毕业论文

打赏
当前位置: 毕业论文 > 外文文献翻译 >

监测和诊断多通道非线性问题变化英文文献和中文翻译(5)

时间:2021-08-01 21:22来源:毕业论文
我们在锻造过程中使用一段吨位轮廓数据的样本平均值,在下一节讨论,以确定RE模型(5)中的轮廓平均值。 即X(k)(k)。 作为固定效应基础,利用三

我们在锻造过程中使用一段吨位轮廓数据的样本平均值,在下一节讨论,以确定RE模型(5)中的轮廓平均值。 即X(k)β(k)。 作为固定效应基础,利用三度的B样条基。 用于模拟的固定效应系数的矩阵是

在场景1中,var(b(1)ij)= var(b(2)ij)= var(b(3)ij)= var(b(4)ij)= 10,而在场景2中,var (2)ij)= var(b(2)ij)= 5var(b(3)ij)= 5var(b(4)ij)= 10.在两种情况下,σ2ε(k)= 1,corr (1)ij,b(2)ij)= -corr(b(3)ij,b(4)ij)= 0.9,其他对corr(b(k1)ij,b(k2)ij)= 0 ; k1 = k2,其中corr(a1,a2)表示a1和a2的Pearson相关系数,b(k1)i j; j = 1,2,...。 。 。 ,m是b(k1)i的元素。使用情景2生成的重叠非线性轮廓样本如图2所示。

图2. 在场景2下随机生成的多通道重叠轮廓样本图。

在生成轮廓样本之后,使用第2节中描述的程序将UMPCA和VPCA都应用于生成的数据。在UMPCA中,对应于第r EMP,e∈175×4的特征传感器;通过u(1)r◦u(2)r,其中u(1)∈175×1和u(2)∈4×1获得r = 1,2,3,4。图3(a)示出了从场景1下生成的轮廓数据获得的Ur,r = 1,2,3,4。每列Ur对应于一个轮廓通道。由cr表示的第r EMP的相对重要性被定义为使用所有EMP并且通过cr = Sr /Δ4r= 1 Sr计算的使用第r EMP的变换曲线的方差与变换曲线的总方差的比率。对于四个EMP,这些值分别为0.4901,0.4572,0.0314和0.0213。基于cr值,前两个传感器是图1所示的最重要的传感器。图3(a)。从图中可以看出,如图3(a)所示,对应于第一EMP的特征向量在信道3和4之间呈现强的负相关,而与第二EMP相对应的特征向量表示信道1和2之间的强正相关(这些信道的特征向量在图中重叠)。两种情况下的绝对相关系数大于0.95,相应的p值小于0.0001,表明通道3和4与通道1和2的特征向量之间存在显着的相关性。第一和第二EMP的相对重要性值是接近的意味着简档通道的方差相似。这些结果与数据生成模型完全兼容,这意味着UMPCA可以有效地提取有关多通道配置文件的信息。另一个有趣的观察从图。在图3(a)中,通道1和2以及通道3和4的特征向量分别在第一和第二EMP中接近零。这意味着这些通道的变化模式可以通过使用前两个EMP来解耦。如案例研究部分稍后讨论的,该属性可以帮助我们研究锻造机的状况。

此外,通过将VPCA应用于场景1下的生成轮廓,获得前四个特征向量的矩阵 。每个特征向量包含175×4个数据点,并且包含175个数据点的每个段对应于一个简档渠道。这些特征向量如图3(b)所示;每个子图表示一个特征向量,它们按照从顶部到底部的相对重要性的降序排列。相对重要度c r可以计算为 ,其中S r是矩阵 的第r个对角线元素。这四个特征向量分别为0.3076,0.3030,0.1993和0.1901。由于相对重要性的所有值都很大,因此绘制了从VPCA获得的所有特征向量。从图2的两个顶部子图可以看出,在图3(b)中,简档通道1和2的VPCA特征向量与从UMPCA获得的特征向量相似。然而,与UMPCA相反,特征向量3和4的相对重要性值较大并且反映了显着的变化模式,如图3(b)所示。也就是说,RE的大变化不能被两个第一组特征向量完全捕获,并且需要更多的特征向量来完全表征多通道轮廓的变化模式。这意味着UMPCA在捕获大多数变体所需的功能数量方面比VPCA更节省时间。这是因为VPCA通过将原始数据重新形成向量来破坏原始数据的结构,并丢失可能以原始形式获得的可能更紧凑或有用的表示。

图3. UMPCA和VPCA结果为模拟场景1:(a)(上图)UMPCA中的重要特性和(b)(下图)VPCA中的重要特征向量。 监测和诊断多通道非线性问题变化英文文献和中文翻译(5):http://www.youerw.com/fanyi/lunwen_79379.html

------分隔线----------------------------
推荐内容