约束独立成分分析及其在滚动轴承故障诊断中的应用
主成分分析法运用
统计学简介及在实践中的应用 --以主成分分析法分析影响房价因素为例 姓名：阳飞 学号：2111601015 学院：经济管理学院 指导教师：吴东武 时间：二〇一七年一月六日
1 简介 统计语源最早出现于中世界拉丁语的Status，意思指各种现象的状态和状况。后来由这一语根组成意大利语Stato，有表示“国家”的概念，也含有国家结构和 国情知识的意思。根据这一语根，最早作为学名使用的“统计”的是在十八世纪德国政治学教授亨瓦尔（G.Achenwall)。他在1749年所著《近代欧洲各国国家学纲要》一书的绪言中，就把国家学名定义为“Statistika”（统计）这个词。原意是 指“国家显著事项的比较和记述”或“国势学”，认为统计是关于国家应注意事项的学问。自此以后，各国就相继沿用“统计”这个词，更把这个词译成各国的文字，其中，法国译为Statistique；意大利译为Statistica；英国译为Statistics；日本最初译为“政表”、“政算”、“国势”、“形势”等，直到1880年在太政官中设立了统计院，这个时候才确定以“统计”二字正名。 在我国近代史上首次出现是在1903年（清光绪廿九年）由钮永建、林卓南等翻译了四本由横山雅南所著的《统计讲义录》一书，这个时候才把“统计”这个词从日本传到我国。1907年（清光绪卅三年），由彭祖植编写的《统计学》在日本出版，同时在国内发行。这本书是我国最早的一本“统计学”书籍。自此以后“统计”一词就成了记述国家和社会状况的数量关系的总称。 关于“统计”这个词，后来又引申到了各种各样的组合，包括：统计工作、统计资料、统计科学。 统计工作是指利用科学的方法搜集、整理、分析和提供关于社会经济现象数量资料的工作的总称，它是统计的基础，也称统计实践或统计活动。是在一定统计理论指导下，采用科学的方法，搜集、整理、分析统计资料的一系列活动过程。
滚动轴承故障诊断分析
滚动轴承故障诊断分析 学院名称：机械与汽车工程学院专业班级： 学生姓名： 学生学号： 指导教师姓名：
摘要 滚动轴承故障诊断 本文对滚动轴承的故障形式、故障原因、常用诊断方法等诊断基础和滚动轴承故障的振动机理作了研究，并建立了相应的滚动轴承典型故障(外圈损伤、内圈损伤、滚动体损伤)的理论模型，给出了一些滚动轴承故障诊断常见实例。通过对滚动轴承故障振动机理的研究可以帮助我们了解滚动轴承故障的本质和特征。本文对特征参数的提取，理论推导，和过程都进行了详细的阐述， 关键词:滚动轴承；故障诊断；特征参数；特征； ABSTRACT ： The Rolling fault diagnosis In the thesis ,the fault types,diagnostic methods an d vibration principle of rolling bearing are discussed.the thesis sets up a series of academic m odels of faulty rolling bearings and lists some sym ptom parameters which often used in fault diagnosis of rolling bearings . the study of vibration prin ciple of rolling bearings can help us to know the essence and feature of rolling bearings.In this pa
简析滚动轴承故障诊断方法及要点
简析滚动轴承故障诊断方法及要点 滚动轴承是应用最为广泛的机械零件质疑，同时，它也是机器中最容易损坏的元件之一。许多旋转机械的故障都与滚动轴承的状态有关。据统计，在使用滚动轴承的旋转机械中，大约有30%的机械故障都是由于轴承而引起的。可见，轴承的好坏对机器工作状态影响极大。 通常，由于轴承的缺陷会导致机器产生振动和噪声，甚至会引起机器的损坏。而在精密机械中（如精密机床主轴、陀螺等），对轴承的要求就更高，哪怕是在轴承上有微米级的缺陷，都会导致整个机器系统的精度遭到破坏。 最早使用的轴承诊断方法是将听音棒接触轴承部位，依靠听觉来判断轴承有无故障。这种方法至今仍在使用，不过已经逐步使用电子听诊器来替代听棒以提高灵敏度。后来逐步采用各式测振仪器、仪表并利用位移、速度或加速度的均方根值或峰峰值来判断轴承有无故障。这可以减少对设备检修人员的经验的依赖，但仍然很难发现早期故障。 滚动轴承在设备中的应用非常广泛，滚动轴承状态好坏直接关系到旋转设备的运行状态，尤其在连续性大生产企业，大量应用于大型旋转设备重要部位，因此，实际生产中作好滚动轴承状态监测与故障诊断是搞好设备维修与管理的重要环节。我们经过长期实践与摸索，积累了一些滚动轴承实际故障诊断的实用技巧。 一、滚动轴承故障诊断的方式及要点： 对滚动轴承进行状态监测和故障诊断的实用方法是振动分析。 实用中需注意选择测点的位置和采集方法。要想真实准确反映滚动轴承振动状态，必须注意采集的信号准确真实，因此要在离轴承最近的地方安排测点，在电机自由端一般有后风扇罩，其测点选择在风扇罩固定螺丝有较好监测效果。另外必须注意对振动信号进行多次采集和分析，综合进行比较。才能得到准确结论。 二、滚动轴承正常运行的特点与实用诊断技巧： 我们在长期生产状态监测中发现，滚动轴承在其使用过程中表现出很强的规律性，并且重复性非常好。正常优质轴承在开始使用时，振动和噪声均比较小，但频谱有些散乱，幅值都较小，可能是由于制造过程中的一些缺陷，如表面毛刺等所致。 运动一段时间后，振动和噪声维持一定水平，频谱非常单一，仅出现一、二倍频。极少出现三倍工频以上频谱，轴承状态非常稳定，进入稳定工作期。 继续运行后进入使用后期，轴承振动和噪声开始增大，有时出现异音，但振动增大的变化较缓慢，此时，轴承峭度值开始突然达到一定数值。我们认为，此时轴承即表现为初期故障。
滚动轴承故障诊断与分析..
滚动轴承故障诊断与分析Examination and analysis of serious break fault down in rolling bearing 学院：机械与汽车工程学院 专业：机械设计制造及其自动化 班级：2010020101 姓名： 学号： 指导老师：王林鸿
摘要:滚动轴承是旋转机械中应用最广的机器零件，也是最易损坏的元件之一, 旋转机械的许多故障都与滚动轴承有关，轴承的工作好坏对机器的工作状态有很大的影响，其缺陷会产生设备的振动或噪声，甚至造成设备损坏。因此, 对滚动轴承故障的诊断分析, 在生产实际中尤为重要。 关键词：滚动轴承故障诊断振动 Abstract: Rolling bearing is the most widely used in rotating machinery of the machine parts, is also one of the most easily damaged components. Many of the rotating machinery fault associated with rolling bearings, bearing the work of good or bad has great influence to the working state of the machine, its defect can produce equipment of vibration or noise, and even cause equipment damage. Therefore, the diagnosis of rolling bearing fault analysis, is especially important in the practical production. Key words: rolling bearing fault diagnosis vibration 引言：滚动轴承是机器的易损件之一，据不完全统计，旋转机械的故障约有30％ 是因滚动轴承引起的，由此可见滚动轴承故障诊断工作的重要性。如何准确判断出它的末期故障是非常重要的，可减少不必要的停机修理，延长设备的使用寿命，避免事故停机。滚动轴承在运转过程中可能会由于各种原因引起损坏，如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等。即使在安装、润滑和使用维护都正常的情况下，经过一段时间运转，轴承也会出现疲劳剥落和磨损。总之，滚动轴承的故障原因是十分复杂的，因而对作为运转机械最重要件之一的轴承，进行状态检测和故障诊断具有重要的实际意义，这也是机械故障诊断领域的重点。 一滚动轴承故障诊断分析方法 1滚动轴承故障诊断传统的分析方法 1.1振动信号分析诊断 振动信号分析方法包括简易诊断法、冲击脉冲法（SPM法）、共振解调法（IFD 法）。振动诊断是检测诊断的重要工具之一。 （1）常用的简易诊断法有：振幅值诊断法，反应的是某时刻振幅的最大值，适用于表面点蚀损伤之类的具有瞬时冲击的故障诊断；波峰因素诊断法，表示的
主成分分析法的原理应用及计算步骤..
一、概述 在处理信息时，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠，例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。 为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。主成分分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。 主成分分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，通常综合指标（主成分）有以下几个特点： ↓主成分个数远远少于原有变量的个数 原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。 ↓主成分能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 ↓主成分之间应该互不相关 通过主成分分析得出的新的综合指标（主成分）之间互不相关，因子参与数据建模能够有效地解决变量信息重叠、多重共线性等给分析应用带来的诸多问题。 ↓主成分具有命名解释性 总之，主成分分析法是研究如何以最少的信息丢失将众多原有变量浓缩成少数几个因子，如何使因子具有一定的命名解释性的多元统计分析方法。 二、基本原理 主成分分析是数学上对数据降维的一种方法。其基本思想是设法将原来众多的具有一定相关性的指标X1，X2，…，XP （比如p 个指标），重新组合成一组较少个数的互不相关的综合指标Fm 来代替原来指标。那么综合指标应该如何去提取，使其既能最大程度的反映原变量Xp 所代表的信息，又能保证新指标之间保持相互无关（信息不重叠）。 设F1表示原变量的第一个线性组合所形成的主成分指标，即 11112121...p p F a X a X a X =+++,由数学知识可知，每一个主成分所提取的信息量可 用其方差来度量，其方差Var(F1)越大，表示F1包含的信息越多。常常希望第一主成分F1所含的信息量最大，因此在所有的线性组合中选取的F1应该是X1，X2，…，XP 的所有线性组合中方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来p 个指标的信息，再考虑选取第二个主成分指标F2，为有效地反映原信息，F1已有的信息就不需要再出现在F2中，即F2与F1要保持独立、不相关，用数学语言表达就是其协方差Cov(F1, F2)=0，所以F2是与F1不
滚动轴承故障诊断频谱分析讲解学习
滚动轴承故障诊断1（之国外专家版） 滚动轴承故障 现代工业通用机械都配备了相当数量的滚动轴承。一般说来，滚动轴承都是机器中最精密的部件。通常情况下，它们的公差都保持在机器的其余部件的公差的十分之一。但是，多年的实践经验表明，只有10%以下的轴承能够运行到设计寿命年限。而大约40%的轴承失效是由于润滑引起的故障，30%失效是由于不对中或“卡住”等装配失误，还有20%的失效是由过载使用或制造上缺陷 等其它原因所致。 如果机器都进行了精确对中和精确平衡，不在共振频率附近运转，并且轴承润滑良好，那么机器运行就会非常可*。机器的实际寿命也会接近其设计寿命。然而遗憾的是，大多数工业现场都没有做到这些。因此有很多轴承都因为磨损而永久失效。你的工作是要检测出早期症状并估计故障的严重程度。振动分析和磨损颗粒分析都是很好的诊断方法。 1、频谱特征 故障轴承会产生与1X基频倍数不完全相同的振动分量——换言之，它们不是同步的分量。对振动分析人员而言，如果在振动频谱中发现不同步分量那么极有可能是轴承出现故障的警告信号。 振动分析人员应该马上诊断并排除是否是其它故障引起的这些不同步分量。 如果看到不同步的波峰，那极有可能与轴承磨损相关。如果同时还有谐波和边频带出现，那么轴承磨损的可能性就非常大——这时候你甚至不需要再去了解轴承准确的扰动频率。 2、扰动频率计算 有四个与轴承相关的扰动频率：球过内圈频率（BPI）、球过外圈频率（BPO）、保持架频率（FT）和球的自旋频率（BS）。轴承的四个物理参数：球的数量、球的直径、节径和接触角。其中，BPI 和BPO的和等于滚珠/滚柱的数量。例如，如果BPO等于3.2 X，BPI等于4.8 X，那么滚珠/滚柱 的数量必定是8。
主成分分析法的步骤和原理
（一）主成分分析法的基本思想 主成分分析（Principal Component Analysis）是利用降维的思想，将多个变量转化为少数几个综合变量（即主成分），其中每个主成分都是原始变量的线性组合，各主成分之间互不相关，从而这些主成分能够反映始变量的绝大部分信息，且所含的信息互不重叠。[2] 采用这种方法可以克服单一的财务指标不能真实反映公司的财务情况的缺点，引进多方面的财务指标，但又将复杂因素归结为几个主成分，使得复杂问题得以简化，同时得到更为科学、准确的财务信息。 （二）主成分分析法代数模型 假设用p个变量来描述研究对象，分别用X1，X2…X p来表示，这p个变量构成的p维随机向量为X=(X1，X2…X p)t。设随机向量X的均值为μ，协方差矩阵为Σ。对X进行线性变化，考虑原始变量的线性组合： Z=μX+μX+…μX Z=μX+μX+…μX ……………… Z=μX+μX+…μX 主成分是不相关的线性组合Z1，Z2……Z p，并且Z1是X，X…X的线性组合中方差最大者，Z2是与Z1不相关的线性组合中方差最大者，…，Z是与Z1，Z2……Z p-1都不相关的线性组合中方差最大者。 （三）主成分分析法基本步骤 第一步：设估计样本数为n，选取的财务指标数为p，则由估计样本的原始数据可得矩阵X=(x ij)m×p，其中x ij表示第i家上市公司的第j项财务指标数据。 第二步：为了消除各项财务指标之间在量纲化和数量级上的差别，对指标数据进行标准化，得到标准化矩阵（系统自动生成）。 第三步：根据标准化数据矩阵建立协方差矩阵R，是反映标准化后的数据之间相关关系密切程度的统计指标，值越大，说明有必要对数据进行主成分分析。其中，R ij（i，j=1，2，…，p）为原始变量X i与X j的相关系数。R为实对称矩阵
滚动轴承故障诊断(附MATLAB程序)
第二组实验 轴承故障数据： Test2.mat 数据打开后应采用 X105_DE_time 作为分析数据，其他可作为参考，转速 1797rpm 轴承型号： 6205-2RS JEM SKF, 深沟球轴承 采样频率： 12k Hz 1、确定轴承各项参数并计算各部件的故障特征频率通过以上原始数据可知次轴承的参数为： 轴承转速 r=1797r/min；滚珠个数 n=9；滚动体直径 d=7.938mm；轴承节径 D=39mm；：滚动体接触角α=0 由以上数据计算滚动轴承不同部件故障的特征频率为：外圈故障频率 f1=r/60 * 1/2 * n(1-d/D *cos α )=107.34Hz 内圈故障频率 f2=r/60 * 1/2 * n(1+d/D *cos α)=162.21Hz 滚动体故障频率 f3=r/60*1/2*D/d*[1-(d/D)^2* cos^2( α)]=70.53Hz 保持架外圈故障频率 f4=r/60 * 1/2 * (1-d/D *cos α )=11.92Hz 2.对轴承故障数据进行时域波形分析 将轴承数据Test2.mat导入 MATLAB 中直接做 FFT 分析得到时域图如下：
并求得时域信号的各项特征： 1）有效值：0.2909； 3）峰值因子：5.2441；2）峰值： 1.5256；4）峭度： 5.2793；6）裕度因子：
3.包络谱分析 对信号做 EMD 模态分解，分解得到的每一个 IMF 信号分别和原信号做相关分析，找出相关系数较大的 IMF 分量并对此 IMF 分量进行 Hilbert 变换。 Empirical Mode Decomposition im 由图中可以看出经过 EMD 分解后得到的９个 IMF 分量和一个残余量。 IMF 分量分别和原信号做相关分析后得出相关系数如下： 由上表得：IMF1 的相关系数明显最大，所以选用 IMF1 做 Hilbert 包络谱分析。所得 Hilbert 包络谱图如下：
滚动轴承故障诊断与分析
滚动轴承故障诊断与分析 Examination and analysis of serious break fault down in rolling bearing
学院：机械与汽车工程学院 专业：机械设计制造及其自动化 班级：2010020101 姓名： 学号： 指导老师：王林鸿 :摘要,滚动轴承是旋转机械中应用最广的机器零件，也是最易损坏的元件之一 轴承的工作好坏对机器的工作状态有很旋转机械的许多故障都与滚动轴承有关，对滚动甚至造成设备损坏。因此, 大的影响，其缺陷会产生设备的振动或噪声， 轴承故障的诊断分析, 在生产实际中尤为重要。关键词：振动滚动轴承故 障诊断 Rolling bearing is the most widely used in rotating Abstract:easily machinery of the machine parts, is also one of the most damaged components. Many of the rotating machinery fault associated with rolling bearings, bearing the work of good or bad has great influence to the working state of the machine, even and of vibration or noise, produce its defect can equipment cause equipment damage. Therefore, the diagnosis of rolling bearing fault analysis, is especially important in the practical production. Key words: rolling bearing fault diagnosis vibration 引言：％30滚动轴承是机器的易损件之一，据不完全统计，旋转机械的故障约
主成分分析法概念及例题
主成分分析法 [ 编辑 ] 什么是主成分分析法 主成分分析也称 主分量分析 ，旨在利用降维的思想，把多 指标 转化为少数几个综合指标。 在 统计学 中，主成分分析（ principal components analysis,PCA ）是一种简化数据集的技 术。它是一个线性变换。 这个变换把数据变换到一个新的坐标系统中， 使得任何数据投影的第一 大方差 在第一个坐标 （称为第一主成分 ）上，第二大方差在第二个坐标 （第二主成分 ）上，依次类推。 主成分分析经常用减少数据集的维数， 同时保持数据集的对 方差 贡献最大的特征。 这是通过保留 低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是， 这也不是一定的，要视具体应用而定。 [ 编辑 ] ， PCA ） 又称： 主分量分析，主成分回归分析法 主成分分析（ principal components analysis
主成分分析的基本思想 在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。主成分分析正是适应这一要求产生的，是解决这类题的理想工具。 同样，在科普效果评估的过程中也存在着这样的问题。科普效果是很难具体量化的。在实际评估工作中，我们常常会选用几个有代表性的综合指标，采用打分的方法来进行评估，故综合指标的选取是个重点和难点。如上所述，主成分分析法正是解决这一问题的理想工具。因为评估所涉及的众多变量之间既然有一定的相关性，就必然存在着起支配作用的因素。根据这一点，通过对原始变量相关矩阵内部结构的关系研究，找出影响科普效果某一要素的几个综合指标，使综合指标为原来变量的线性拟合。这样，综合指标不仅保留了原始变量的主要信息，且彼此间不相关，又比原始变量具有某些更优越的性质，就使我们在研究复杂的科普效果评估问题时，容易抓住主要矛盾。上述想法可进一步概述为：设某科普效果评估要素涉及个指标，这指标构成的维随机向量为。对作正交变换，令，其中为正交阵，的各分量是不相关的，使得的各分量在某个评估要素中的作用容易解释，这就使得我们有可能从主分量中选择主要成分，削除对这一要素影响微弱的部分，通过对主分量的重点分析，达到对原始变量进行分析的目的。的各分量是原始变量线性组合，不同的分量表示原始变量之间不同的影响关系。由于这些基本关系很可能与特定的作用过程相联系，主成分分析使我们能从错综复杂的科普评估要素的众多指标中，找出一些主要成分，以便有效地利用大量统计数据，进行科普效果评估分析，使我们在研究科普效果评估问题中，可能得到深层次的一些启发，把科普效果评估研究引向深入。 例如，在对科普产品开发和利用这一要素的评估中，涉及科普创作人数百万人、科普作品发行量百万人、科普产业化（科普示范基地数百万人）等多项指标。经过主成分分析计算，最后确定个或个主成分作为综合评价科普产品利用和开发的综合指标，变量数减少，并达到一定的可信度，就容易进行科普效果的评估。 [ 编辑] 主成分分析法的基本原理 主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p 个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。 [ 编辑] 主成分分析的主要作用
主成分法及其应用
【作者简介】 苏键（1985-），男，广西钦州人，助理工程师，研究方向：食品科学。1主成分分析法 何谓主成分分析，就是将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法，又称主分量分析[1]。主成分分析的中心思想是缩减一个包括很多相互联系着的变量的数量集，在数量集中保留尽可能多的有用的变量。 主成分分析的原理是设法将原来变量重新组合成一组新的相互无关的几个综合变量，同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析，也是数学上处理降维的一种方法。主成分分析是设法将原来众多具有一定相关性（比如P 个指标 ），重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P 个指标作线性组合，作为新的综合指标。最经典的做法就是用F1（选取的第一个线性组合，即第一个综合指标）的方差来表达，即Var （F1）越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的， 故称F1为第一主成分。如果第一主成分不足以代表原来P 个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现再F2中，用数学语言表达就是要求Cov （F1,F2）=0，则称F2为第二主成分，依此类推可以构造出第三、第四，……，第P 个主成分[2]。 主成分分析首先是由K.皮尔森对非随机变量引入的，而后H.霍特林将此方法推广到随机向量的情形[2]。信息的大小通常用离差平方和或方差来衡量。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。但是，在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。 2主成分分析法在食品领域的应用 2.1主成分分析在食品风味方面的应用 目前，主成分分析应用还是比较广泛的，但是就食品风味方面，关于该分析方法的文献鲜见报道。戴素贤等[3]人对七种高香型乌龙茶中的香气成分进行了主成分分析,他们尝试用主成分分析法来研究茶业香型的变化，并进而找到影响这些香型变化的主要化合物，同时还发现了不同的茶别中香气化合物变化的趋势并进行了模拟量化，直观地表现了各种香气化合物对香气的贡献程度。李华等[4]运用多元统计分析确定葡萄酒感官特性，多元统计分析中的主成分分析等数学工具能够把大量的描述葡萄酒感官特性的描述语精简成较少的综合性更强的描述语，这些精简后的描述语不但能够反映精简前描述语的信息，还可以筛选出科学合理的描述符，描述符是描述分析的语言和工具，根据描述符可以分类不同的葡萄酒。邵威平等[5]应用主成分分析法完成了不同品牌啤酒风味差异性的评价，同一品牌啤酒风味一致性的评价，同一品牌不同生产厂之间一致性的评价以及同一生产厂啤酒一致性的评价这些工作。 啤酒是个多指标的风味食品，主成分分析法可以帮助我们更好地研究啤酒理化指标和啤酒风格之间的相关性，从而达到更好地理解啤酒风味的目的。岳田利等[6]人则通过利用主成分分析的方法建立了苹果酒香气质量的评价模型，并以此来对苹果酒样品香气组分进行客观的统计分析。S.Kallithraka 等[7]采用高效液相色谱法和气相色谱法研究了希腊国内不同产地葡萄酒的化合物成分和感官特性，并运用了PCA 法（主成分分析法）对所得参数进行多元分析，最终达到给葡萄酒评价和分类的目的。2.2主成分分析在食品品质方面的应用 食品品质的评价往往是非常复杂的过程。因为影响食品品质的因素大量存在，非人为因素如食品环境中的微生物，温度及pH 等的变化带来的影响。另一方面，由于人为的因素掺假也会造成食品品质的低劣，进而损害广大销售者和消费者的利益。如黎海红等[8]人运用主成分分析法对掺伪芝麻油的检测方法进行研究分析。根据主成分分析的实验原理，可以选择芝麻油的折光率、酸价、色泽、水分及挥发物、皂化值和碘价等理化指标作为变量，将这些变量的所测数据做矩阵处理最后分析就 轻工科技 LIGHT INDUSTRY SCIENCE AND TECHNOLOGY 2012年9月第9期（总第166期） 食品与生物 主成分分析法及其应用 苏键，陈军，何洁 （广西轻工业科学技术研究院，广西南宁530031） 【摘要】 介绍了主成分分析法的定义、原理，概述了该法在食品及一些仪器分析领域的应用，目的是为其他还未应用该分 析方法的学术领域提供一种参考和借鉴，使得主成分分析法能够在越来越多的学术领域中得以推广和应用。 【关键词】主成分分析；应用；概述【中图分类号】TS262【文献标识码】A 【文章编号】2095-3518 （2012）09－12－02
主成分分析法的步骤和原理
主成分分析法的步骤和原理 (总2页) -CAL-FENGHAI.-(YICAI)-Company One1 -CAL-本页仅作为文档封面，使用请直接删除
（一）主成分分析法的基本思想 主成分分析（Principal Component Analysis）是利用降维的思想，将多个变量转化为少数几个综合变量（即主成分），其中每个主成分都是原始变量的线性组合，各主成分之间互不相关，从而这些主成分能够反映始变量的绝大部分信息，且所含的信息互不重叠。[2] 采用这种方法可以克服单一的财务指标不能真实反映公司的财务情况的缺点，引进多方面的财务指标，但又将复杂因素归结为几个主成分，使得复杂问题得以简化，同时得到更为科学、准确的财务信息。 （二）主成分分析法代数模型 假设用p个变量来描述研究对象，分别用X 1，X 2 …X p 来表示，这p个变量构 成的p维随机向量为X=(X 1，X 2 …X p )t。设随机向量X的均值为μ，协方差矩阵 为Σ。假设 X 是以 n 个标量随机变量组成的列向量，并且μk 是其第k个元素的期望值，即，μk= E(xk)，协方差矩阵然后被定义为： Σ=E{(X-E[X])(X-E[X])}=(如图 对X进行线性变化，考虑原始变量的线性组合： Z1=μ11X1+μ12X2+…μ1p X p Z2=μ21X1+μ22X2+…μ2p X p ……………… Z p=μp1X1+μp2X2+…μpp X p 主成分是不相关的线性组合Z 1，Z 2 ……Z p ，并且Z 1 是X1，X2…X p的线性组合 中方差最大者，Z 2是与Z 1 不相关的线性组合中方差最大者，…，Z p是与Z 1 ， Z 2……Z p-1 都不相关的线性组合中方差最大者。 （三）主成分分析法基本步骤 第一步：设估计样本数为n，选取的财务指标数为p，则由估计样本的原始 数据可得矩阵X=(x ij ) m×p ，其中x ij 表示第i家上市公司的第j项财务指标数 据。 第二步：为了消除各项财务指标之间在量纲化和数量级上的差别，对指标数据进行标准化，得到标准化矩阵（系统自动生成）。 第三步：根据标准化数据矩阵建立协方差矩阵R，是反映标准化后的数据之间相关关系密切程度的统计指标，值越大，说明有必要对数据进行主成分分 析。其中，R ij （i，j=1，2，…，p）为原始变量X i 与X j 的相关系数。R为实对 称矩阵（即R ij =R ji ），只需计算其上三角元素或下三角元素即可，其计算公式 为：
滚动轴承故障诊断技术
目录 摘要 (3) 第1章绪论 (4) 1.1滚动轴承故障诊断技术的发展现状 (4) 1.2滚动轴承故障诊断技术的发展趋势 (6) 1.3滚动轴承诊断基础 (7) 1.3.1滚动轴承的常见故障形式 (7) 1.3.2滚动轴承的诊断方法 (8) 1.4本课题的研究意义和内容 (9) 第2章滚动轴承振动机理 (11) 2.1滚动轴承的基本参数 (11) 2.1.1滚动轴承的典型结构 (7) 2.1.2滚动轴承的特征频率 (11) 2.1.3滚动轴承的固有频率 (13) 2.2滚动轴承故障诊断常用参数 (14) 2.2.1时间领域有量纲特征参数 (14) 2.2.2时间领域的无量纲特征参数 (15) 2.2.3频率领域的无量纲特征参数 (16) 第3章滚动轴承故障诊断实验系统及实验方案 (17) 3.1滚动轴承故障诊断实验系统 (17) 3.1.1滚动轴承故障实验机械平台 (18) 3.1.2设备的组成: (19) 3.1.3设备的主要参数: (19) 3.1.4实验平台信号采集及故障诊断系统 (21) 3.2实验方案 (23) 3.2.1轴承的故障状态 (23) 3.2.2实验步骤 (23) 第4章实验的操作过程及数据的提取 (25) 4.1装拆轴承 (25)
4.1.1实验前期准备 (25) 4.1.2试机 (25) 4.1.3拆卸并安装轴承 (25) 4.2信号的采集过程 (27) 4.2.1前期准备 (27) 4.2.2数据采集过程 (28) 4.3数据信号的处理过程 (30) 第5章结论 (35) 致谢 (36) 参考文献 (37)
旋转机械故障诊断特征参数的提取 摘要：本文对滚动轴承的故障形式、故障原因、常用诊断方法等诊断基础和滚动轴承故障的振动机理作了研究，并建立了相应的滚动轴承典型故障(外圈损伤、内圈损伤、滚动体损伤)的理论模型，给出了一些滚动轴承故障诊断常用的特征参数。通过对滚动轴承故障振动机理的研究可以帮助我们了解滚动轴承故障的本质和特征。本文对特征参数的提取，理论推导，和过程都进行了详细的阐述，本文所提出的方法不仅仅适用滚动轴承故障的诊断，还可推广适用旋转机械其它故障的诊断。 关键词:滚动轴承；故障诊断；特征参数；分辨指数；识别率 The Extraction on Fault Diagnosis Symptom Parameters of Rotating Machinery ABSTRACT：In the thesis ,the fault types,diagnostic methods and vibration principle of rolling bearing are discussed.the thesis sets up a series of academic models of faulty rolling bearings and lists some symptom parameters which often used in fault diagnosis of rolling bearings . the study of vibration principle of rolling bearings can help us to know the essence and feature of rolling bearings.In this paper, the parameters of the extraction, theoretical analysis, and process are described in detail, the paper by the way not only to the Rolling fault diagnosis, but also promote the application of other rotating machinery fault diagnosis. Keywords:Rolling Bearing; Fault Diagnosis; Symptom Parameter; Distinction Index; Distinction Rate
滚动轴承故障诊断综述
摘要：滚动轴承是旋转机械中使用最多，最为关键，同时也是机械设备中最易损坏的机械零件之一。滚动轴承质量的好坏对机械设备运行质量影响很大，许多旋转机械设备的运行状况与滚动轴承的质量有很大的关系。滚动轴承作为旋转机械设备中使用频率较高，同时也是机械设备中较为薄弱的环节，因此对滚动轴承进行故障诊断具有重大意义。 引言：故障诊断技术是一门研究设备运行状况信息，查找故障源，研究故障发展趋势，确定相应决策，与生产实际紧密相结合的实用技术。故障诊断技术是20世纪中后迅速发展起来的一门新型技术。国外对滚动轴承故障诊断技术的研究开始于20世纪60年代。美国是世界上最早研究滚动轴承故障诊断技术的国家，于1967年对滚动轴承故障进行研究，经过几十年的发展，先后研制了基于时域分析，频域分析，和时频分析的滚动轴承故障诊断技术。 目前国外已经研制出先进的滚动轴承故障诊断仪器，并且已经应用于工业生产中，对预防机械事故，减少损失起到了至关重要的作用。国内对故障诊断技术的研究起步较晚，20世纪80年代我过开始研究滚动轴承故障诊断技术，经过多年的研究，先后出现了基于振动信号的滚动轴承故障诊断，基于声音信号的滚动轴承诊断方法，基于温度的滚动轴承诊断方法，基于油膜电阻的滚动轴承诊断方法和基于光钎的滚动轴承诊断方法。从实用性方面来看，基于振动信号的滚动轴承诊断方法具有实用性强，效果好，测试和信号处理简单等优点而被广泛采用。在滚动轴承故障诊断中，比较常用的振动诊断方法有特征参数法，频谱分析法，包络分析法，共振解调技术。其中共振解调技术是目前公认最有效的方法。 振动检测能检测轴承的剥落、裂纹、磨损、烧伤且适于早期检测和在线检测。因而，振动诊断法得到一致认可。包络检测是轴承故障振动诊断的一种有效方法,实际中已广泛使用。当轴承出现局部损伤类故障后，振动信号中包含了以故障特征频率为周期的周期性冲击成分，虽然这些冲击成分是周期出现的，但单个冲击信号却具有非平稳信号的特性。Fourier变换在频域上是完全局部化的，但由于其基函数在时域上的全局性使它没有任何的时间分辨率，因此不适合非平稳信号的分析。短时Fourier 变换虽然在时域和频域上都具有一定的分辨率而由于其基函数只能对信号进行等带宽的分解。因此基函数一旦确定，其时域和频域分辨率也就不能变化，从而不能自适应地确定信号在不同频段的分辨率。小波变
滚动轴承故障诊断的频谱分析
滚动轴承故障诊断的频谱分析 滚动轴承在机电设备中的应用非常广泛，滚动轴承状态的好坏直接关系到旋转设备的运行状态，因此在实际生产过程中作好滚动轴承的状态监测与故障诊断是搞好设备维修与管理的重要环节。 滚动轴承在其使用过程中表现出很强的规律性，并且重复性强。正常优质轴承在开始使用时振动和噪声均比较小，但频谱有些散乱，幅值比较小。运动一段时间后，振动和噪声保持在一定水平，频谱比较单一，仅出现一，二倍频，极少出现三倍工频以上频谱，轴承状态非常平稳，进入稳定工作期。持续运行后进入使用后期，轴承振动和噪声开始增大，有时出现异音，但振动增大的变化比较缓慢，此时，轴承峭度值开始突然到达一定值。可以认为此时轴承出现了初期故障。这时就要对轴承进行严密监测，密切注意其变化。此后轴承峭度值又开始快速下降，并接近正常值，而振动和噪声开始显著增大，其增大幅度开始加快，其振动超过标准时（ISO2372），其轴承峭度值也开始快速增大，当轴承超过振动标准，峭度值也超过正常值时，可认为轴承已进入晚期故障，需要及时检修设备，更换滚动轴承。 1、滚动轴承故障诊断方式 振动分析是对滚动轴承进行状态监测和故障诊断的常用方法。一般方式为：利用数据采集器在设备现场采集滚动轴承振动信号并储存，传送到计算机，利用振动分析软件进行深入分析，从而得到滚动轴承各种振动参数的准确数值，进而判断这些滚动轴承是否存在故障。采用恩递替公司的Indus3振动测量分析系统进行大中型电机滚动轴承的状态监测和故障诊断，经过近几年实际使用，其效果令人非常满意。要想真实准确反映滚动轴承振动状态，必须注意采集信号的准确真实，因此要在离轴承最近的地方安排测点。 2、滚动轴承正常运行特点与诊断技巧 滚动轴承的运转状态在其使用过程中有一定的规律性，并且重复性非常好。例如，正常优质轴承在开始使用时，振动幅值和噪声均比较小，但频谱有些散乱(图1)这可能是由于制造过程中的一些缺陷，如表面毛刺等所致。运行一段时间后，振动幅值和噪声维持一定水平，频谱非常单一，仅出现一、二倍频。极少出现三倍工频以上频谱(图2)，轴承状态非常稳定，进入稳定工作期。继续运行一段时
独立成分分析技术研究
(本科毕业设计论文) 本科毕业设计论文 题目独立成分分析技术研究 系别 专业 班级 学生姓名 学号 指导教师 报告日期
毕业设计任务书 一、题目 独立成分分析技术研究 二、指导思想和目的要求 1、利用已有的专业知识，培养学生解决实际工程问题的能力； 2、锻炼学生的科研工作能力和培养学生的团结合作攻关能力； 三、主要技术指标 1. 研究独立成分分析算法； 2. 完成演示程序 四、进度和要求 第01周----第02周：英文翻译； 第03周----第04周：学习主成分分析与独立成分分析技术； 第05周----第10周：研究独立成分分析算法； 第11周----第16周：设计演示程序； 第17周----第18周：撰写毕业设计论文，论文答辩； 五、主要参考书及参考资料 [1]《Independent Component Analysis》 Aapo Hyvarinen, Juha Karhunen, Erkki Oja , Wiley-Interscience; 1 edition, 2001 [2]《Independent Component Analysis: A Tutorial Introduction 》 James V. Stone, A Bradford Book , 2004 [3]《Bayesian Reasoning and Machine Learning Hardcover》 David Barber Cambridge University Press 2012 学生指导教师系主任 ___________
摘要 主成分分析（Principal Components Analysis，PCA）是一种分析、简化数据集的技术。主成分分析的原理是设法将原来变量重新组合成一组新的相互无关的几个综合变量，同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析，也是数学上处理降维的一种方法。 独立成分分析(I ndependent Component Analysis ,简称ICA)或独立分量分析是一种利用统计原理进行计算的方法。它是一个线性变换,这个变换把数据或信号分离成统计独立的非高斯的信号源的线性组合。目前比较流行的ICA算法又Infomax算法（信息最大化）、FastICA算法（定点算法，Fixed-point、快速ICA算法），方法分类的依据主要是求取分离矩阵W的方法不同。 计算最大似然估计时，假设了与之间是独立的，然而对于语音信号或者其他具有时间连续依赖特性（比如温度）上，这个假设不能成立。但是在数据足够多时，假设独立对效果影响不大，同时如果事先打乱样例，并运行随机梯度上升算法，那么能够加快收敛速度。 在诸多ICA算法中，固定点算法(也称FastlCA)以其收敛速度快、分离效果好被广泛应用于信号处理领域。该算法能很好地从观测信号中估计出相互统计独立的、被未知因素混合的原始信号。 本论文对，独立成分分析的一个改进的梯度学习算法进行了分析，简称正交信息极大化算法(OrthogonalIn fomax,O rth-Infomax)这个算法综合了Infomax算法和Fixed-Point（不定点）算法的优点。从语音信号和fMRI信号两方面来比较这三个算法。就语音信号的分离准确度来说，Orth-Infomax算法具有最好的分离精度。对于真实的fMRI数据来说，Orth-Infomax算法具有最佳的估计脑内激活的时间动力学准确性。相应的做出了语音数据的实验结果和fMRI数据的实验结果。