CN102520614A - 一种基于主元特征的工程机械负载模式判别方法 - Google Patents

一种基于主元特征的工程机械负载模式判别方法 Download PDF

Info

Publication number
CN102520614A
CN102520614A CN2011102794647A CN201110279464A CN102520614A CN 102520614 A CN102520614 A CN 102520614A CN 2011102794647 A CN2011102794647 A CN 2011102794647A CN 201110279464 A CN201110279464 A CN 201110279464A CN 102520614 A CN102520614 A CN 102520614A
Authority
CN
China
Prior art keywords
pivot
load
matrix
engineering machinery
load model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2011102794647A
Other languages
English (en)
Inventor
贺湘宇
贺尚红
荣见华
李旭宇
何志勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN2011102794647A priority Critical patent/CN102520614A/zh
Publication of CN102520614A publication Critical patent/CN102520614A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于主元特征的工程机械负载模式判别系统方法，所述的负载模式判别方法包括以下步骤：采集工程机械各种状态信号、数据预处理、建立工程机械负载模式主元模型、建立
Figure 14172DEST_PATH_IMAGE002
种目标负载模式下的主元特征向量故障库、负载模式分类。本发明适用范围广，具有良好的负载模式判别效果，能够广泛的应用于各类工程机械的负载模式判别。

Description

一种基于主元特征的工程机械负载模式判别方法
 
技术领域
本发明涉及工程机械领域，特别的，涉及一种工程机械负载模式判别方法。
 
技术背景
工程机械施工对象种类繁多，不同的施工对象导致系统负载大范围变化。对于现代工程机械，由于不能有效的判别负载模式，使得工程机械的施工可靠性差，能耗与排放大幅度上升。为了保证工程机械的正常运行，需要有效的、适应性强的负载模式判别方法。
近年来，随着信号处理、人工智能、现代控制理论等基础科学的迅速发展，基于模式识别的系统特征提取方法得到了广泛的关注。但是，针对工程机械负载模式判别，由于缺乏有效的负载模式判别方法，无法满足实际工程应用的要求。
 
发明内容
本发明针对现有技术中存在的问题提供了一种工程机械负载模式判别的方法，以达到提高工程机械的可靠性、降低工程机械的能源消耗的目的。
本发明提供了一种基于主元特征的工程机械负载模式判别系统方法，所述的负载模式判别方法包括如下步骤：
（1）采集工程机械各种状态信号，包括液压系统的压力、流量、温度，发动机转速、水温、机油压力等信号，并通过信号变送器处理后，建立某负载模式下的样本长度为                                                
Figure 451820DEST_PATH_IMAGE001
、信号变量个数为
Figure 186558DEST_PATH_IMAGE002
信号样本矩阵：
Figure 733077DEST_PATH_IMAGE003
（2）数据预处理，在建立工程机械负载模式主元模型之前，需要对样本矩阵
Figure 844253DEST_PATH_IMAGE004
进行归一化处理，可以得到
Figure 792617DEST_PATH_IMAGE005
的标准化值
Figure 760573DEST_PATH_IMAGE006
为
其中，
Figure 178096DEST_PATH_IMAGE008
，
Figure 246546DEST_PATH_IMAGE009
分别表示第
Figure 323087DEST_PATH_IMAGE010
项变量的平均值和标准差，从而得到标准化矩阵
Figure 906515DEST_PATH_IMAGE011
标准化矩阵被传送到负载模式判别模块，步骤（2）-（5）执行负载模式判别。
（3）建立工程机械负载模式主元模型，利用标准化处理后的数据，建立工程机械各类负载模式的主元模型，具体步骤为：
①获得协方差矩阵
Figure 111492DEST_PATH_IMAGE012
通过奇异值分解计算得到
Figure 34448DEST_PATH_IMAGE013
当
Figure 281890DEST_PATH_IMAGE014
其中，
Figure 290297DEST_PATH_IMAGE015
 是特征值矩阵，其特征值按递减的顺序排列，
Figure 281387DEST_PATH_IMAGE016
 与
Figure 121167DEST_PATH_IMAGE017
相对应特特征向量矩阵(负载矩阵)；
②获得主元，构造一个
Figure 539510DEST_PATH_IMAGE018
的线性变换，线性变换矩阵为
Figure 769634DEST_PATH_IMAGE019
，该线性变换可以表达为
Figure 564415DEST_PATH_IMAGE020
其中， ，
Figure 785629DEST_PATH_IMAGE022
 分别为的第1主元，第2主元，…，第
Figure 163838DEST_PATH_IMAGE002
主元。
③最优主元判别
为了保留最优的主元数目，可以将累积方差解释能力被作为判定准则，其定义如下
Figure 650314DEST_PATH_IMAGE023
其中，表示第
Figure 943072DEST_PATH_IMAGE025
各方差的解释能力因子，
Figure 814076DEST_PATH_IMAGE026
 是前个主元的累积方差解释能力的百分比，选取
Figure 617264DEST_PATH_IMAGE028
作为判别标准。提取前
Figure 106014DEST_PATH_IMAGE027
个主元的解释能力因子作为特征向量
作为负载模式特征向量。
（4）建立
Figure 501497DEST_PATH_IMAGE030
种目标负载模式下的主元特征向量故障库，重复步骤（1）-（3）可获得
Figure 603445DEST_PATH_IMAGE030
种目标负载模式的主元特征向量
Figure 845071DEST_PATH_IMAGE031
，构建目标负载模式向量库
Figure 323457DEST_PATH_IMAGE032
（5）负载模式分类，针对工程机械的某个待判别的负载模式，按照步骤（1）-（3）获取该负载模式下的主元特征向量
Figure 639032DEST_PATH_IMAGE033
，与
Figure 239777DEST_PATH_IMAGE034
合并后得到新的集合
Figure 640803DEST_PATH_IMAGE035
合并目标负载模式向量库和待判别负载模式向量后，需要使用模糊聚类算法对新的集合
Figure 922879DEST_PATH_IMAGE036
进行分类，以判断待判别的负载模式属于哪一类目标负载模式，该分类算法步骤如下：
①初始化
Figure 358540DEST_PATH_IMAGE037
，令
Figure 802291DEST_PATH_IMAGE038
；
②运用模糊聚类迭代优化算法，将
Figure 956192DEST_PATH_IMAGE039
分成
Figure 838697DEST_PATH_IMAGE040
类，得到模糊分区矩阵
Figure 128864DEST_PATH_IMAGE041
；
③使用最大隶属度法对
Figure 743516DEST_PATH_IMAGE041
进行硬化处理，得到硬化矩阵；
④如果
Figure 805330DEST_PATH_IMAGE042
中第
Figure 950004DEST_PATH_IMAGE043
列与第列在同一分区，即
Figure 926367DEST_PATH_IMAGE044
，说明待判别负载模式为第种目标负载模式，停止；否则，转下一步；
⑤如果
Figure 347258DEST_PATH_IMAGE045
，说明无法在目标负载模式中找到与待判别负载模式匹配的负载模式，停止；否则，令，返回②。
本发明适用范围广，具有良好的负载模式判别效果，能够广泛的应用于各类工程机械的负载模式判别。
 
附图说明
图1是本发明所提出的工程机械负载模式判别方法的实现原理框图。
 
具体实施方式
以下结合附图对本发明作进一步说明。        
参照图1、一种基于主元特征的工程机械负载模式判别系统方法所述的负载模式判别方法包括如下步骤：
（1）通过测量传感器20采集工程机械10各种状态信号，包括液压系统的压力、流量、温度，发动机转速、水温、机油压力等信号，并通过信号变送器30处理后，建立某负载模式下的样本长度为
Figure 716239DEST_PATH_IMAGE001
、信号变量个数为
Figure 681921DEST_PATH_IMAGE002
信号样本矩阵：
Figure 863504DEST_PATH_IMAGE003
信号样本矩阵被传送到负载模式判别模块40，步骤（2）-（5）执行负载模式判别。
（2）数据预处理模块41对信号样本矩阵，在建立工程机械负载模式主元模型之前，需要对样本矩阵
Figure 256439DEST_PATH_IMAGE004
进行归一化处理，可以得到
Figure 156262DEST_PATH_IMAGE005
的标准化值
Figure 660056DEST_PATH_IMAGE006
为
Figure 633828DEST_PATH_IMAGE007
其中，，
Figure 256887DEST_PATH_IMAGE009
分别表示第
Figure 626689DEST_PATH_IMAGE010
项变量的平均值和标准差，从而得到标准化矩阵
Figure 720547DEST_PATH_IMAGE011
（3）主元特征向量提取模块42建立工程机械负载模式主元模型，利用标准化处理后的数据，建立工程机械各类负载模式的主元模型，具体步骤为：
①获得协方差矩阵
Figure 517601DEST_PATH_IMAGE012
通过奇异值分解计算得到
Figure 64120DEST_PATH_IMAGE013
当
Figure 972034DEST_PATH_IMAGE014
其中，
Figure 920398DEST_PATH_IMAGE015
 是特征值矩阵，其特征值按递减的顺序排列，
Figure 826037DEST_PATH_IMAGE016
 与
Figure 922169DEST_PATH_IMAGE017
相对应特特征向量矩阵(负载矩阵)；
②获得主元，构造一个
Figure 571456DEST_PATH_IMAGE018
的线性变换，线性变换矩阵为
Figure 639906DEST_PATH_IMAGE019
，该线性变换可以表达为
Figure 778764DEST_PATH_IMAGE020
其中， 
Figure 34296DEST_PATH_IMAGE021
，
Figure 549591DEST_PATH_IMAGE022
 分别为
Figure 472547DEST_PATH_IMAGE018
的第1主元，第2主元，…，第
Figure 782306DEST_PATH_IMAGE002
主元。
③最优主元判别
为了保留最优的主元数目，可以将累积方差解释能力被作为判定准则，其定义如下
Figure 519275DEST_PATH_IMAGE023
其中，表示第
Figure 350144DEST_PATH_IMAGE025
各方差的解释能力因子，
Figure 768487DEST_PATH_IMAGE026
 是前个主元的累积方差解释能力的百分比，选取
Figure 855709DEST_PATH_IMAGE028
作为判别标准。提取前
Figure 753258DEST_PATH_IMAGE027
个主元的解释能力因子作为特征向量
Figure 404819DEST_PATH_IMAGE029
作为负载模式特征向量。
（4）目标负载模式向量故障库模块43，重复步骤（1）-（3）可获得
Figure 122239DEST_PATH_IMAGE030
种目标负载模式的主元特征向量，构建目标负载模式向量库
（5）负载模式分类模块44，采集工程机械的某个待判别的负载模式下的测试样本数据，按照步骤（1）-（3）获取该负载模式下的主元特征向量
Figure 91967DEST_PATH_IMAGE033
，与
Figure 296683DEST_PATH_IMAGE034
合并后得到新的集合
Figure 433266DEST_PATH_IMAGE035
合并目标负载模式向量库和待判别负载模式向量后，需要使用模糊聚类算法对新的集合
Figure 102145DEST_PATH_IMAGE036
进行分类，以判断待判别的负载模式属于哪一类目标负载模式，该分类算法步骤如下：
①初始化
Figure 33192DEST_PATH_IMAGE037
，令
Figure 787521DEST_PATH_IMAGE038
；
②运用模糊聚类迭代优
化算法，将
Figure 727795DEST_PATH_IMAGE039
分成
Figure 188864DEST_PATH_IMAGE040
类，得到模糊分区矩阵
Figure 353129DEST_PATH_IMAGE041
；
③使用最大隶属度法对
Figure 532437DEST_PATH_IMAGE041
进行硬化处理，得到硬化矩阵
Figure 73140DEST_PATH_IMAGE042
；
④如果
Figure 388715DEST_PATH_IMAGE042
中第
Figure 927144DEST_PATH_IMAGE043
列与第
Figure 390486DEST_PATH_IMAGE025
列在同一分区，即
Figure 672563DEST_PATH_IMAGE044
，说明待判别负载模式为第
Figure 904961DEST_PATH_IMAGE025
种目标负载模式，停止；否则，转下一步；
⑤如果
Figure 631869DEST_PATH_IMAGE045
，说明无法在目标负载模式中找到与待判别负载模式匹配的负载模式，停止；否则，令
Figure 520191DEST_PATH_IMAGE046
，返回②。

Claims (1)

1.一种基于主元特征的工程机械负载模式判别系统方法，包括如下步骤：
（1）采集工程机械各种状态信号，包括液压系统的压力、流量、温度，发动机转速、水温、机油压力等信号，并通过信号变送器处理后，建立某负载模式下的样本长度为                                                
Figure 882038DEST_PATH_IMAGE001
、信号变量个数为
Figure 276110DEST_PATH_IMAGE002
信号样本矩阵：
Figure 500418DEST_PATH_IMAGE003
（2）数据预处理，在建立工程机械负载模式主元模型之前，需要对样本矩阵
Figure 400065DEST_PATH_IMAGE004
进行归一化处理，可以得到
Figure 277891DEST_PATH_IMAGE005
的标准化值为
Figure 515154DEST_PATH_IMAGE007
其中，
Figure 165578DEST_PATH_IMAGE008
，分别表示第项变量的平均值和标准差，从而得到标准化矩阵
Figure 149081DEST_PATH_IMAGE011
标准化矩阵被传送到负载模式判别模块，步骤（2）-（5）执行负载模式判别；
（3）建立工程机械负载模式主元模型，利用标准化处理后的数据，建立工程机械各类负载模式的主元模型，具体步骤为：
①获得协方差矩阵
Figure 280110DEST_PATH_IMAGE012
通过奇异值分解计算得到
Figure 906263DEST_PATH_IMAGE013
当
Figure 762224DEST_PATH_IMAGE014
其中，
Figure 459922DEST_PATH_IMAGE015
 是特征值矩阵，其特征值按递减的顺序排列，
Figure 84938DEST_PATH_IMAGE016
 与
Figure 881993DEST_PATH_IMAGE017
相对应特特征向量矩阵(负载矩阵)；
②获得主元，构造一个
Figure 553145DEST_PATH_IMAGE018
的线性变换，线性变换矩阵为
Figure 320113DEST_PATH_IMAGE019
，该线性变换可以表达为
其中， 
Figure 767592DEST_PATH_IMAGE021
，
Figure 955735DEST_PATH_IMAGE022
 分别为
Figure 870601DEST_PATH_IMAGE018
的第1主元，第2主元，…，第
Figure 594843DEST_PATH_IMAGE002
主元；
③最优主元判别
为了保留最优的主元数目，可以将累积方差解释能力被作为判定准则，其定义如下
Figure 733701DEST_PATH_IMAGE023
其中，
Figure 785970DEST_PATH_IMAGE024
表示第
Figure 629161DEST_PATH_IMAGE026
各方差的解释能力因子，
Figure 83276DEST_PATH_IMAGE027
 是前
Figure 986510DEST_PATH_IMAGE028
个主元的累积方差解释能力的百分比，选取
Figure 57235DEST_PATH_IMAGE029
作为判别标准；
提取前
Figure 579483DEST_PATH_IMAGE028
个主元的解释能力因子作为特征向量
Figure 514203DEST_PATH_IMAGE030
作为负载模式特征向量；
（4）建立
Figure 994863DEST_PATH_IMAGE031
种目标负载模式下的主元特征向量故障库，重复步骤（1）-（3）可获得
Figure 756146DEST_PATH_IMAGE031
种目标负载模式的主元特征向量
Figure 206718DEST_PATH_IMAGE032
，构建目标负载模式向量库
Figure 369847DEST_PATH_IMAGE033
（5）负载模式分类，针对工程机械的某个待判别的负载模式，按照步骤（1）-（3）获取该负载模式下的主元特征向量
Figure 21408DEST_PATH_IMAGE034
，与
Figure 660199DEST_PATH_IMAGE035
合并后得到新的集合
Figure 524250DEST_PATH_IMAGE036
合并目标负载模式向量库和待判别负载模式向量后，需要使用模糊聚类算法对新的集合
Figure 73043DEST_PATH_IMAGE037
进行分类，以判断待判别的负载模式属于哪一类目标负载模式，该分类算法步骤如下：
①初始化，令；
②运用模糊聚类迭代优化算法，将
Figure 515767DEST_PATH_IMAGE040
分成
Figure 653487DEST_PATH_IMAGE041
类，得到模糊分区矩阵；
③使用最大隶属度法对进行硬化处理，得到硬化矩阵
Figure 466088DEST_PATH_IMAGE043
；
④如果中第
Figure 747214DEST_PATH_IMAGE044
列与第
Figure 457681DEST_PATH_IMAGE026
列在同一分区，即
Figure 998384DEST_PATH_IMAGE045
，说明待判别负载模式为第
Figure 969751DEST_PATH_IMAGE026
种目标负载模式，停止；否则，转下一步；
⑤如果
Figure 39338DEST_PATH_IMAGE046
，说明无法在目标负载模式中找到与待判别负载模式匹配的负载模式，停止；否则，令
Figure 502680DEST_PATH_IMAGE047
，返回②。
CN2011102794647A 2011-09-20 2011-09-20 一种基于主元特征的工程机械负载模式判别方法 Pending CN102520614A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011102794647A CN102520614A (zh) 2011-09-20 2011-09-20 一种基于主元特征的工程机械负载模式判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011102794647A CN102520614A (zh) 2011-09-20 2011-09-20 一种基于主元特征的工程机械负载模式判别方法

Publications (1)

Publication Number Publication Date
CN102520614A true CN102520614A (zh) 2012-06-27

Family

ID=46291567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011102794647A Pending CN102520614A (zh) 2011-09-20 2011-09-20 一种基于主元特征的工程机械负载模式判别方法

Country Status (1)

Country Link
CN (1) CN102520614A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046092A (zh) * 2015-08-20 2015-11-11 中国人民解放军空军勤务学院 基于主元核相似度免疫机制的航空发动机故障诊断方法
CN108197647A (zh) * 2017-12-28 2018-06-22 中南大学 一种汽车起动机耐久测试数据的快速聚类方法
CN109932904A (zh) * 2019-03-06 2019-06-25 东方证券股份有限公司 基于特征选择与主元控制的异常状态监测与控制系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101038485A (zh) * 2006-12-22 2007-09-19 浙江大学 丙烯聚合生产数据检测及故障诊断系统及方法
CN201035376Y (zh) * 2006-12-22 2008-03-12 浙江大学 工业生产过程小样本条件下的故障诊断装置
CN101806861A (zh) * 2010-04-19 2010-08-18 哈尔滨工业大学 一种密封电磁继电器电接触失效类别判定方法
CN101964021A (zh) * 2010-09-29 2011-02-02 东北大学 基于递归核主元分析的青霉素发酵过程故障监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101038485A (zh) * 2006-12-22 2007-09-19 浙江大学 丙烯聚合生产数据检测及故障诊断系统及方法
CN201035376Y (zh) * 2006-12-22 2008-03-12 浙江大学 工业生产过程小样本条件下的故障诊断装置
CN101806861A (zh) * 2010-04-19 2010-08-18 哈尔滨工业大学 一种密封电磁继电器电接触失效类别判定方法
CN101964021A (zh) * 2010-09-29 2011-02-02 东北大学 基于递归核主元分析的青霉素发酵过程故障监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
贺湘宇等: "动态主元分析在线故障检测方法在挖掘机液压系统中的应用", 《工程机械》, vol. 41, 30 September 2010 (2010-09-30) *
贺湘宇等: "基于主元回归模型的挖掘机液压系统故障诊断", 《江苏大学学报（自然科学版）》, vol. 29, no. 2, 31 March 2008 (2008-03-31) *
贺湘宇等: "基于有源自回归模型与模糊C_均值聚类的挖掘机液压系统故障诊断", 《吉林大学学报（工学版）》, vol. 38, no. 1, 31 January 2008 (2008-01-31) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046092A (zh) * 2015-08-20 2015-11-11 中国人民解放军空军勤务学院 基于主元核相似度免疫机制的航空发动机故障诊断方法
CN108197647A (zh) * 2017-12-28 2018-06-22 中南大学 一种汽车起动机耐久测试数据的快速聚类方法
CN108197647B (zh) * 2017-12-28 2021-08-31 中南大学 一种汽车起动机耐久测试数据的快速聚类方法
CN109932904A (zh) * 2019-03-06 2019-06-25 东方证券股份有限公司 基于特征选择与主元控制的异常状态监测与控制系统

Similar Documents

Publication Publication Date Title
Gou et al. Aeroengine control system sensor fault diagnosis based on CWT and CNN
CN102323972B (zh) 一种相控阵雷达资源管理方法
CN106482967B (zh) 一种代价敏感支持向量机机车车轮检测系统及方法
CN103020642A (zh) 水环境监测质控数据分析方法
CN101984340B (zh) 一种基于人工智能的软性磨粒两相湍流流型识别方法
CN110321940B (zh) 飞行器遥测数据特征提取与分级分类方法及装置
CN101950327A (zh) 一种基于故障树信息的设备状态预测方法
CN110059442A (zh) 一种基于零件表面粗糙度和功率信息的车削加工换刀方法
CN105389480A (zh) 多类不平衡基因组学数据迭代集成特征选择方法及系统
CN101980298A (zh) 基于多智能体遗传聚类算法的图像分割方法
CN114358124B (zh) 基于深度对抗卷积神经网络的旋转机械新故障诊断方法
WO2023024433A1 (zh) 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法
Zheng et al. Fault diagnosis method based on supervised particle swarm optimization classification algorithm
CN102520614A (zh) 一种基于主元特征的工程机械负载模式判别方法
AU2021104744A4 (en) Method and system for status monitoring and fault early warning based on lubricating oil liquid
CN104809499A (zh) 一种基于随机漂移粒子群优化算法的动态环境优化方法
CN106295677A (zh) 一种联合拉斯正则项和特征自学习的水流图像分簇方法
CN104077489A (zh) 一种能耗设备能效分析方法及其分析系统
CN102789598A (zh) 一种以机器特征属性为区间数的作业车间瓶颈识别方法
Zhang et al. A Density-Center-Based Automatic Clustering Algorithm for IoT Data Analysis
Oprea et al. Electricity load profile calculation using self-organizing maps
CN101807260B (zh) 变化场景下行人检测的方法
Urgun Multi label RBF classification method for composite system reliability evaluation
CN103500359A (zh) 基于结构等价型模糊神经网络的雷达辐射源识别方法
Ge et al. Remaining useful life prediction using deep multi-scale convolution neural networks

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120627

WD01 Invention patent application deemed withdrawn after publication