4. 基于數(shù)據(jù)驅(qū)動的電磁閥故障檢測：基于數(shù)據(jù)驅(qū)動的故障診斷方法有很多，如神經(jīng)網(wǎng)絡(luò)、模糊邏輯、小波分析等等。在基于人工智能的技術(shù)中，對被測數(shù)據(jù)進(jìn)行一些統(tǒng)計(jì)操作，或者利用測量結(jié)果訓(xùn)練一些神經(jīng)網(wǎng)絡(luò)來提取故障特征。利用基于支持向量機(jī)的參數(shù)優(yōu)化故障模式分類模型對感知信號特征進(jìn)行分類從而實(shí)現(xiàn)了故障診斷。基于動量自適應(yīng)學(xué)習(xí)速率調(diào)整算法的三層感知器 BP 網(wǎng)絡(luò)，將轉(zhuǎn)速、壓力等輸入到神經(jīng)網(wǎng)絡(luò)，最后輸出故障信號，以此進(jìn)行訓(xùn)練模型。并根據(jù)此模型進(jìn)行故障檢測。給出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解（EMD,Empirical Mode Decomposition）與鄰域粗糙集相結(jié)合的故障檢測方法。首先對電流信號進(jìn)行及經(jīng)驗(yàn)?zāi)B(tài)分解得到表征信號特征的在時(shí)間尺度上的本征模態(tài)函數(shù)分量，然后提取可以表征故障的本征模態(tài)函數(shù)分量的能量熵，再利用鄰域粗糙集進(jìn)行冗余信息的去除，得到真正的“核心”從而降低系統(tǒng)的時(shí)間空間復(fù)雜度，再根據(jù)約簡后的特征利用決策樹算法進(jìn)行故障檢測。采用故障樹分析的方法檢測由現(xiàn)象推出原因得到了電磁閥故障檢測方法。利用 PNN 神經(jīng)網(wǎng)絡(luò)對電磁閥正常狀態(tài)和故障狀態(tài)的模型進(jìn)行訓(xùn)練，通過模型的對比匹配從而進(jìn)行電磁閥故障檢測。利用卷積神經(jīng)網(wǎng)絡(luò)對交流電磁閥進(jìn)行物理建模，從而進(jìn)一步進(jìn)行故障檢測�；跀�(shù)據(jù)驅(qū)動的故障檢測方法可以有效地提取故障信息；然而，它們需要一個(gè)大型的測量數(shù)據(jù)庫來訓(xùn)練診斷模型，往往需要的數(shù)據(jù)處理是較大的，同其他方法相比需要更加消耗計(jì)算資源，因此被認(rèn)為是計(jì)算速度慢的檢測方法。
5 方法綜合的電磁閥故障檢測：由于上訴故障檢測方法都存在各自的優(yōu)缺點(diǎn)，因此利用各種方法的優(yōu)點(diǎn)，取長補(bǔ)短，實(shí)現(xiàn)一個(gè)相對較好的效果也是各個(gè)學(xué)者研究的熱點(diǎn)，常見的如利用信號處理方法加上數(shù)據(jù)驅(qū)動方法可以實(shí)現(xiàn)相對快速準(zhǔn)確的效果。將采集的實(shí)際電磁閥電流變化率作為特征曲線并在此基礎(chǔ)上利用小波包分解得到電流的特征向量，最后將得到特征進(jìn)行訓(xùn)練得到相應(yīng)的模型，在訓(xùn)練模型上進(jìn)行電磁閥相應(yīng)故障的診斷。對電磁閥的電流進(jìn)行基于模板匹配的能量特征提取，為了降低電流特征的維數(shù)，采用 K-L 變換實(shí)現(xiàn)降維以此降低復(fù)雜度，同時(shí)保留電磁閥電流的主要特征。最后用 3 層 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與模式識別，從而實(shí)現(xiàn)故障的檢測。以電磁閥電流變化率為原始信號利用小波包變換以及能量距方法進(jìn)行故障特征提取，再得到的故障特征上采用 BP 神經(jīng)網(wǎng)絡(luò)提出了對檢測時(shí)間要求不高的非實(shí)時(shí)故障診斷方法，采用關(guān)聯(lián)規(guī)則提出了實(shí)時(shí)故障診斷方法。
鶴山吊籃車租賃， 鶴山吊籃車出租， 鶴山吊籃車出租公司
還可以看看
其他文章，謝謝您的閱讀。
網(wǎng)站申明：系本文編輯轉(zhuǎn)載，來自網(wǎng)友自行發(fā)布或來源于網(wǎng)絡(luò)，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點(diǎn)和對其真實(shí)性負(fù)責(zé)，所有權(quán)歸屬原作者。如內(nèi)容、圖片有任何版權(quán)問題，請
聯(lián)系我們刪除。