System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于故障诊断领域,涉及一种基于pca-svdd的产线吊具智能故障诊断方法及系统。
技术介绍
1、汽车生产线作为汽车生产和制造业中的“生命线”,在汽车行业的高速发展中发挥了至关重要的作用。随着科学技术的发展,生产线正朝着高度智能化、自动化和集成化方向发展,越来越多的大型机械化吊具被引进同一条生产线,设备之间生产订单关系明显增强,生产过程日益变得复杂。也正因如此,在生产线的运作过程中,整个系统出现故障的可能性会增加,而且生产过程中的轻微故障就可能会造成无法弥补的损失,因此如何高效准确的对生产线吊具等关键设备进行故障诊断已成为当今汽车制造系统研究的主要问题之一。
2、汽车生产线吊具最常见的故障类型就是短路,传统的故障诊断工作大多数由专业的技术人员和相关领域诊断专家完成,可信程度很大程度上取决于已有的经验和专业知识。但是,由于现有的生产设备普遍比较复杂、自动化程度较高,所以需要分析的数据量也十分巨大。如此巨大的数据量全部依靠技术人员和诊断专家分析显然是不可实现的,因此提高生产线吊具故障诊断的自动化和智能化程度已经逐渐成为企业的共识。
3、汽车生产线上的吊具发生短路故障时电压数据会发生变化,因而目前已有一些研究利用电压分析法进行故障诊断,以此识别出故障设备的大致位置。但由于生产线上吊具数量的增多和设备间关联关系的加强,以及电压信号抗干扰能力弱、电压数据量多、传输间隔短等问题的存在,导致从电压数据中提取出典型特征并进行故障诊断的难度加大,变得较为困难,
4、目前学界提出了多种故障诊断和定位方法,
技术实现思路
1、为了解决上述现有技术方案存在的问题,本专利技术的目的在于提供一种基于pca-svdd的产线吊具智能故障诊断方法,旨在对汽车生产线上吊具的短路故障进行快速和精准的诊断,进一步提升生产线运行的安全性和稳定性。
2、本方法通过以下技术手段实现:
3、本专利技术提出一种基于pca-svdd的产线吊具智能故障诊断方法,包括:
4、步骤1:对设备的原始电压数据进行采样,采集周期为ts=0.001s,一周期内a,b,c三相电各采集1次;
5、步骤2:采用滑动时加窗口对数据进行取样,经过算法测试,选取滑动时间窗口的形状为(100,1),步长为100;
6、步骤3:对采集到的数据进行预处理,发现采集到的电压在(-5v,5v)区间,为了便于采集,将电压值映射到(0,65535)区间,设f(x)为对应的电压值,x为具体的数值,则有:
7、步骤4:采用主成分分析法(pca)对数据进行降维,在进行处理时,首先构造300维随机向量,x=(x1,x2,……,xn,……,x300)(1≤n≤300),选取样本数据,构造样本矩阵,并进行如下变换:(1≤i,j≤n)
8、
9、
10、
11、由以上变化可得标准化矩阵a,求标准化矩阵的相关系数矩阵r:
12、r=[rij]pxp=ata/(n-1) (4)
13、rij=∑aij·aij/(n-1) (5)
14、求矩阵r的特征方程的特征根λ,确定主成分:
15、|r-λip|=0 (6)
16、
17、对于每一个λj,j=1,2,......,m,解方程rb=λjb,得单位特征向量将标准后的变量转化为主成分:
18、
19、公式(8)其中,f1是第1主成分,fn是第n主成分,
20、步骤5:使用python编程选取前17个主成分,并将提取到的成分输入到svdd模型中进行故障诊断,svdd模型的运算结果如下:
21、svdd模型可以简单概述为:
22、约束条件是:(hi-a)t(hi-a)≤r2,i=1,2,…,n (9)
23、公式(9)中r代表超球体的半径,m代表超球体的球心,n表示训练时样本数据的个数。需要求解包含所有数据hi的最小超球体。
24、svdd模型寻找超球体可以归结为参数迭代优化问题,其基本形式如下所示:
25、
26、约束条件中,引入非负参数松弛因子ξ、惩罚因子c。
27、引入松弛因子后,超球体最小问题可有如下表示:
28、
29、其约束条件为:(hi-m)t(hi-m)≤r2+ξi,i=1,2,…,n
30、结合式(11)和约束条件,使用拉格朗日乘子法,得:
31、
32、拉格朗日乘子αi>0,γi>0。
33、求解方程,对上式r,m,ξi分别求偏微分,令偏微分等于零,满足kkt条件为:
34、
35、化简拉格朗日乘式,得:
36、l=∑iαi(hi·hi)-∑i,jαiαj(hi·hj) (14)
37、若样本hi满足下列不等式:
38、(hi-m)t(hi-m)≤r2+ξi (15)
39、则αi=0,表明样本在分类边界内部。
40、若样本hi满足下列不等式:
41、(hi-m)t(hi-m)=r2+ξi (16)
42、则αi>0,表明样本在分类边界外部。即可有如下结果:
43、
44、超球体半径r是从超球体中心m到任意支持向量构成的边界的距离,可通过任意支持向量hsv求得:
45、
46、当支持向量落在所描述边界的外面,即αi=c时,该样本由于是非目标样本而被排除。
47、当新加入测试样本点q,可以定义样本点q到超球体中心m的距离为:
48、
49、当rq2≤r2时,说明测试样本属于目标样本,模型输出值为1;当rq2>r2时,则表明测试样本q不属于目标样本,模型输出值为0。
50、正常吊具svdd模型输出值为1,故障吊具svdd模型输出值为0。通过上述步骤,依据svdd模型的输出值可实现故障吊具的快速、准确定位和预警。
本文档来自技高网...
【技术保护点】
1.一种基于PCA-SVDD的产线吊具智能故障诊断方法,其特征在于,包括如下步骤:
2.一种基于PCA-SVDD的产线吊具智能故障诊断系统,其特征在于,包括:数据传输和存储模块、数据预处理模块、数据特征提取模块、吊具故障诊断模块、人机交互模块;
【技术特征摘要】
1.一种基于pca-svdd的产线吊具智能故障诊断方法,其特征在于,包括如下步骤:
2.一种基于pca-svdd的产...
【专利技术属性】
技术研发人员:滕然,郝云瑞,徐驰,吴昊天,王梓屹,李健,王梓鉴,徐子翰,张宇,赵航,王柏楠,徐海洋,刘祁,杨超,张勇,周昊阳,白晓航,张达伟,曹鑫蔚,时艳杰,
申请(专利权)人:东北石油管道有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。