...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Przeglad Elektrotechniczny >Curvilinear dimensionality reduction of data for gearbox condition monitoring
【24h】

Curvilinear dimensionality reduction of data for gearbox condition monitoring

机译：用于齿轮箱状态监测的数据的曲线维数减少

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Our aim is to explore the CCA (Curvilinear Component Analysis) as applied to condition monitoring of gearboxes installed in bucket wheel excavators working in field condition, with the general goal to elaborate a probabilistic model describing the condition of the machine gearbox. To do it we need (a) information on the shape (probability distribution) of the analyzed data, and (b) some reduction of dimensionality of the data (if possible). We compare (for real set of data gathered in field conditions) the 2D representations yielded by the CCA and PCA methods and state that they are different. Our main result is: The analyzed data set describing the machine in a good state is composed of two different subsets of different dimensionality thus can not be modelled by one common Gaussian distribution. This is a novel statement in the domain of gearbox data analysis.%Streszczenie. W pracy przedstawiono wyniki prac nad zastosowaniem CCA (Curvilinear Component Analysis - analiza komponentów krzywoliniowych) do nieliniowej redukcji wymiarowości danych wykorzystywanych do diagnostyki przekładni planetarnej stosowanej w układach napędowych koparki kołowej. Do oceny stanu technicznego niezbędne jest zbudowanie modelu probabilistycznego zbioru cech diagnostycznych. Modelowanie danych wielowymiarowych (gęstości prawdopodobieństwa) dla wszystkich wymiarów jest trudne, i ze względu na istniejącą redundancję, nieuzasadnione, dlatego prowadzi się badania nad redukcją wymiarowości zbiorów cech diagnostycznych. W artykule porównujemy dwuwymiarowe reprezentacje zbioru cech uzyskane metodami CCA i PCA (analiza składowych głównych) wykazując różnice w uzyskanych wynikach. Głównym wynikiem pracy jest identyfikacja w przestrzeni cech diagnostycznych dla przekładni w stanie prawidłowym dwóch podzbiorów danych o różnej rzeczywistej wymiarowości zatem nie mogą być one modelowane za pomocą jednego modelu o charakterystyce gaussowskiej. Interpretacja tych podzbiorów wiąże się z występowaniem różnych obciążeń maszyny.
机译：我们的目标是探索CCA（曲线分量分析）技术，该技术用于在现场条件下工作的铲斗挖掘机中安装的齿轮箱的状态监测，其总体目标是建立描述机器齿轮箱状态的概率模型。为此，我们需要（a）有关分析数据的形状（概率分布）的信息，以及（b）降低数据的维数（如果可能）。我们比较（对于在现场条件下收集的真实数据集）CCA和PCA方法产生的2D表示，并指出它们是不同的。我们的主要结果是：描述处于良好状态的机器的分析数据集由维数不同的两个不同子集组成，因此无法用一个通用的高斯分布建模。这是变速箱数据分析领域的一种新颖说法。％Streszczenie。 W Pracy przedstawiono wyniki prac nad zastosowaniem CCA（曲线成分分析-analizakomponentówkrzywoliniowych）可以完成linliniowej redukcjiwymiarowościdanych wykorzystywanniye nawowowowsowanekowanekanekanekane的应用程序做octeny stanu technicznegoniezbędnejest zbudowanie modelu probabilistycznego zbioru cech diagnostystycznych。 Modelowanie danych wielowymiarowych（gęstościprawdopodobieństwa）DLA wszystkichwymiarów笑话trudne，我泽względu呐istniejącąredundancję，nieuzasadnione，dlatego prowadzi SIE badania NADredukcjąwymiarowościzbiorów切克diagnostycznych。 W artykuleporównujemydwuwymiarowe reprezentacje zbioru cech uzyskane metodami CCA i PCA（analizaskładowychgłównych）wykazującróżnicew uzyskanych wynikach。格温妮·温尼姆解释性的女权主义者Podzbiorówwiężesięzwystępowaniemróżnychobciążeńmaszyny。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号