【三菱电梯导靴故障信号处理方法研究10000字（论文）】

三菱电梯导靴故障信号处理方法研究目录TOC\o"1-3"\h\u111931绪论 页1绪论1.1研究背景与意义伴随着我国改革开放的深入进行，城市中的高层建筑在改革的春风中一座座拔地而起，在此背景下，我国的电梯行业的发展也迎来了前所未有的机遇，进入了发展的快车道。电梯的出现不仅极大地提高了社会生产效率，而且使人们的工作和生活更加方便、高效。20世纪80年代以前，中国的电梯数量不到2万部，年产量不到1000部。这可以说是一种真正的奢侈。2012年，经过30年的经济发展，中国的电梯市场跻身世界前列。根据中国国家质检总局的相关信息，中国使用的电梯总数为245万部。这一数字一直在上升，每年多达30万部电梯。到2019年底，电梯总数将达到709.75亿部，占世界电梯制造业的70%以上。中国大陆电梯行业的快速发展给我们带来了便利，电梯的舒适性和安全性也受到了广泛关注。电梯是一种复杂的机械车辆。其关键部件的质量将决定电梯能否安全平稳运行。然而，在日常生活中，电梯通常长期处于高密度状态。电梯故障通常由故障或部件损坏引起。电梯导靴作为电梯导轨系统的重要组成部分，在电梯导轨系统中起着重要作用。深入研究电梯故障原因与电梯运行密切相关。导轨是电梯导轨和轿厢之间的尼龙滑块，可以将轿厢固定在导轨上，使轿厢沿固定导轨上下移动，避免偏离车辆。电梯负载很高。在日常操作中，导靴和其他部件的摩擦直接受到影响。随着时间的推移，电梯导靴会出现一些问题。一旦导靴异常，轿厢的异常振动或碰撞将直接影响电梯的乘坐舒适性，甚至导靴的脱落也将对乘客的安全构成威胁。电梯是手动操作的，因此，寻找一种合适的方法来识别和修复手动鞋非常重要。随着大量数据和人工智能技术的出现，传统的凭技术人员的感觉判断机械故障的方法已逐渐退出舞台，取而代之的是对故障信号处理和模式识别机制的研究，导靴故障机理分析需要结合振动、摩擦学等相关基础知识，通过实验分析研究导靴故障模式和故障信息，证明导靴故障状态是正确的。故障诊断可以概括为：判断设备的运行状态，基于不同运行状态的判断主要来源于从不同运行状态采集的信息，通过振动信号可以监测设备的状态，各种传感器采集的噪声信号和温度信号。振动信号是近年来故障特征研究的热点，在机械故障诊断领域得到了广泛的应用。图1-1电梯导靴故障诊断基本流程1.2国内外研究现状1.2.1智能故障诊断方法研究现状1967年，美国在中国成立了故障预防和处理小组。在其建立后，每个团队成员的主要任务是故障预测、故障诊断和故障检测，了解故障原因，避免这些错误或将灾难最小化。在接下来的几年里，美国通过结合一些解决方案、失败的可能性和原因，并将其应用到军事领域，取得了良好的效果。瑞典建立了独特的故障分析网络和专家数据库，用于诊断和分析该国的机械故障。在亚洲国家中，日本在交通运输和电力系统故障诊断方面一直处于高度优先地位，并在国家安全方面取得了显著成就。与美国、瑞典和日本等国家相比，由于我国发展较为靠后，在故障诊断的研究上起步比较晚。但是我国科技发展较为迅猛，在近些年故障诊断的过程中也取得了较为不错的成就。1987年，我国建立了自己独有的故障诊断分会，定期地召开各种故障诊断学术研究会议，在各大高校里面也相继建立自己独有的故障诊断实验室，这些研究机构对我国故障诊断方面的发展做出了极大的贡献。在如今的智能化故障诊断时期，各种先进的方法层出不穷，常用的智能故障诊断方法有如下几种：(1)基于专家系统的故障诊断方法专家系统最初由斯坦福大学（StanfordUniversity）的研究人员提出，用于解决特定领域的复杂问题。专家系统通过基于知识的推理解决复杂问题，包括知识库、推理机、知识获取模块和解释接口。知识库中的知识以事实和规则的形式存储。事实是短期信息，可能会发生巨大变化。规则是长期信息，是相对固定的容器，用于存储知识和表示参数。推理机负责专家系统的整体协作和组织，通过知识库中现有的知识和标准解决推理策略问题。总之，专家系统是现代人工智能和机器学习的一个模型。基于专家系统的故障诊断将各种规则应用于目标计算机上收集的诊断信息。快速发现最终或潜在故障是用户确认的一种方法。1.2.2振动信号处理研究现状信号从不同的特征域分析可以提取不同维度的特征信息，融合这些特征可以使得特征提取具有完备性、有效性。在对信号进行特征域分析时，主要从信号的时域、频域和时频域入手，在信号的时域指标中又分有量纲指标和无量纲指标，其中有量纲指标包括均值、均方差、峰值、峰峰值，其中均值是反映信号中心趋势的一个指标，反映了信号中的静态部分；均方值反映信号的振动强度；方差反映信号幅值偏离均值的大小；峰值、峰峰值反映信号幅值的增大过程。有量纲指标能够从信号时域内幅值和能量的角度反映信号状态的变化，但对工况敏感。无量纲指标一般是信号统计量的比值，可以克服有量纲指标的缺点，基本不受速度、载荷等工况因素的影响，常用的无量纲指标有偏斜度指标、峭度指标等。偏斜度指标反映信号概率密度函数的中心偏离正态分布的程度，反映信号幅值分布相对其均值的不对称性；峭度指标反映信号概率密度函数峰顶的凸平度。1.2.3故障识别研究现状模式识别是计算机科学的四大基石之一。它包括在小的、分解的问题中寻找相似性或模式，这些问题可以帮助我们更有效地解决更复杂的问题。模式识别的一个重要方面是它的应用潜力。例如语音识别，说话人识别，多媒体文档识别，自动医疗诊断。在一个典型的模式识别应用程序中，计算机通过识别和描绘输入数据所包含的模式及其相互关系，对输入数据施加同一性。原始数据被处理并转换成机器可以使用的形式。模式识别是检测特征或数据排列的能力，这些特征或数据产生关于给定系统或数据集的信息。在技术背景下，一种模式可能是一段时间内重复出现的数据序列，可用于预测趋势、识别对象的图像中特征的特定配置、用于自然语言处理的词和短语的频繁组合，或者是网络上的特定行为集群，这些行为可能表明存在攻击以及几乎无穷无尽的其他可能性。在模式识别中，模式识别系统在进行工作时只要判断被识别的对象落入哪一个区域，就能确定出它所属的类别。电梯导靴故障诊断工况识别问题实际上恰恰是基于统计模式识别的识别分类问题，通常先使用传感器对所研究的对象进行数据采集，并应用相应的特征提取方法对振动信号提取特征进而对故障的类型进行预测分类，从而达到最终故障分类的目的。2导靴故障诊断相关技术分析2.1电梯的基本机构2.1.1电梯的定义电梯是一种垂直电缆运输机器，用于在建筑物、船舶或其他结构的楼层、标高或甲板之间运送人员或货物。它们通常由驱动牵引电缆和起重机等配重系统的电动机提供动力。电梯是一种开放式或封闭式平台，电动电梯有两个显著的优点。首先，电力显然已经普及，任何可能配备电梯的建筑也将拥有电力。其次，液压电梯的上升高度受到严格限制，而使用简单电缆和滑轮系统的电动电梯几乎没有高度限制，有了电梯，移动笨重的物体变得更容易，节省了大量浪费的时间，尤其是在移动多个物品时。对于那些行动不便的人来说，电梯可以让他们轻松地在家里走动，这反过来又为他们提供了一些急需的独立性。2.1.2电梯的种类电梯的分类比较复杂，从不同的的方向电梯可以分成很多种不一样的类型，即可以从不同的角度对电梯进行分分类，按电梯用途分可分为病床电梯、载货电梯、乘客电梯、观光电梯、杂物电梯，按速度可分为低速电梯、快速电梯、高速电梯、超高速电梯，按驱动方式可分为曳引式电梯、液压式电梯，按信号控制可分为集选控制、并联控制、梯群程序控制、手柄控制、按钮控制、群控智能控制电梯。这种类型的电梯在中高层建筑中更受欢迎。与液压升降机相比，它们具有更快的速度，这意味着它们可以使人们从低的楼层到达高的楼层的时间更短。曳引升降机由电动机驱动，该电动机使拉动自动扶梯的电缆或绳索移动。机房位于电梯的顶部，使电动机运转，牵引电梯的概念类似于使电缆在齿轮上移动的滑轮系统。本文主要以曳引式电梯中用到的滑动导靴为研究对象展开讨论，曳引驱动式电梯也能够称之为电梯主机，其驱动力主要来源于曳引机，当前大部分电梯在以曳引机作为驱动的形式所采用的均为无齿轮形式，主要是将曳引钢丝绳从曳引盘穿过，并连接于电梯轿厢顶部的轮组上，通常而言，选择曳引钢丝绳需要依照行业的标准进行，并挑选满足冲击载荷需求和相关安全需求的钢丝绳，图2-1为生活中常见的曳引式电梯。图2-1曳引式电梯2.1.3电梯的结构电梯是机、电、电子技术一体化的产品，其基本组成包括机械和电气两大部分，其机械部分就好比人的躯体，电气部分相当于人的神经，除此之外还有微机控制部分，其作用相当于人的大脑，各部分的密切协同，才能确保电梯安全可靠的运行。从空间上来看，电梯设备并非是独立的整体设备，而是由机电合一的相关部件和组合件安装设置在机房、井道、轿厢及层站内，构成垂直运行的交通工具，曳引式电梯主要由曳引系统、导向系统轿、厢门系统、重量平衡系统、电力拖动系统、电气控制系统、安全保护系统这八大系统构成，表2-1为曳引式电梯八大系统的相关说明完。表2-1电梯八大系统的主要构建与功能八大系统功能主要构件与装置曳引系统输出与传递动力，驱动电梯运行曳引机、曳引钢丝绳、导向轮、反绳轮等导向系统限制轿厢和对重的活动自由度，使轿厢和对重只能沿着导轨作上、下运动轿厢（对重）导轨、导靴及其导轨架等轿厢用以装运并保护乘客或货物的组件，轿厢架和轿厢体门系统运行时必须关闭，保护乘客和货物的安全轿厢门、层门、开关门系统及门附属零部件重量平衡系统平衡轿厢的重量，减少驱动功率，保证曳引力的产生对重装置和重量补偿装置电力拖动系统提供动力，对电梯运行速度实行控制曳引电动机、供电系统、速度反馈装置、电动机调速装置等电气控制系统对电梯的运行实行操纵和控制操纵箱、召唤箱、位置显示装置、控制柜、平层装置、限位装置等安全保护系统保证电梯安全使用，防止危及人身和设备安全的事故发生机械保护系统：限速器、安全钳、缓冲器、端站保护装置等电气保护系统：超速保护装置、供电系统断相错相保护装置等2.2电梯振动机理分析2.2.1电梯运行基本原理曳引式电梯通过牵引钢丝绳来升降轿厢，牵引钢丝绳系在电梯轿厢上，绕着滑轮循环。曳引式电梯利用位于井道顶部的电动机和齿轮箱提供提升动力。电机与滑轮相连。当电机向一个方向转动时，滑轮升起升运器；当电机向另一个方向转动时，滑轮降低升运器，从而达到利用轿厢运送人或者货物的目的，图2-2为曳引式电梯运行示意图。在电梯运行中，为了防止对重和轿厢在上下运行时发生偏斜等运行不平稳的现象，在对重架和轿厢靠导轨的一面上下各安装一个可以滑动的尼龙块即电梯导靴，图2-3导靴与导轨连接的实物图。固定在轿厢上的导靴可以沿着安装在建筑物井道墙体上的固定导轨往复升降运动，防止轿厢在运行中偏斜或摆动,导轨与导靴之间的摩擦作用将直接影响电梯噪音，舒适感，平稳度以及平层误差等。图2-2曳引式电梯运行示意图图2-3导靴与导轨连接的实物图2.2.2影响电梯振动的因素电梯的振动情况是影响人们乘坐体验的很重要的因素，这也是电梯厂家在对客户安装和维护电梯时重点关注的问题，我国在2010年3月公布了《GB/T-10058-2009电梯技术条件》对各用途的电梯的额定的速度进行了相关的规定，规定了用于载客、病床、载货的电梯额定速度必须低于6.0m/s，同时对各种曳引式的速度进行了限制，表2-2为相关标准参数。表2-2《GB/T-10058-2009电梯技术条件》对电梯参数的相关规定当电源为额定频率和额定电压时，载有50%额定载重量的轿厢向下运行至行程中段（除去加速和减速段）时的速度，不应大于额定速度的105%，宜不小于额定速度的92%。乘客电梯启动加速度和制动减速度最大值不应大于1.5m/s2.当乘客电梯额定速度为1.0m/s<V<2.0m/s时，加减速度不应小于0.50m/s2；当乘客电梯额定速度为2.0m/s<V<6.0m/s时，加减速度不应小于0.70m/s2。乘客电梯轿厢运行在恒加速度区域内的垂直振动的最大峰峰值不应大于0.30m/s2；乘客电梯轿厢运行期间水平振动的最大峰峰值不应大于0.20m/s2。目前研究人员把电梯系统的振动在方向分为垂直振动和水平振动，在频率上分为高频振动和低频振动，导致电梯垂直运动的有导向系统、曳引机或减速箱等部件工作时引起的振动，曳引机底座和承重梁的衔接缺乏牢固性电引钢丝绳所受的力不协调等原因，而导致电梯水平方向的振动主要是由导轨系统产生的原因所造成的，而导靴在整个导轨系统中起着至关重要的作用，导靴的故障或者导轨内部的扭曲会使得轿厢处于失衡状态，使得电梯在水平方向发生振动，这会影响电梯的运行的安全性以及乘客乘坐的舒适性，所以对于导轨系统尤其是导靴故障引起的电梯异常振动显得尤为重要。2.3导靴故障机理分析电梯产生异常振动的原因是多方面的，本文主要针对导靴产生故障时引起的异常振动进行研究，导靴除了受电梯元器件的外部作用产生异常振动外，其受影响的原因还包括导靴的内部结构、导靴本身出现的各种问题，外部原因有导靴安装的不规范、与导轨的接触不契合等；内部原因主要有导靴弹簧放松、靴座与靴衬链接松动以及靴衬磨损严重这三种。上述故障都是由于导靴在长期频繁的使用过程中产生的，使得电梯在运行的过程当中产生电梯轿厢的异常振动，图2-4为滑动导靴出现故障实物图，上述问题都是日积月累所形成的。图2-4导靴产生故障实物图2.3.1导靴的分类和结构导靴按照运动方式可分为滑动导靴和滚动导靴，滑动导靴又分为为固定式滑动导靴、单向浮动性弹簧式滑动导靴、软胶胶弹簧式导靴，主要由靴座、靴衬和油杯支架组成，滚动导靴其主要由滚轮、底座等组成，图2-5到图2-8分别为固定式滑动导靴、单向浮动性弹簧式滑动导靴、橡胶弹簧式导靴和滚动导靴的实物图。滑动导靴一般用于速度在2m/s左右的电梯，是生活中用途比较广的一种导靴类型，常用于居民小区和非高层的楼宇要求不是很高的场所，滑动导靴的结构简单且制造成本相比于滚动导靴低很多。滚动导靴以滚动摩擦代替了滑动摩擦，减少电梯在运行中的摩擦损耗，提高舒适感，但由于其造价成本和安装要求相对较高，常用于运行速度在2m/s以上的电梯当中，是重载高速电梯的首选。但滑动导靴由于其价格低、结构简单的优点，一直是生活中高强度使用的电梯部件，随着电梯的频繁使用，导轨与导轨之间的间隙会越来越大且靴衬会严重的磨损，这时会出现电梯轿厢的明显振动甚至会出现冲击现象。图2-5固定式滑动导靴图2-6单向浮动性弹簧式滑动导靴图2-7软胶弹簧式滑动导靴图2-8滚动导靴2.3.2导致导靴故障的主要因素由于电梯在运行过程中，导靴会沿着导轨长期做高负荷的上下移动，因而会导致电梯导靴产生各种故障，使得电梯轿厢在运行的过程中产生异常抖动或者冲击，图为磨损后的电梯导靴，其内部的靴衬已经磨损严重，影响导靴故障的原因有运行速度、表面粗糙度、接触压力、润滑状态、靴衬材料这几种，如下为原因的具体分析：运行速度。在压力相同的情况下，随着速度的增加，导靴的磨损程度会越来越严重。表面粗糙度。同样的载重量，接触的表面越粗糙，摩擦力也越大，导靴的磨损也越严重。接触压力。导轨与靴衬的接触压力主要来自轿厢负载的偏置而产生的平衡反力，通常来讲，摩擦因素会随着压力增加而增大。润滑状态。导靴和导轨之间在润滑油的作用下会形成一层油膜，减少点运行时的摩擦力，所以通常导靴会添加润滑油以减少导靴的磨损。靴衬材料。导靴的靴衬材料一般为耐磨的尼龙等高分子材料，不同的靴衬材料具有不同的摩擦特性。3电梯导靴故障信号处理方法当电梯导靴靴衬磨损严重或者弹簧松动时，运行时所产生的振动信号将变为显著的非平稳信号,这些信号中往往隐藏着大量的特征信息，因此，需要运用适合的信号分析方法提取特征参数，当前处理这些非平稳的信号方法有很多，常用的有小波包变换，经验模态分解(EMD)，局部均值分解(LMD)等,如易士林等用三层小波包处理电梯震动信号对电梯故障进行诊断，用完备总体经验模态分解(CEEMD)提取故障导靴特征并结合最小二乘支持向量机(LSSVM)对导靴进行故障分类，用SVD与LMD相结合的方法提取故障导靴特征进行故障诊断，这些方法在信号处理方面都有不错的效果但同时存在一些弊端，例如小波包分解中的小波基和分解层数选择不恰当会对结果产生偏差，EMD和LMD都属于递归模态分解的范畴，缺乏严格的数学理论,DragomiretskiyK等于2014年提出一种新的模态分解方法，即变分模态分解（VMD），其最大的特点就是它拥有非递归属性，能够对信号进行自适应处理，克服了EMD及其扩展方法存在的模态混叠、对频率相近的分量无法正确分解这一现象，具备很高的分解效率。3.1EMD分解原理在经验模态分解（EMD）中，一个信号被分解为几个固有模态函数和一个余数。EMD方法的主要假设是信号由一些固有模态函数（IMF）组成。EMD是NordenHuang提出的一种从给定的信号数据集中筛选信号数据并提取本真模态分量（IMF）的过程，称为Hilbert-Huang变换（HHT）。IMFS使瞬时频率变得重要，它可以是一个线性或非线性函数，EMD算法的过程如下：对于一个给定信号的数据集x(t)，EMD识别所有的局部最大值和最小值eu和el。由于理论上很难直接得到x(t)的上、下包络曲线，采用三次样条插值法对x(t)的上、下包络曲线进行了模拟。一个新的序列h1(t)可以得到如下：(3.1)其中m1(t)是两个包络值的平均值。如果h1(t)满足上述两个条件，则它可以是本真模态分量。上述过程称为筛选过程，可以消除寄生波，使波形对称。如果h1(t)不是本真模态分量，则应在后续步骤中重复等式(1)达k次，直到h1(t)满足达到IMF的条件：(3.2)然后，设置c1=h1k(t)。为了保证分解后的本真模态分量能充分反映x(t)的实际振幅和频率，当达到停止条件时，应停止筛选过程。选择标准差（SD）值作为停止条件，设置在0.2和0.3之间。SD计算如下：(3.3)x(t)的残余分量r1(t)可以通过如下公式获得：(3.4)然后以r1(t)为原始数据，反复筛选n次，直到rn(t)成为单调函数，如下所示：(3.5)从公式（3.4）和公式（3.5）中，不再可以提取IMFs，最终可以获得原始数据x(t)的表达式，如下所示：(3.6)3.2VMD分解原理VMD分解算法是区别于EMD算法的非递归模式分解方法，可以自适应的将原始信号u分解为k个中心频率为wk的模态分量uk，变分模态分解的过程本质上是变分问题的求解过程，假设电梯导靴的振动信号为u(t),通过Hilbert变换，得到每个IMF的分量uk(t)的解析信号：(3.7)对各分量进行信号混合，给解析信号预估一个中心频率，将每个分量的频谱调制到基带上：(3.8)再计算解析信号的梯度平方L2范数来解调估计各个模态分量，构造的约束模型表示为：(3.9)为求取该约束变分问题，引入二次惩罚因子α和拉格朗日乘法算子λ(t)，将(3.9)式变为非约束性问题，构造增广Lagrange表达式：(3.10)最后运用乘法算子交替方向法(alternatedirectionmethodofmultipliers)ADMM求解式(3.10)中的变分问题，得到估计的uk及wk,对uk和wk,λ进行频域更新,表达式如下:(3.11)(3.12)(3.13)(3.13)式中τ为更新因子，具体实现步骤如下：1)初始化、、、n；2)根据式(3.11)~(3.13)式更新、和；3)给定一个判别精度e>0,如果满足这一收敛条件，则停止3.3导靴故障信号分析使用导靴严重磨损对VMD算法的分解效果进行验证，图3-1为导靴磨损状态实物图，图3-22为导靴磨损振动信号的时域和频域图。图3-1导靴磨损状态实物图图3-2导靴磨损振动信号的时频图从时域图中可以看出，由于导靴磨损严重导致的导靴故障信号出现了冲击信号，从频谱中可以看出，故障信号从低频到高频都有分布，频率成分比较杂乱，为了对比经验模态分解算法(EMD)和变分模态算法(VMD)在对故障导靴振动信号处理结果的优劣性，首先用EMD算法对振动信号进行分解，图3-23到3-30为EMD算法对故障导学振动信号分解后8个分量IMF1到IMF8时域图和频谱图。图3-3IMF1时频图图3-4IMF2时频图图3-5IMF3时频图图3-6IMF4时频图图3-7IMF5时频图图3-8IMF6时频图图3-9IMF7时频图图3-10IMF8时频图经验模态算法将故障导靴振动信号自动分解成八个模态分量,由这八个分量的频谱可以看出，除了第一个分量在低频和中频有分布之外，其余七个分量的频率分布几乎都集中在低频部分，且各个低频分量之间还存在着严重的模态混叠现象，表3-2为经验模态算法分解后的分量与原信号之间的Pearson相关系数P，从表中的数据可以很直观的看到，经验模态分解处理后的八个分量中出现了相关系数很小的虚假分量，表明EMD算法在对故障导靴信号进行分解效果并不理想，不具备很高的分解效率。IMF分量IMF1IMF2IMF3IMF4P0.5530.3230.1220.0438IMF分量IMF5IMF6IMF7IMF8P0.03750.02670.01430.0105表3-2EMD分解原信号之间的Pearson相关系数上文分析了经验模态算法在对导靴故障信号进行分解时存在严重的模态混叠的问题，会分解出假的模态分量产，下面再使用变分模态分解算法对故障导靴的振动信号进行分解。表3-3为K在设定为不同值的情况下各模态分量的中心频率。由表3-3可知，当K值为6时，出现了中心频率相近的分量，说明VMD对信号进行了过度分解，因此K的值最终设定为5，VMD中的参数α为默认值2000。表3-3VMD各分量中心频率K值中心频率20.001690.174330.001610.14630.320740.001560.12500.20900.363750.000850.05530.16310.26850.339060.000850.054720.14970.21920.32490.3382图3-31到3-35为变分模态分解算法对电梯导靴故障信号分解后各个分量的时域图和频域图，从各分量的频谱可以看出，变分模态算法对导靴故障信号实现了从低频到高频的逐层分解，各个频段的信号基本都能覆盖到，变分模态算法一定程度上克服了经验模态分解算法存在模态混叠的问题，使得各个分量集中在中心频率附近，为了验证变分模态分解对故障信号分解后各分量与原信号的相关性，对分解后的信号进行Pearson相关系数P的求解，表4-4为各个分量与原信号的相关性系数P的值，由相关系数可知，VMD分解之后的信号与原信号存在关联。图3-10IMF1时频图图3-11IMF2时频图3-12IMF3时频图图3-13IMF4时频图图3-14IMF5时频图IMF分量IMF1IMF2IMF3IMF4IMF5P值0.6350.4360.3320.2820.122表3-4VMD各分量与原信号Pearson相关系数通常在机械故障特征提取可以从时域和频率方面入手，常用的如时域方面的如峰值、峭度值和均方根值等，频域方面的如重心频率与均方频率等，以及熵类型的特征如能量熵与样本熵等，众多的特征类型给我们提供了许多特征提取的思路，但是故障识别的精度并不取决于特征量的多少，将这些特征的中一些用于特征值并不能完整的表征出信号的特点，将上述特征全部用于故障识别，势必又会造成信息的冗余，影响最终的识别结果。由于故障导靴振动信号都是用过人工使用加速度传感器测得，且受场地和资金的限制，一般的企业或个人不会建立专门的数据库用来存储相应的故障数据，所以导靴故障数据没有像轴承故障数据可以直接拿开用的的数据集，没有海量的数据做支撑，所以在选择模式识别的分类模型时限制比较大，且一些基于模式识别的分类算法涉及可行性问题即没有相应的理论推导做依据、有些算法极容易陷入局部最小值且算法在运行时出现收敛速度慢的问题，类似像神经网络这样的算法对数据的要求比传统的机器学习高的多，往往需要海量的数据量才能得到一个满意的结果。因此，根据特征提取与故障工况识别的出现的问题与要求，本文选用奇异值序列与支持向量机作为电梯导靴故障信号的特征值与分类模型,并设计了另外两种不同的特征提取方法以及另外种不同的分类模型对实验结果进行对比，另外两种特征提取方法分别为时域和频域相结合的特征提取方法以及以信号分解后的各分量的能量为特征值的特征提取方法。3.4奇异值分解奇异值分解作为线性代数范畴内十分关键的矩阵分解，广泛应用于机器学习和信号处理等领域，奇异值分解是线性代数中一种重要的矩阵分解，在信号处理、统计学等领域有重要应用。奇异值分解在某些方面与对称矩阵或Hermitian矩阵基于特征矢量的对角化类似。然而这两种矩阵分解尽管有其相关性，但还是有明显的不同。对称阵特征矢量分解的基础是谱分析，而奇异值分解则是谱分析理论在任意知阵上的推广。假设M是一个m×n阶矩阵，其中的元素全部属于域K，也就是实数域或复数域，因而则存在一个分解使得：(4.1)其中U是m×n阶酉矩阵，∑是m×n阶实数对角矩阵，而V*，即V的共轭转置，是m×n阶酉矩阵。这样的分解就称作M的奇异值分解，∑对角线上的元素∑i则为矩阵M的奇异值，常见的做法局势将奇异值的值按照从大到小排列，这样∑便能由矩阵M唯一确定了。根据上述分析奇异值分解最主要的目的就是提取一个矩阵重要的特征,其能充分反映矩阵中所蕴含的信，用奇异值分解(SVD)结合深度置信网络对水电机组进行故障诊断。本文对变分模态分解后各分量所构成的特征矩阵A进行奇异值分解，以奇异值序列作为原始信号的特征。3.5工况特征数据提取实验所用导靴型号为B22，具体参数如表3-5所示,在云南省特种设备检测研究院工作人员带领下在