4. 基于数据驱动的电磁阀故障检测：基于数据驱动的故障诊断方法有很多，如神经网络、模糊逻辑、小波分析等等。在基于人工智能的技术中，对被测数据进行一些统计操作，或者利用测量结果训练一些神经网络来提取故障特征。利用基于支持向量机的参数优化故障模式分类模型对感知信号特征进行分类从而实现了故障诊断。基于动量自适应学习速率调整算法的三层感知器 BP 网络，将转速、压力等输入到神经网络，最后输出故障信号，以此进行训练模型。并根据此模型进行故障检测。给出了一种基于经验模态分解（EMD,Empirical Mode Decomposition）与邻域粗糙集相结合的故障检测方法。首先对电流信号进行及经验模态分解得到表征信号特征的在时间尺度上的本征模态函数分量，然后提取可以表征故障的本征模态函数分量的能量熵，再利用邻域粗糙集进行冗余信息的去除，得到真正的“核心”从而降低系统的时间空间复杂度，再根据约简后的特征利用决策树算法进行故障检测。采用故障树分析的方法检测由现象推出原因得到了电磁阀故障检测方法。利用 PNN 神经网络对电磁阀正常状态和故障状态的模型进行训练，通过模型的对比匹配从而进行电磁阀故障检测。利用卷积神经网络对交流电磁阀进行物理建模，从而进一步进行故障检测。基于数据驱动的故障检测方法可以有效地提取故障信息；然而，它们需要一个大型的测量数据库来训练诊断模型，往往需要的数据处理是较大的，同其他方法相比需要更加消耗计算资源，因此被认为是计算速度慢的检测方法。
5 方法综合的电磁阀故障检测：由于上诉故障检测方法都存在各自的优缺点，因此利用各种方法的优点，取长补短，实现一个相对较好的效果也是各个学者研究的热点，常见的如利用信号处理方法加上数据驱动方法可以实现相对快速准确的效果。将采集的实际电磁阀电流变化率作为特征曲线并在此基础上利用小波包分解得到电流的特征向量，最后将得到特征进行训练得到相应的模型，在训练模型上进行电磁阀相应故障的诊断。对电磁阀的电流进行基于模板匹配的能量特征提取，为了降低电流特征的维数，采用 K-L 变换实现降维以此降低复杂度，同时保留电磁阀电流的主要特征。最后用 3 层 BP 神经网络进行训练与模式识别，从而实现故障的检测。以电磁阀电流变化率为原始信号利用小波包变换以及能量距方法进行故障特征提取，再得到的故障特征上采用 BP 神经网络提出了对检测时间要求不高的非实时故障诊断方法，采用关联规则提出了实时故障诊断方法。
鹤山吊篮车租赁， 鹤山吊篮车出租， 鹤山吊篮车出租公司
还可以看看
其他文章，谢谢您的阅读。
网站申明：系本文编辑转载，来自网友自行发布或来源于网络，目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责，所有权归属原作者。如内容、图片有任何版权问题，请
联系我们删除。