RBF人工神经网络评估特征诊断铝锭脱模故障

发布时间：2024-06-08 00:22

　　针对电解铝工艺过程中冷却后的铝锭在脱模过程中可能与容器发生粘接从而不能脱离的情况,建立了一种基于特征评估的铝锭脱模诊断模型。利用经验模态分解方法对采集到的敲击信号进行预处理,获得8个高频本征模态函数,从这8个高频本征模态函数和原信号中分别提取6个时域无量纲指标,通过敏感度数值的大小对这些特征进行排序,将这些特征按顺序输入到RBF神经网络中,选择出敏感特征并完成人工神经网络的训练。利用待测试信号的敏感特征对模型进行验证,可以从大量特征中选择出敏感特征从而降低人工神经网络的纬数,诊断正确率达到100%。

【文章页数】：4 页

【部分图文】：

图1模型建立流程

首先将采样得到的信号分为训练样本信号和测试信号两类，前者用于模型建立过程中对RBF神经网络的训练，后者用来对模型进行测试。随后对训练样本信号采用EMD方法进行预处理，提取特征并计算特征的敏感度，结合神经网络对信号进行进一步地筛选得到敏感特征。最后将测试样本信号的敏感特征作为输入信....

图2正常脱模的原始信号与分解后的前8个IMF

对采集到的声音信号分别进行EMD分解并提取前8个高频IMF分量，结果如图2-图3所示。图3未正常脱模的原始信号与分解后的前8个IMF

图3未正常脱模的原始信号与分解后的前8个IMF

图2正常脱模的原始信号与分解后的前8个IMF1.2特征信号选择

图4分类准确率与特征数目关系

除此之外，继续将特征作为输入输入到RBF人工神经网络中，得到了特征个数与分类准确率的曲线，如图4所示。通过图4可以进一步看到，随着特征数目的增多，系统分类的能力总体在达到最大之后开始下降。这说明通过经验模态分解对原始信号进行处理的同时，也带来了大量效率低下的特征，甚至会降低分类效....

本文编号：3991177