基于局部均值分解的电梯导靴故障诊断方法.pptxVIP

基于局部均值分解的电梯导靴故障诊断方法汇报人：2024-01-17REPORTING

目录引言电梯导靴故障信号采集与处理基于局部均值分解的故障诊断模型实验设计与结果分析基于局部均值分解的电梯导靴故障诊断系统实现总结与展望

PART01引言REPORTING

电梯导靴故障概述电梯导靴功能电梯导靴是电梯导轨与轿厢之间的连接部件，主要起导向和减震作用。故障类型常见的电梯导靴故障包括磨损、松动、断裂等，这些故障可能导致电梯运行不稳、噪音增大甚至发生安全事故。故障原因电梯导靴故障的原因可能包括设计缺陷、制造质量问题、安装不当、使用维护不当等。

适用范围局部均值分解方法适用于非线性、非平稳信号的处理，特别适用于机械故障诊断领域。方法原理局部均值分解是一种信号处理方法，通过计算信号的局部均值和局部包络，将信号分解为一系列固有模态函数之和，从而实现对信号的时频分析。优点相比于传统的信号处理方法，局部均值分解方法具有更高的时频分辨率和更好的抗噪性能，能够更准确地提取故障特征。局部均值分解方法介绍

研究目的本文旨在研究基于局部均值分解的电梯导靴故障诊断方法，通过提取故障特征并进行分析，实现对电梯导靴故障的有效诊断和预警。研究意义电梯作为现代城市重要的垂直交通工具，其安全性至关重要。研究电梯导靴故障诊断方法对于保障电梯安全运行、提高电梯维护效率具有重要意义。同时，本文的研究结果也可为其他类似机械设备的故障诊断提供参考和借鉴。研究目的和意义

PART02电梯导靴故障信号采集与处理REPORTING

针对电梯导靴故障信号的特点，选择合适的传感器类型，如加速度传感器、位移传感器等。传感器选择采样频率与精度采集方式根据信号特性和故障诊断需求，确定合适的采样频率和精度，以保证信号采集的准确性。采用在线或离线方式进行信号采集，根据实际需求选择合适的采集方式。030201信号采集设备与方法

采用滤波、小波变换等方法去除信号中的噪声干扰，提高信噪比。去噪处理通过时域、频域或时频域分析方法提取信号中的特征信息，如峰值、均值、频率等。特征提取对提取的特征数据进行标准化处理，消除量纲影响，便于后续故障诊断。数据标准化信号预处理技术

将采集到的电梯导靴故障信号经过预处理后，构建用于故障诊断的数据集。数据集构建将数据集划分为训练集、验证集和测试集，用于模型的训练、验证和测试。数据集划分采用合适的评估指标对数据集进行评估，如准确率、召回率、F1分数等，以衡量数据集的质量和模型的性能。数据集评估数据集构建与评估

PART03基于局部均值分解的故障诊断模型REPORTING

局部均值分解算法原理将非平稳信号分解为一系列乘积函数（PF），每个PF代表信号的一个内禀模态函数（IMF）。局部均值与包络估计通过滑动窗口计算局部均值，并基于局部均值构建信号的上、下包络线。筛选过程与停止准则反复进行“筛选”操作，即减去局部均值并重新计算包络线，直到满足停止准则，得到IMF分量。局部均值分解定义

频域特征提取通过傅里叶变换等方法将信号转换到频域，提取频域特征，如功率谱密度、主频等。特征选择方法利用统计检验、主成分分析等方法对提取的特征进行筛选和降维，以去除冗余和不相关特征。时域特征提取从原始信号及其IMF分量中提取时域特征，如均值、方差、峰度等。特征提取与选择方法

训练数据集构建收集电梯导靴故障样本，并进行预处理和特征提取，构建用于模型训练的数据集。模型训练过程选择合适的机器学习算法（如支持向量机、随机森林等），利用训练数据集对模型进行训练。模型优化策略通过交叉验证、网格搜索等方法对模型超参数进行优化，提高模型的泛化性能。同时，可以采用集成学习等方法进一步提升模型性能。模型训练与优化策略

PART04实验设计与结果分析REPORTING

数据集采用公开电梯导靴故障数据集，包含正常、磨损、断裂等多种状态下的导靴振动信号。参数设置局部均值分解算法中，滑动窗口大小设为100，步长为50；故障诊断模型采用支持向量机（SVM），核函数为径向基函数（RBF），惩罚因子C和核函数参数gamma通过交叉验证确定。实验数据集及参数设置

方法一基于时域特征提取和SVM的故障诊断方法。提取信号的均值、方差、峰峰值等时域特征，输入SVM进行分类。方法二基于频域特征提取和SVM的故障诊断方法。对信号进行傅里叶变换，提取频谱特征，输入SVM进行分类。方法三基于局部均值分解和SVM的故障诊断方法。采用局部均值分解算法对信号进行预处理，提取分解后的特征，输入SVM进行分类。不同故障诊断方法对比实验

采用混淆矩阵、ROC曲线等方式对实验结果进行可视化展示，直观地比较不同方法的性能。结果可视化采用准确率、召回率、F1分数等评估指标对实验结果进行定量评估。同时，为了更全面地评价方法的性能，还采用了多分类任务的宏平均和微平