針對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估的鋁錠脫模診斷模型。利用經驗模態(tài)分解方法對采集到的敲擊信號進行預處理,獲得8個高頻本征模態(tài)函數(shù),從這8個高頻本征模態(tài)函數(shù)和原信號中分別提取6個時域無量綱指標,通過敏感度數(shù)值的大小對這些特征進行排序,將這些特征按順序輸入到RBF神經網絡中,選擇出敏感特征并完成人工神經網絡的訓練。利用待測試信號的敏感特征對模型進行驗證,可以從大量特征中選擇出敏感特征從而降低人工神經網絡的緯數(shù),診斷正確率達到100%。

【文章頁數(shù)】：4 頁

【部分圖文】：

圖1模型建立流程

首先將采樣得到的信號分為訓練樣本信號和測試信號兩類，前者用于模型建立過程中對RBF神經網絡的訓練，后者用來對模型進行測試。隨后對訓練樣本信號采用EMD方法進行預處理，提取特征并計算特征的敏感度，結合神經網絡對信號進行進一步地篩選得到敏感特征。最后將測試樣本信號的敏感特征作為輸入信....

圖2正常脫模的原始信號與分解后的前8個IMF

對采集到的聲音信號分別進行EMD分解并提取前8個高頻IMF分量，結果如圖2-圖3所示。圖3未正常脫模的原始信號與分解后的前8個IMF

圖3未正常脫模的原始信號與分解后的前8個IMF

圖2正常脫模的原始信號與分解后的前8個IMF1.2特征信號選擇

圖4分類準確率與特征數(shù)目關系

除此之外，繼續(xù)將特征作為輸入輸入到RBF人工神經網絡中，得到了特征個數(shù)與分類準確率的曲線，如圖4所示。通過圖4可以進一步看到，隨著特征數(shù)目的增多，系統(tǒng)分類的能力總體在達到最大之后開始下降。這說明通過經驗模態(tài)分解對原始信號進行處理的同時，也帶來了大量效率低下的特征，甚至會降低分類效....

本文編號：3991177