申请/专利权人：东北大学

申请日：2021-04-07

公开（公告）日：2024-04-02

公开（公告）号：CN113033690B

主分类号：G06F17/16

分类号：G06F17/16;G06V10/00;G10L25/51

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.07.13#实质审查的生效;2021.06.25#公开

摘要：本发明提供一种基于声音的双投影邻域保持嵌入的托辊故障检测方法，涉及故障检测技术领域。该方法通过采集托辊运行过程中的声音数据，对数据中的正常数据进行小波变换能量特征提取，得到小波变换能量特征数据，然后对小波能量特征数据进行双投影邻域保持嵌入特征提取，得到声音数据特征的最优投影矩阵，建立检测模型，构建正常声音数据的特征空间和残差空间的T2统计量，采用核密度估计的方法，根据T2统计量确定检测控制限，进而判断新采集的数据是否发生故障。本发明方法建立了正常托辊运行声音的数据集，同时在不降维和降维的情况下提取数据的主要特征，达到提高故障检测准确性的目的。

主权项：1.一种基于声音的双投影邻域保持嵌入的托辊故障检测方法，其特征在于：包括以下步骤：步骤1：采集正常托辊的运行声音数据；步骤2：运用滑窗对声音数据预处理，得到n个声音数据样本作为训练样本；步骤3：对声音数据样本进行小波变换能量特征提取，得到初级特征数据；步骤4：采用双投影邻域保持嵌入特征提取方法得到初级特征数据的最优投影矩阵W和残差投影矩阵Wres；步骤4.1：构建最优投影矩阵W的目标函数fW： 其中，X∈Rm×n是训练样本数据矩阵，其中m为训练样本维数，W∈Rm×l为初级特征数据的最优投影矩阵，l为训练数据的特征空间特征向量个数，λ是平衡参数，xi代表第i个训练样本，xi代表xi的第j个近邻点，k代表xi近邻点的个数，aij为采用邻域保持嵌入算法求解得到的xi的k个近邻点的权值；矩阵Q用于在不降维的情况下提取训练样本数据的特征，I为单位向量；令由于约束条件WTW＝I，令Q＝WWT，所以将目标函数fW修改为： 其中，Y＝[y1,y2,...,yn]；步骤4.2：采用迭代的方法求解目标函数fW，得到最优投影矩阵W；将修改后的目标函数fW整理为： 其中， 定义WTyi是矩阵WTY的第i列，定义WWTxi是矩阵WWTX的第i列，对目标函数fW构造拉格朗日函数，得：LW＝trWTYD1YTW+λtrWTXD2XTW-trδWTW-I6其中，LW为拉格朗日函数，δ是拉格朗日乘子；将公式4的拉格朗日函数对W求导，并把导数设为0，得到：2YD1YTW+2λXD2XTW-2δW＝07进一步整理公式5得：YD1YT+λXD2XTW＝δW8求YD1YT+λXD2XT的特征值及特征向量，并对特征值从小到大排序，选择其中最小的l特征值对应的l个特征向量分别作为行向量组成最优投影矩阵W；由后m-l个最小特征值对应的特征向量组成残差投影矩阵Wres的列向量；根据以上公式3-8，迭代求解最优投影矩阵W和残差投影矩阵Wres；步骤5：根据步骤4求得的最终的最优投影矩阵W和残差投影矩阵Wres求得训练数据的特征空间和残差空间；步骤6：利用T2统计量分别构建训练数据的特征空间和残差空间的T2统计量；步骤7：采用核密度估计的方法，根据训练数据的特征空间和残差空间的T2统计量确定检测控制限Jth,c、Jth,res；步骤8：在线采集托辊的运行声音数据，并进行标准化处理后，根据步骤4-6的方法，得到在线数据的特征空间和残差空间的T2统计量T′2、根据在线数据的特征空间和残差空间的T2统计量与检测控制限Jth,c、Jth,res的关系进行托辊故障检测；如果T′2Jth,c或者则托辊运行出现故障；如果T′2≤Jth,c且则托辊运行正常。

全文数据：

权利要求：

百度查询： 东北大学 一种基于声音的双投影邻域保持嵌入的托辊故障检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD