基于改进主元分析DDPCA的滚动轴承过渡模态早期故障检测方法

目的 提出一种深度差分主元分析方法用于滚动轴承早期故障检测,解决滚动轴承在运行过程中长期处于变转速等多模态工况,故障特征难以提取和划分的问题。方法 结合差分算法和深度分解原理的分段PCA故障检测方法,使用差分方法对原始数据进行处理,通过K-means聚类方法将具有相似变量特征的过渡模态数据划分成为相同过渡子模态;结合深度分解理论对每个过渡子模态建立故障检测模型,并通过机械故障综合模拟实验台收集的数据验证模型准确性。结果 随着分解阶数的增加,对过渡模态早期故障检测效果逐渐提升,对滚动轴承过渡子模态的划分越来越清晰,误报的情况也随着分解阶数的增加而逐渐减少;滚动轴承持续减速状态下外圈故障一阶分解检测的漏检率为17.2%,二阶分解检测的漏检率为8.6%,三阶分解检测的漏检率为6.6%。结论 笔者所提方法对过渡子模态进行多层分解,可以准确提取过渡子模态中的故障特征并建立分段检测模型,提高了过渡模态的滚动轴承早期故障检测的准确性。

优化动态核主元分析的工业过程故障监测方法

针对现代生产工业过程中数据的非线性多模态特征,提出了一种基于人工大猩猩部队优化动态核主元分析(GTO-DKPCA)的故障监测方法。利用自回归移动平均时间序列模型和核主成分分析(KPCA)方法构建DKPCA模型,对过程各阶段的批次数据进行DKPCA处理。通过正常数据和故障数据特征构建自适应度函数,利用人工大猩猩部队优化算法对DKPCA核参数进行优化,以发现最优的非线性特征;通过计算各时间点的霍特林统计量T2和平方预测误差(SPE)统计量进行故障监测。青霉素发酵过程故障监测结果表明,GTO-DKPCA方法比多向核主元分析(MKPCA)和多动态核主元分析(BDKPCA)有更好的监测效果,适应性和准确性更高。

基于改进动态核主元分析算法的化工过程故障检测

为克服工业过程数据的非线性、动态性等限制,提出基于希尔伯特黄变换的动态核主元分析算法(HHT-DKPCA)。首先用标准化正常数据计算均值和标准差,之后对原始数据进行标准化。然后对协方差矩阵进行特征分解,将数据映射到低维空间。HHT变换去噪前对每个主元变量进行降维,然后将去噪后的数据重新映射到高维空间,并重新计算T^(2)和SPE。将HHT-DKPCA与PCA、KPCA、DKPCA、HHT-PCA在TE过程故障数据上的处理结果进行比较,结果表明,HHT-DKPCA具有更高的故障检测率。

基于主元分析的滑动窗口累积和的微小故障检测

针对传统的多元统计分析方法对生产过程中微小故障检测不灵敏的问题,提出一种基于主元分析的滑动窗口累积和的微小故障检测方法(Principal Component Analysis and Moving Window Cumulative Sum,PCA-MWCUSUM)。利用主元分析(Principal Component Analysis,PCA)对数据降维,去除数据的相关性,计算得出样本的主元得分T^(2);利用滑动窗口技术将相邻某几个主元得分作为一个窗口,同时利用累加和(CUSUM)将每个窗口内T^(2)与T^(2)的均值误差进行叠加,以实现微小故障的累加;利用核密度估计确定故障检测控制限,实现对微小故障的检测。PCA-MWCUSUM通过增加故障工况的偏移尺度提高微小故障检测率。利用数值例子和田纳西-伊斯曼(Tennessee Eastman,TE)过程的仿真实验,并与ICA、PCA-SVDD和K近邻法(KNN)比较分析,实验结果进一步验证了该方法的有效性。

基于肖维勒准则与主元分析的有机朗肯循环神经网络建模方法

随着人工神经网络技术的不断发展,有机朗肯循环(organic Rankine cycle,ORC)神经网络模型广泛应用于系统分析和优化领域。针对现有ORC神经网络模型计算量大、时间周期长和精度偏低的问题,本文提出了基于肖维勒准则与主元分析的ORC神经网络建模方法。采用肖维勒准则对ORC实验数据进行预处理,以去除异常数据,同时数据得到规范化处理。随后,采用主元分析对ORC特征进行矩阵变换和降维,以提取与ORC运行显著相关的特征向量。最后,通过实验数据验证了提出方法的有效性。该方法可在提高模型精度的同时,降低建模所需的时间。与基于原始数据的ORC神经网络模型相比,基于该方法的ORC神经网络模型建模所需时间降低了88.69%。同时,模型预测精度提高了19.93%。

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析(PCA)方法的过程监测算法假定过程是线性的,对于具有强非线性的生产过程,应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析(MKPCA)算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化,采用MKPCA算法建立过程模型并用于过程的在线监测,计算T2、SPE统计量及相应的控制限.仿真结果表明,与传统PCA算法相比,MKPCA算法具有更好的监测性能,不仅大大降低了正常运行过程的误报率,而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性,获取过程变量间的非线性关系.

核主元分析在航天器飞轮自主故障诊断的应用

针对在轨航天器执行机构故障诊断研究相对较少、姿态控制系统背景建模相对简单、算法自主性不强等问题,提出一种基于核主元分析(KPCA)的飞轮自主故障诊断方法。建立使用飞轮组的刚体航天器三轴稳定姿态控制系统;在力矩模式和转速模式下分别建立飞轮伺服系统,并给出飞轮常见故障及其模型;在上述模式下分别采集飞轮组输入输出的差值数据,进行同源扩维,通过改进特征向量归一化准则,优化了KPCA统计量法,并建立一种综合指标,通过比对该指标是否超限判断有无故障,减少对单一指标的主观侧重;在经典的贡献图法基础上进行溯源合并,计算综合贡献率,以此定位故障飞轮。仿真结果表明:所提方法能够实现航天器飞轮自主故障诊断,2种模式下,正确率较传统方法分别平均提高约40.94%、22.23%,适用于单点故障、多点故障、轻微故障等多种情况。

鲁棒主元分析在掌纹识别中的应用

为了对存在异常值的图像构建低维线性子空间的描述,提出用鲁棒主元分析(RPCA)的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用RPCA提取低维的投影向量,然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和核主元分析(KPCA)相比,RPCA算法的识别率最高为99%,特征提取和匹配总时间0.032 s,满足了实时系统的要求。

基于二维主元分析的间歇过程故障诊断

传统的多向主元分析(MPCA)已广泛应用于监视多变量间歇过程。在MPCA算法中,三维的间歇过程数据需要转换为高维的二维向量,导致计算量和存储空间大,同时不可避免地丢失一些重要信息。因此,提出一种新的基于二维主元分析(2DPCA)的故障诊断方法。由于每个批次的间歇过程数据是一个二维向量(矩阵),应用以各个批次矩阵为分析对象的2DPCA算法,避免矢量化,存储空间和存储需求小;另外,2DPCA采用各个批次的协方差的平均值来进行建模,能够更加准确地反映出不同类型的故障,在一定程度上增强了故障诊断的准确性。半导体工业实例的监视结果说明,2DPCA方法优于MPCA。

用于铸造生产过程异常检测的加权超球核主元分析

针对铸造过程数据维度高、非线性和非高斯性的特点,导致主元分析法存在易漏检、检测效率低等问题,提出了加权超球核主元分析的生产过程异常检测方法。首先使用指数加权移动平均对数据平滑处理,然后通过核主元分析法对数据核映射获得主元空间和残差空间,最后将两个子空间信息分别输入到样本加权的支持向量数据描述建立统计模型,并利用建立的模型对数据进行异常检测。使用田纳西-伊斯曼过程数据和铸造的砂处理过程数据进行验证,结果表明该方法比主元分析法具有更高的检测率。

在线压缩主元分析的自适应故障检测方法

大规模的工业过程具有动态的特性,主元分析只关注方差最大化,没有很好地解决处理样本的数量以及样本成分是否包含动态特性,所以主元分析不适合直接应用于动态过程的故障检测。因此,提出一种在线压缩主元分析的自适应故障检测方法。在大量的样本中提取一组极具代表性的样本进行压缩数据建模,对于在线实时采集的数据,根据信息是否符合添加要求进行判断,并自动更新监控模型。将该方法应用于田纳西-伊斯曼过程,使用T 2进行验证分析,仿真结果表明,所提出的故障检测方法是有效性。

基于核函数主元分析的航空发动机故障检测方法

航空发动机性能由正常到异常、再由异常发展到完全故障的阶段,其参数变化具有一定非线性特征。为了有效检测这种具有非线性特征的故障,提出一种基于核函数主元分析(KPCA)的非线性故障检测方法。该方法通过核函数完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间,在特征空间中使用线性主元分析(PCA)方法计算主元,构造T2和SPE统计量检测故障的发生。通过对某型涡扇发动机进行实例验证分析,结果表明,KPCA方法一方面克服了综合参数法由于没有确定的警戒值而无法有效地进行故障检测的不足;另一方面KPCA方法在非线性故障检测过程中能够提取重要的非线性特征信息,因而比PCA方法能更早地检测到早期潜在故障,且KPCA方法检测错误率更低。因此,KPCA方法更适合于具有非线性特征的航空发动机故障检测。

基于加权主元分析(WPCA)的人脸识别

将特征加权和主元分析相结合,提出了一种新的加权主元分析方法;这种方法先根据加权重建误差最小化,计算出各类训练样本的加权子空间,然后计算测试样本点到各加权子空间的距离,并根据该距离进行分类识别。最后,通过对剑桥ORL数据库进行的试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率。

基于核主元分析-主元分析的的多多阶段间歇过程故障监测与诊断

具有过渡特性的多阶段间歇过程故障监测是一个复杂的问题,既需要考虑稳定阶段下的故障监测,也需要考虑不同阶段间的过渡故障监测.为克服传统硬划分方法导致误警和漏报率高的缺陷,同时也为实现更加精确、有效的故障监测与诊断,提出一套完整的基于核主元分析–主元分析(KPCA–PCA)的多阶段间歇过程故障监测与诊断策略.该方法依据数据相似度实现阶段划分,定义模糊隶属度辨识相邻阶段间的过渡,最后对稳定阶段和过渡过程分别建立具有时变协方差的PCA和KPCA故障监测与诊断模型.通过对青霉素发酵过程的仿真平台及工业应用研究表明,该方法具有更可靠的监控性能,能及时、准确的检测出过程中存在的异常情况.

类均值核主元分析法及在故障诊断中的应用

核主元分析在应用过程中,通常采用累积贡献率法确定核主元个数,舍弃一些贡献率较小的核主元,导致数据样本部分信息的损失,影响故障诊断的效果。针对这一情况,提出一种类均值核主元分析法,它将输入空间的数据样本映射到高维特征空间后,先求出各类映射数据的类均值矢量,然后在类均值矢量张成的子空间上对类均值矢量进行主元分析,利用构建的类均值核矩阵,建立类均值核主元算法。由类均值核主元形成的特征矢量包含原数据样本的全部变异信息,并且维数低于故障类别数,能够在类均值矢量基础上实现无信息损失的数据降维。将改进算法应用于滚动轴承故障诊断,结果表明,它具有比传统核主元分析更强的综合原始变量信息的能力,能更好地提取数据样本的类别信息,快速实现故障模式的准确识别。

二维主元分析在人脸识别中的应用研究

结合二维主元分析(two-dimensionalprincipalcomponentanalysis,2DPCA)的特点,将2DPCA算法用于人脸识别。它与主元分析(principalcomponentanalysis,PCA)的不同之处在于,2DPCA算法以图像矩阵为分析对象;而PCA算法以图像的一维向量为分析对象。2DPCA算法是直接利用原始图像矩阵构造图像的协方差矩阵。而PCA算法需对原始图像矩阵先降维、再将降维矩阵转换成列向量,然后构造图像的协方差矩阵。为了测试和评估2DPCA算法的性能,在ORL(olivettiresearchlaboratory)与Yale人脸数据库上进行了实验,结果表明,2DPCA算法用于人脸识别的正确识别率高于PCA算法。同时,也显示了2DPCA算法在特征提取方面比PCA算法更有效。

核主元分析及其在人脸识别中的应用

传统的基于数据二阶统计矩的特征脸法(Eigenface)或主元分析法(PCA)是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。该文采用KPCA法提取人脸特征,利用线性支持向量机设计分类器,实验结果表明,基于核主元分析方法的识别正确率明显优于基于主元分析法。

基于核主元分析的非线性动态故障诊断

核主元分析是一种非线性主元分析方法,充分利用核函数来解决非线性映射问题,在高维特征空间中确定主元,具有很好的非线性逼近能力。同时,利用非线性最小二乘法实现核主元分析的变量重构,来识别故障源。将核主元分析应用于连续搅拌釜式反应器系统(CSTR)的故障诊断过程中,仿真结果表明该方法对于故障的检测和故障源的识别都优于线性主元分析法的诊断效果。

非线性多尺度多向主元分析方法

NLMPCA是一种适合间歇生产过程的非线性建模方法,但是从现场采集的数据往往存在误差,难免影响过程监视和故障诊断的结果.基于MPCA,NLPCA和小波变换,提出了一种新的间歇过程监视和诊断方法,即非线性多尺度多向主元分析方法(NLMSMPCA).与NLMPCA相比,NLMSMPCA降低了随机误差对测量数据的影响,提高了过程监视和故障诊断的可靠性.

局部二维主元分析的人脸识别新方法

人脸姿态、表情、光照等变化是影响人脸识别的主要因素,如何减轻这些因素对识别率的影响是人脸识别的研究关键所在。R.G等人提出了MPCA方法,通过对人脸图像进行一次分块处理,减少了这些因素产生的影响。然而MPCA方法只消除了部分影响,仍未能完全解决这一问题。文章提出了一种进行二次分块处理的新方法——局部二维主元分析方法,进一步消除了这些因素所产生的影响。通过在Yale国际标准人脸库及UMIST人脸库上进行验证,该方法大大提高了人脸识别率。