針對(duì)電解鋁工藝過程中冷卻后的鋁錠在脫模過程中可能與容器發(fā)生粘接從而不能脫離的情況,建立了一種基于特征評(píng)估的鋁錠脫模診斷模型。利用經(jīng)驗(yàn)?zāi)B(tài)分解方法對(duì)采集到的敲擊信號(hào)進(jìn)行預(yù)處理,獲得8個(gè)高頻本征模態(tài)函數(shù),從這8個(gè)高頻本征模態(tài)函數(shù)和原信號(hào)中分別提取6個(gè)時(shí)域無量綱指標(biāo),通過敏感度數(shù)值的大小對(duì)這些特征進(jìn)行排序,將這些特征按順序輸入到RBF神經(jīng)網(wǎng)絡(luò)中,選擇出敏感特征并完成人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。利用待測(cè)試信號(hào)的敏感特征對(duì)模型進(jìn)行驗(yàn)證,可以從大量特征中選擇出敏感特征從而降低人工神經(jīng)網(wǎng)絡(luò)的緯數(shù),診斷正確率達(dá)到100%。

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

圖1模型建立流程

首先將采樣得到的信號(hào)分為訓(xùn)練樣本信號(hào)和測(cè)試信號(hào)兩類，前者用于模型建立過程中對(duì)RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，后者用來對(duì)模型進(jìn)行測(cè)試。隨后對(duì)訓(xùn)練樣本信號(hào)采用EMD方法進(jìn)行預(yù)處理，提取特征并計(jì)算特征的敏感度，結(jié)合神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)進(jìn)行進(jìn)一步地篩選得到敏感特征。最后將測(cè)試樣本信號(hào)的敏感特征作為輸入信....

圖2正常脫模的原始信號(hào)與分解后的前8個(gè)IMF

對(duì)采集到的聲音信號(hào)分別進(jìn)行EMD分解并提取前8個(gè)高頻IMF分量，結(jié)果如圖2-圖3所示。圖3未正常脫模的原始信號(hào)與分解后的前8個(gè)IMF

圖3未正常脫模的原始信號(hào)與分解后的前8個(gè)IMF

圖2正常脫模的原始信號(hào)與分解后的前8個(gè)IMF1.2特征信號(hào)選擇

圖4分類準(zhǔn)確率與特征數(shù)目關(guān)系

除此之外，繼續(xù)將特征作為輸入輸入到RBF人工神經(jīng)網(wǎng)絡(luò)中，得到了特征個(gè)數(shù)與分類準(zhǔn)確率的曲線，如圖4所示。通過圖4可以進(jìn)一步看到，隨著特征數(shù)目的增多，系統(tǒng)分類的能力總體在達(dá)到最大之后開始下降。這說明通過經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)原始信號(hào)進(jìn)行處理的同時(shí)，也帶來了大量效率低下的特征，甚至?xí)档头诸愋?...

本文編號(hào)：3991177