基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的鋼絲繩斷絲定量檢測(cè)方法

劉志懷， 秦 芳， 劉 娜， 黃祖坤， 劉學(xué)斌

(1. 河南理工大學(xué) 現(xiàn)代教育技術(shù)中心， 河南 焦作 454000； 2. 哈密豫新能源產(chǎn)業(yè)研究院有限責(zé)任公司， 新疆 哈密 839000；3.華北科技學(xué)院 環(huán)境工程學(xué)院， 北京 101601； 4. 哈密職業(yè)技術(shù)學(xué)院 信息網(wǎng)絡(luò)中心， 新疆 哈密 839000；5. 哈密職業(yè)技術(shù)學(xué)院 機(jī)電系， 新疆 哈密 839000)

鋼絲繩是工業(yè)中常用的柔性承載構(gòu)件，已廣泛應(yīng)用于電梯、起重機(jī)械、客運(yùn)索道、礦山等諸多行業(yè)[1]。在使用過(guò)程中鋼絲繩的損傷程度和承載能力時(shí)刻關(guān)系到設(shè)備及人身安全，因而，準(zhǔn)確可靠地檢測(cè)鋼絲繩損傷狀況具有重要的經(jīng)濟(jì)和社會(huì)效益[2-4]。目前代表性的鋼絲繩無(wú)損檢測(cè)方法主要有電磁檢測(cè)法、超聲波檢測(cè)法、聲發(fā)射檢測(cè)法、射線檢測(cè)法及光學(xué)檢測(cè)法等。在諸種檢測(cè)方法中，人們公認(rèn)電磁檢測(cè)法相對(duì)較好。

電磁檢測(cè)法中最重要的內(nèi)容之一就是建立斷絲損傷與檢測(cè)信號(hào)的某些特征屬性之間的映射關(guān)系[5]。國(guó)內(nèi)外學(xué)者提出了很多鋼絲繩斷絲損傷信號(hào)的特征屬性。例如，斷絲信號(hào)與股波信號(hào)在特定時(shí)延點(diǎn)的相關(guān)特征屬性[6]、信號(hào)的絕對(duì)峰值、峰峰值、差分超限數(shù)目、波寬、峰-峰值波寬比、波形下面積、波動(dòng)面積、短時(shí)能量、短時(shí)波動(dòng)能量、理想波峰角等時(shí)域特征屬性[7-9]，頻域中譜分布特征屬性[10]，時(shí)頻域中小波變換的模極大值、小波能量特征以及小波包分解的熵特征屬性[11-12]，基于漏磁場(chǎng)強(qiáng)度分析模型提取的特征屬性等[13]。只有找到上述特征屬性與鋼絲繩斷絲損傷之間的關(guān)系，才能利用斷絲信號(hào)的特征屬性來(lái)推斷鋼絲繩斷絲的損傷情況。

人工神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)模式識(shí)別技術(shù)在鋼絲繩損傷定量識(shí)別中得到了大量的研究[14-17]，其本質(zhì)是通過(guò)人工神經(jīng)網(wǎng)絡(luò)建立斷絲信號(hào)的特征屬性與鋼絲繩斷絲損傷之間的關(guān)系，進(jìn)而利用該關(guān)系和特征屬性來(lái)識(shí)別斷絲損傷情況。由于鋼絲繩損傷類型、損傷形態(tài)、損傷位置等具有多樣性，在神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建過(guò)程中人們往往希望利用盡可能多的特征屬性來(lái)表征鋼絲繩斷絲損傷情況，然而，多個(gè)特征屬性之間經(jīng)常會(huì)存在較強(qiáng)的相關(guān)性，這容易導(dǎo)致分析問(wèn)題的復(fù)雜性和建模效率的降低[18-19]，達(dá)不到鋼絲繩斷絲精確檢測(cè)的目的。

主成分分析法能夠?qū)⒍鄠€(gè)相關(guān)變量簡(jiǎn)化為少數(shù)幾個(gè)不相關(guān)的綜合變量，而且這些不相關(guān)的綜合變量包含了原變量提供的絕大部分信息。針對(duì)上述難題，采用主成分分析方法對(duì)鋼絲繩斷絲信號(hào)的多個(gè)特征屬性進(jìn)行降維處理，得到主成分特征屬性，然后依據(jù)神經(jīng)網(wǎng)絡(luò)構(gòu)建主成分特征屬性與鋼絲繩斷絲數(shù)目之間的關(guān)系，進(jìn)而預(yù)測(cè)鋼絲繩斷絲數(shù)目。試驗(yàn)結(jié)果表明，該方法能夠較為可靠地提高鋼絲繩斷絲檢測(cè)的準(zhǔn)確率。

1 主成分分析與神經(jīng)網(wǎng)絡(luò)斷絲定量檢測(cè)方法

1.1 方法基本思想

傳統(tǒng)的BP算法一般以誤差函數(shù)最小為逼近目標(biāo)，利用梯度下降法進(jìn)行網(wǎng)絡(luò)參數(shù)的迭代而完成整個(gè)自學(xué)習(xí)過(guò)程。雖然該算法能夠有效解決諸多問(wèn)題，但由于輸入輸出關(guān)系的復(fù)雜性導(dǎo)致當(dāng)訓(xùn)練樣本的特征屬性數(shù)目較多時(shí)其收斂速度和精度明顯下降；另一方面，訓(xùn)練樣本特征屬性數(shù)目的增加又是提高網(wǎng)絡(luò)工作性能的重要前提。

鑒于此，本文提出主成分分析的BP神經(jīng)網(wǎng)絡(luò)，其基本思想是利用主成分分析方法降低斷絲信號(hào)原始特征屬性數(shù)據(jù)間的相關(guān)性，在有效保留數(shù)據(jù)信息的前提下降低數(shù)據(jù)的維數(shù)，獲得斷絲信號(hào)的主成分特征屬性。然后，利用主成分特征屬性作為BP神經(jīng)網(wǎng)絡(luò)的輸入，減少網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)數(shù)，從而簡(jiǎn)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，達(dá)到提高鋼絲繩斷絲檢測(cè)精度的目的，如圖1所示。

1.2 方法技術(shù)流程

基于主成分分析與BP神經(jīng)網(wǎng)絡(luò)的鋼絲繩定量檢測(cè)方法技術(shù)流程如下：

步驟1求取斷絲信號(hào)原始特征屬性訓(xùn)練樣本集的協(xié)方差矩陣，并求出樣本集協(xié)方差矩陣的特征值和對(duì)應(yīng)的特征向量，特征值按降序排列；

步驟2計(jì)算方差貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率；

步驟3根據(jù)累計(jì)方差貢獻(xiàn)率及特征值之間的差異性等判別標(biāo)準(zhǔn)，篩選出斷絲信號(hào)訓(xùn)練樣本集的主成分特征屬性R_PCA(Principal Component Analysis)；

步驟4將步驟3得到的R_PCA作為BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

步驟5求取測(cè)試樣本集的主成分特征屬性T_PCA；

步驟6將測(cè)試樣本集的主成分特征屬性T_PCA 輸入在步驟4中訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行鋼絲繩斷絲的定量檢測(cè)，從而得出鋼絲繩的斷絲個(gè)數(shù)。

圖1 基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的鋼絲繩斷絲定量檢測(cè)模型Fig.1 Quantative testing method for broken wire in steel rope based on principal component analysis and BP artificial neural network model

2 應(yīng)用實(shí)例

2.1 鋼絲繩斷絲信號(hào)特征屬性數(shù)據(jù)采集

該應(yīng)用實(shí)例中的斷絲信號(hào)是對(duì)兩種規(guī)格的鋼絲繩(鋼絲繩1和鋼絲繩2)進(jìn)行試驗(yàn)而采集得到的，所使用的鋼絲繩規(guī)格分別為鋼絲繩1：ф28(6x19) mm，鋼絲繩直徑28 mm，鋼絲直徑1.4 mm，麻纖維芯；鋼絲繩2：ф15(6x37) mm，鋼絲繩直徑15 mm，鋼絲直徑0.7 mm，麻纖維芯。

鋼絲繩斷絲定量檢測(cè)方法中最重要的內(nèi)容之一就是建立斷絲損傷與檢測(cè)信號(hào)的某些特征屬性之間的映射關(guān)系，也就是說(shuō)所選用的特征屬性要能最大程度地表征鋼絲繩的斷絲損傷。

前人的研究結(jié)果表明影響鋼絲繩斷絲漏磁場(chǎng)分布的因素有鋼絲繩直徑、鋼絲直徑、斷口距離、斷絲錯(cuò)位、斷絲翹度以及斷絲在鋼絲繩截面的位置等[20]；鋼絲繩斷絲漏磁信號(hào)的峰峰值、峰寬和波峰形態(tài)等共同反映集中斷絲的信息。鋼絲繩缺陷寬度在一定范圍內(nèi)與檢測(cè)信號(hào)的峰值幅度成反比,即缺陷寬度越大,峰值幅度越小。在材料厚度一定時(shí),缺陷的深度信號(hào)的峰峰值成正比[21]。

因此，參照各位學(xué)者的研究成果，選擇鋼絲繩斷絲信號(hào)的7種特征屬性來(lái)表征鋼絲繩的斷絲情況，這7種特征屬性分別為鋼絲繩直徑(用x1代表，下同)、鋼絲直徑(x2)、峰值(x3)、峰峰值(x4)、波形下面積(x5)、波寬(x6)、波峰角(x7)，它們的具體描述如下:

鋼絲繩直徑——為鋼絲繩外接圓的直徑，鋼絲繩的大小用“公稱直徑”描述。

鋼絲直徑——指組成鋼絲繩的單根鋼絲的直徑。

峰值——為異常信號(hào)的振幅峰值與閾值(圖2中為Vy)之間差值的絕對(duì)值。正常情況下，鋼絲繩斷絲損傷檢測(cè)信號(hào)的電平會(huì)在一定范圍內(nèi)波動(dòng)，當(dāng)存在斷絲時(shí)，信號(hào)的峰值會(huì)突然增大，超出正常范圍。由仿真分析及試驗(yàn)可知，斷絲數(shù)越多或者斷口寬度(某范圍內(nèi))越大，產(chǎn)生的總漏磁越強(qiáng)，由霍爾元件采集到的信號(hào)峰值就越大。因此，可根據(jù)峰值的大小粗略判斷鋼絲繩斷絲損傷的有無(wú)和多少。

峰峰值——定義為局部異常信號(hào)的峰與谷間幅值之差的絕對(duì)值，計(jì)算峰峰值時(shí)首先尋找信號(hào)中的極大值和極小值,然后求得相鄰的一對(duì)極值之差的絕對(duì)值(極差),最后對(duì)差值作二值化處理即可。

波寬——前面兩種特征量都是基于信號(hào)的幅度和波動(dòng)量提出的,為了更好地描述信號(hào)的狀態(tài)以及鋼絲繩缺陷的程度,除考慮幅度方面的因素外,還應(yīng)考慮沿空間分布的情況。最簡(jiǎn)單的空間參數(shù)是波寬。經(jīng)實(shí)驗(yàn)證明,波寬是衡量斷絲口寬度的主要性能指標(biāo)。另外,同一位置處不同的斷絲根數(shù),也會(huì)引起波寬的不一致。波寬的定義為B=|a1-a2|,其中a1,a2為損傷與閾值Vy的交點(diǎn)，如圖2所示。

圖2 典型斷絲信號(hào)波形Fig.2 Typical broken wire signal waveform

波形下面積——指一個(gè)波動(dòng)或一個(gè)捻距信號(hào)下的面積，它綜合反映了信號(hào)波形的峰值及時(shí)間或空間上的跨度兩方面的信息。如圖2陰影部分表示的即為波形下面積。

波峰角——是指一個(gè)波峰與左右相鄰兩個(gè)波谷所形成的角度。鋼絲繩斷絲位置常處于與卷筒或滑輪纏繞的部分,而且斷絲口經(jīng)過(guò)纏繞后很容易形成翹曲,經(jīng)實(shí)驗(yàn)表明,波峰角度的大小與斷絲的翹曲程度有密切關(guān)系。

在鋼絲繩斷絲定量檢測(cè)中，希望所使用的測(cè)試數(shù)據(jù)是準(zhǔn)確可靠的。文獻(xiàn)[22]中給出了兩種類型的鋼絲繩斷絲測(cè)試試驗(yàn)數(shù)據(jù)，這些數(shù)據(jù)是通過(guò)嚴(yán)格的試驗(yàn)獲得的，其可靠性是比較高的；另外，該套測(cè)試數(shù)據(jù)已被其它專家所采用，從此角度也可以說(shuō)明該套測(cè)試數(shù)據(jù)是比較準(zhǔn)確可靠的。故此，本文也采用文獻(xiàn)[22]中的測(cè)試數(shù)據(jù)來(lái)驗(yàn)證所給出的斷絲定量檢測(cè)方法，即本文中表1和表2中的數(shù)據(jù)均來(lái)源于文獻(xiàn)[22]，其中表1給出了這7種特征屬性的訓(xùn)練樣本集，訓(xùn)練樣本共計(jì)21個(gè)。表2給出了這7種特征屬性的測(cè)試樣本集，樣本共計(jì)19個(gè)，此外表1和表2中x0為數(shù)據(jù)編號(hào)，x8為鋼絲繩實(shí)際斷絲數(shù)目。

2.2 鋼絲繩斷絲信號(hào)特征屬性主成分分析

由于鋼絲繩斷絲信號(hào)特征屬性的數(shù)據(jù)量綱和數(shù)據(jù)級(jí)別不同，使得數(shù)據(jù)之間的差異比較大，需要將7個(gè)鋼絲繩斷絲信號(hào)特征屬性的原始樣本數(shù)據(jù)集進(jìn)行歸一化處理，然后再計(jì)算其相關(guān)系數(shù)矩陣并進(jìn)行相關(guān)性分析。數(shù)據(jù)歸一化公式為

yij=(xij-xavgj)/sj，i=1,2,…,n;j=1,2,…,p

(1)

式中:xij為斷絲信號(hào)的原始特征屬性;xavgj為第j個(gè)特征屬性的平均值;sj為其標(biāo)準(zhǔn)差;n為樣本的總個(gè)數(shù);p為特征屬性的總數(shù);yij為第i個(gè)樣本第j個(gè)特征屬性歸一化后的數(shù)據(jù)值。

表1 訓(xùn)練樣本數(shù)據(jù)集

表3為訓(xùn)練樣本數(shù)據(jù)集(歸一化后)的鋼絲繩斷絲特征屬性相關(guān)系數(shù)矩陣。從表3可知，某些鋼絲繩斷絲信號(hào)特征屬性彼此之間存在明顯的相關(guān)性，這會(huì)對(duì)利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行鋼絲繩斷絲檢測(cè)的精度造成影響，因此，有必要對(duì)輸入數(shù)據(jù)進(jìn)行主成分分析。

表2 測(cè)試樣本數(shù)據(jù)集

表3 鋼絲繩斷絲信號(hào)特征屬性相關(guān)系數(shù)矩陣

利用表3給出的鋼絲繩斷絲信號(hào)特征屬性相關(guān)系數(shù)矩陣進(jìn)行主成分分析，并計(jì)算方差貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率。表4為鋼絲繩斷絲信號(hào)訓(xùn)練樣本數(shù)據(jù)集的各成分方差貢獻(xiàn)率及累計(jì)貢獻(xiàn)率。從表4中的各成分因子特征值來(lái)看，因子1與2的特征值相比，二者差異較大，而其它因子之間的差異相對(duì)較小，初步可以得知提取前2個(gè)因子即可以概括絕大部分信息。從表4的各成分的方差貢獻(xiàn)率及累計(jì)貢獻(xiàn)率來(lái)看，前2項(xiàng)成分的累計(jì)方差占總方差的85.86%。按照主成分的選取標(biāo)準(zhǔn)，結(jié)合各成分因子特征值的差異，同時(shí)參考后續(xù)預(yù)測(cè)斷絲的準(zhǔn)確率，可知前2項(xiàng)主成分就可以代替原始的7個(gè)鋼絲繩斷絲信號(hào)的特征屬性。綜合以上分析，選取前2個(gè)因子作為鋼絲繩斷絲信號(hào)的主成分特征屬性。

表4 各成分方差貢獻(xiàn)率及累計(jì)貢獻(xiàn)率

主成分因子載荷矩陣見(jiàn)表5(在表5中Z1和Z2分別為第一主成分因子列向量和第二主成分因子列向量)。根據(jù)表5中的主成分分析矩陣模型，可以得到原始特征屬性的主成分?jǐn)?shù)據(jù)集表達(dá)式為

PCA1=0.441 5N1+0.441 5N2+0.443 9N3+0.370 6N4+
0.336 1N5+0.401 4N6+0.040 9N7

(2)

PCA2=-0.221 5N1-0.221 5N2-0.212 8N3+0.092 6N4+
0.449 2N5+0.181N6+0.783 2N7

(3)

式中:Ni(i=1,2,…,7)為鋼絲繩斷絲信號(hào)特征屬性xi(i=1,2,…,7)進(jìn)行標(biāo)準(zhǔn)化后的訓(xùn)練樣本數(shù)據(jù)集。PCAj(j=1,2)為第j個(gè)主成分的線性組合。

表5 主成分因子載荷矩陣(Z1和Z2分別為第一和第二主成分)

2.3 斷絲信號(hào)定量檢測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

根據(jù)主成分分析結(jié)果，將前2個(gè)斷絲信號(hào)主成分特征屬性作為輸入，因此可以確定網(wǎng)絡(luò)模型輸入層神經(jīng)元個(gè)數(shù)為2個(gè)。隱含層節(jié)點(diǎn)數(shù)的確定采用試算法，選取訓(xùn)練與測(cè)試結(jié)果誤差最小時(shí)所對(duì)應(yīng)的隱含層神經(jīng)元數(shù)作為最后確定的隱含層節(jié)點(diǎn)數(shù)。經(jīng)試算，在隱含層神經(jīng)元數(shù)為11時(shí)，訓(xùn)練效果最佳，因此，隱含層神經(jīng)單元個(gè)數(shù)為11個(gè)。

大量的實(shí)驗(yàn)結(jié)果表明，一處損傷斷絲不會(huì)超過(guò)4根，斷絲向量?jī)H取前4項(xiàng)就可以滿足要求，分別表示一處損傷內(nèi)的1根，2根，3根，4根斷絲。將鋼絲繩在一處損傷內(nèi)的斷絲數(shù)作為網(wǎng)絡(luò)的輸出，這樣網(wǎng)絡(luò)的輸出有4個(gè)節(jié)點(diǎn)。每個(gè)節(jié)點(diǎn)的輸出采用(0,1)二值函數(shù)編碼，因此可以確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為2-11-4型。

此外，為了對(duì)比鋼絲繩斷絲檢測(cè)的效果，以鋼絲繩斷絲信號(hào)的全部7個(gè)特征屬性作為輸入，輸入神經(jīng)元的個(gè)數(shù)為7個(gè)，建立拓?fù)浣Y(jié)構(gòu)為7-11-4型的傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型。

利用Matlab編寫程序并調(diào)用神經(jīng)網(wǎng)絡(luò)工作箱里的newff函數(shù)來(lái)初始化網(wǎng)絡(luò)，傳遞函數(shù)在隱含層采用log-sigmoid函數(shù)，輸出層采用purelin函數(shù)。所訓(xùn)練的網(wǎng)絡(luò)模型參數(shù)設(shè)定為：最小訓(xùn)練速率為0.01，允許誤差為0.001，最大迭代次數(shù)為2 000次。在訓(xùn)練過(guò)程中，當(dāng)滿足目標(biāo)精度要求或者達(dá)到最大迭代次數(shù)時(shí)，自動(dòng)停止訓(xùn)練。

訓(xùn)練樣本為表1中給出的鋼絲繩斷絲信號(hào)特征屬性數(shù)據(jù)集，訓(xùn)練樣本總數(shù)共計(jì)21個(gè)；測(cè)試樣本選用表2給出的鋼絲繩斷絲信號(hào)特征屬性測(cè)試樣本集數(shù)據(jù)，測(cè)試樣本總數(shù)共計(jì)19個(gè)。

2.4 鋼絲繩斷絲定量檢測(cè)結(jié)果對(duì)比分析

分別利用訓(xùn)練樣本的主成分特征屬性和原始特征屬性對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過(guò)數(shù)輪迭代，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣和閾值矩陣，這兩個(gè)矩陣就是鋼絲繩斷絲信號(hào)特征屬性與斷絲數(shù)目之間的關(guān)系。利用上述訓(xùn)練好的兩個(gè)BP神經(jīng)網(wǎng)絡(luò)模型和表2給出的鋼絲繩斷絲信號(hào)特征屬性測(cè)試樣本集對(duì)鋼絲繩斷絲進(jìn)行定量檢測(cè)。

表6給出了這兩種方法預(yù)測(cè)的測(cè)試樣本集斷絲數(shù)目的檢測(cè)結(jié)果。表7統(tǒng)計(jì)了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)斷絲數(shù)目檢測(cè)精度對(duì)比結(jié)果。

從表6和表7可以看出，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)在19個(gè)測(cè)試樣本中檢測(cè)正確的樣本個(gè)數(shù)是12個(gè)，檢測(cè)正確率為63.15%；而基于主成分分析的神經(jīng)網(wǎng)絡(luò)檢測(cè)正確的樣本個(gè)數(shù)為15個(gè)，檢測(cè)正確率為78.95%，說(shuō)明基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)鋼絲繩定量檢測(cè)方法的精度更高。網(wǎng)絡(luò)結(jié)點(diǎn)數(shù)的減少使得程序運(yùn)行的速度明顯加快，平均檢測(cè)時(shí)間從24.2 ms減少到8.4 ms。

值得說(shuō)明的是，本文的斷絲檢測(cè)結(jié)果是將兩種不同規(guī)格(鋼絲繩1：ф28(6x19) mm，鋼絲繩直徑28 mm，鋼絲直徑1.4 mm，麻纖維芯；鋼絲繩2：ф15(6x37) mm，鋼絲繩直徑15 mm，鋼絲直徑0.7 mm，麻纖維芯)的鋼絲繩放在一起進(jìn)行的檢測(cè)。我們也測(cè)試了將兩種不同規(guī)格的鋼絲繩分別進(jìn)行單獨(dú)檢測(cè)，檢測(cè)結(jié)果為：傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)方法鋼絲繩1的斷絲識(shí)別率為88.9%，鋼絲繩2的斷絲識(shí)別率為90%，二者的平均斷絲識(shí)別率89.4%；基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)方法鋼絲繩1和鋼絲繩2的斷絲識(shí)別率均為100%。

表6 兩種方法得到的鋼絲繩斷絲檢測(cè)結(jié)果(其中，方法1傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，方法2基于主成分分析的BP神經(jīng)網(wǎng)絡(luò))

表7 兩種方法得到的鋼絲繩斷絲檢測(cè)結(jié)果對(duì)比(方法1為傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，方法2為基于主成分分析的BP神經(jīng)網(wǎng)絡(luò))

3 結(jié) 論

應(yīng)用實(shí)例檢測(cè)結(jié)果表明利用主成分分析消除了鋼絲繩斷絲信號(hào)原始特征屬性之間的相關(guān)性，獲得了主成分特征屬性，并以此作為BP神經(jīng)網(wǎng)絡(luò)的輸入，可以提高鋼絲繩斷絲檢測(cè)的精度，并能減少計(jì)算量。

在本文的應(yīng)用實(shí)例中選取了7種鋼絲繩斷絲信號(hào)的特征屬性，今后的研究中，可進(jìn)一步挖掘斷絲信號(hào)的其它特征屬性，并利用主成分分析找到更多彼此不相關(guān)的特征屬性，進(jìn)一步提高鋼絲繩斷絲檢測(cè)的準(zhǔn)確率。

致謝：衷心感謝各位審稿專家對(duì)本文的指導(dǎo)和建議。