[发明专利]一种基于声音的双投影邻域保持嵌入的托辊故障检测方法

说明书

本发明提供一种基于声音的双投影邻域保持嵌入的托辊故障检测方法，涉及故障检测技术领域。该方法通过采集托辊运行过程中的声音数据，对数据中的正常数据进行小波变换能量特征提取，得到小波变换能量特征数据，然后对小波能量特征数据进行双投影邻域保持嵌入特征提取，得到声音数据特征的最优投影矩阵，建立检测模型，构建正常声音数据的特征空间和残差空间的T²统计量，采用核密度估计的方法，根据T²统计量确定检测控制限，进而判断新采集的数据是否发生故障。本发明方法建立了正常托辊运行声音的数据集，同时在不降维和降维的情况下提取数据的主要特征，达到提高故障检测准确性的目的。

技术领域

本发明涉及故障检测技术领域，尤其涉及一种基于声音的双投影邻域保持嵌入的托辊故障检测方法。

背景技术

现有对输送带托辊进行故障检测最常用的方法是人工检测。单纯依靠传统的人工检测方法无法满足实际需求。而且传统的人工检测对工人来说风险很大，而且效率低、精度低，不能满足现代矿山的生产要求。因此，需要一种智能托辊故障检测方法。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于声音的双投影邻域保持嵌入的托辊故障检测方法，采集托辊运行过程中的声音数据，判断托辊是否发生故障。

为解决上述技术问题，本发明所采取的技术方案是：一种基于声音的双投影邻域保持嵌入的托辊故障诊断方法，包括以下步骤：

步骤1：采集正常托辊的运行声音数据；

步骤2：运用滑窗对声音数据预处理，得到n个声音数据样本作为训练样本；

步骤3：对声音数据样本进行小波变换能量特征提取，得到初级特征数据；

步骤4：采用双投影邻域保持嵌入特征提取方法得到初级特征数据的最优投影矩阵W，具体方法为：

步骤4.1：构建最优投影矩阵W的目标函数f(W)：

其中，X∈R^m×n是训练样本数据矩阵，其中m为训练样本维数，W∈R^m×l为初级特征数据的最优投影矩阵，l为训练数据的特征空间特征向量个数，λ是平衡参数，x_i代表第 i个训练样本，x_i代表x_i的第j个近邻点，k代表x_i近邻点的个数，a_ij为采用邻域保持嵌入算法求解得到的x_i的k个近邻点的权值；矩阵Q用于在不降维的情况下提取训练样本数据的特征，I为单位向量；

令由于约束条件W^TW＝I，令Q＝WW^T，所以将目标函数f(W)修改为：

其中，Y＝[y₁,y₂,...,y_n]；

步骤4.2：采用迭代的方法求解目标函数f(W)，得到最优投影矩阵W；

将修改后的目标函数f(W)整理为：

其中，

定义(W^Ty_i)是矩阵(W^TY)的第i列，定义(WW^Tx_i)是矩阵(WW^TX)的第i列，对目标函数f(W)构造拉格朗日函数，得：