附件C：譯文

采用PCA和SVM技術(shù)的礦井提升機(jī)故障診斷

摘要：一種基于主成分分析算法（PCA）和支持向量機(jī)算法(SVM)的新方法被提出用于礦井提升機(jī)故障診斷中。PCA用來摘錄與變速箱相關(guān)聯(lián)的主要要素。然后，隨著那些不相干的變速箱變量從變速箱相干變量中移除，提升機(jī)的液壓系統(tǒng)和鋼絲繩參數(shù)被用于輸入到一個(gè)多類SVM中。SVM首先利用通信鏈路分析器系統(tǒng)建立多類最優(yōu)化算法，然后再應(yīng)用到故障識(shí)別中。通過多種方法的比較，可以看出PCA-SVM方法成功的移除了冗余從而解決了維數(shù)問題。這些結(jié)果顯示，這種將可再定位二進(jìn)制碼結(jié)構(gòu)形式核函數(shù)用于SVM的算法擁有最好的分類性質(zhì)。
關(guān)鍵詞：故障診斷；主成分分析；支持向量機(jī)；礦井提升機(jī)
1 介紹
礦井提升機(jī)在煤礦工業(yè)有著非常重要的作用。它用于提升煤礦、廢石、設(shè)備、物料、工具和礦工。礦井提升機(jī)系統(tǒng)的可靠性直接關(guān)系著工業(yè)任務(wù)的完成和工人的安全。所以，對(duì)礦井提升的研究引起很多關(guān)注。早期的故障診斷可以減少因故障而引起的間接損害和額外的維護(hù)。早期發(fā)現(xiàn)問題還可以延長機(jī)器的壽命、性能和有效性。許多研究員提出對(duì)運(yùn)行中的礦井提升機(jī)進(jìn)行診斷的方法和體系。各種方法包括微波神經(jīng)網(wǎng)絡(luò)，3層后向傳播神經(jīng)網(wǎng)絡(luò)或靈敏的故障診斷預(yù)報(bào) 。
然而現(xiàn)存的故障診斷方法存在用于研究的信息范圍的局限性和相關(guān)因素被忽視等缺點(diǎn)。因此，來自現(xiàn)實(shí)生活的故障診斷測(cè)量采樣數(shù)據(jù)中經(jīng)常存在許多不相關(guān)變量。這些不相關(guān)變量引起不必要的計(jì)算并且降低故障診斷的實(shí)時(shí)能力。因此，必須尋求更好更有效的特征選擇方法。一種解決這個(gè)問題的可行方案是用一些減少維數(shù)的方法，例如主成分分析算法。
另一方面，故障診斷實(shí)質(zhì)上是一種故障分類方法。SVM技術(shù)對(duì)分類中的小樣品情況具有很好的概括性并且被成功應(yīng)用于故障探測(cè)和診斷 。
2 主成分分析（PCA）
PCA，作為一種統(tǒng)計(jì)技術(shù)，將原始的變數(shù)組線性變換成一種能反映原始數(shù)組中大部分信息的基本的更小的不相關(guān)變量組。這種方法已經(jīng)被廣泛應(yīng)用與各個(gè)領(lǐng)域，包括聚類分析、高維數(shù)據(jù)顯示、回歸作用、數(shù)據(jù)壓縮和圖像識(shí)別等。
引入一個(gè)n維數(shù)組向量 (t=1, 2, ..., m)，n