 可以 在設(shè)備振動(dòng)信號(hào)的頻率中 提取出來(lái) 。實(shí)驗(yàn)中使用礦井提升機(jī)的 振動(dòng)信號(hào)作為測(cè)試數(shù)據(jù)，將收集到的振動(dòng)信號(hào)首先進(jìn)行小波包處理 ,然后通過(guò)在一個(gè)水平的小波包上觀察不同的時(shí)頻能量分布， 接著 我們將 獲得 的 原始數(shù)據(jù)列于表 1并 提取電機(jī)的運(yùn)行特征。該故障診斷模型用于故障識(shí)別或分 類(lèi)。 實(shí)驗(yàn)測(cè)試被分兩部分進(jìn)行： 第一部分是比較核主元分析和主成分分析從原來(lái)的數(shù)據(jù)中提取特征的性能，即：測(cè)試故障樣本的主要組成部分的投影分布。那個(gè)第二部分是比較分類(lèi)的性能，這些分類(lèi)是在通過(guò)核主元分析或 主成份分特征提取析后構(gòu)建的。最短距離和近鄰的標(biāo)準(zhǔn)被用于分類(lèi)比交，這也可以測(cè)試的核主元分析和主成份分分析的執(zhí)行情況。在第一部分實(shí)驗(yàn)中， 300個(gè)故障樣本被用于比較核主元分析和主成分分析的特征提取能力。為了簡(jiǎn)化計(jì)算使用高斯核函數(shù)： 22( , ) ( ) , ( ) e x p ( )2xyK x y x y?? ??? ? ? 10 內(nèi)核參數(shù)的值 ? 是在 3之間，以及時(shí)的間隔為 。數(shù)目減少時(shí)，尺寸是確定。因此，所以最好的正確分類(lèi)率在這個(gè)層面的準(zhǔn)確性分類(lèi)器擁有最好的 分類(lèi)結(jié)果。 在第二部分實(shí)驗(yàn)中特征提取后，對(duì)分類(lèi)器 39。識(shí)別率的進(jìn)行了檢查。通過(guò)兩種方法比較：最小距離或近鄰。 80 ％的這些數(shù)據(jù)被選定為訓(xùn)練和其他 20 ％ 用于測(cè)試。結(jié)果見(jiàn)下表 2和 3 。 從表 2和第 3，可以得出結(jié)論從表第 2和第 3的核主元分析比主成分分析需要更少的時(shí)間并擁有相對(duì)更高的識(shí)別準(zhǔn)確率 4結(jié)論 本文介紹了一種用核心故障提取方法來(lái)描述的主成分分析。問(wèn)題首先是由一個(gè)非線性空間轉(zhuǎn)換到線性的高維特征空間。然后， 在高維特征空間提 取產(chǎn)品內(nèi)的核心功能。這 就 巧妙地解決了復(fù)雜的計(jì)算問(wèn)題，并克服 高維和局部極小的困難。從 實(shí)驗(yàn)數(shù)據(jù)可以看出，在識(shí)別故障狀態(tài)上，與 比傳統(tǒng)的主成分分析相比 ,核主元分析大大改善了特征提取和效率。 References [1] Ribeiro R L. Fault detection of openswitch damage in voltagefed PWM motor drive systems. IEEE Trans Power Electron, 2021, 18(2): 587–593. [2] Sottile J. An overview of fault monitoring and diagnosis in mining equipment. IEEE Trans Ind Appl, 1994, 30(5):1326–1332. [3] Peng Z K, Chu F L. Application of wavelet transform in machine condition monitoring and fault diagnostics: areview with bibliography. Mechanical Systems and Signal Processing, 2021(17): 199–221. [4] Roth V, Steinhage V. Nonlinear discriminant analysis using kernel function. In: Advances in Neural Information Proceeding Systems. MA: MIT Press, 2021: 568– 574. [5] Twining C, Taylor C. The use of kernel principal ponent analysis to model data distributions. Pattern Recognition, 2021, 36(1): 217–227. [6] Muller K R, Mika S, Ratsch S, et al. An introduction tokernelbased learning algorithms. IEEE Trans on Neural Network, 2021, 12(2): 181. [7] Xiao J H, Fan K Q, Wu J P. A study on SVM for fault diagnosis. Journal of Vibration, Measurement amp。 Diagnosis,2021, 21(4): 258–262. [8] Zhao L J, Wang G, Li Y. Study of a nonlinear PCA fault detection and diagnosis method. Information and Control,2021, 30(4): 359–364. [9] Xiao J H, Wu J P. Theory and application study of feature extraction based on kernel. Computer Engineering,2021, 28(10): 36–38.
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號(hào)-1