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。

基于主成分分析和深度森林算法的S700K转辙机故障诊断

针对目前转辙机故障诊断准确性不高、效率低等问题,提出了一种基于主成分分析(PCA)和深度森林(gcForest)算法的故障诊断方法。对于S700K转辙机11种故障模式下的电流、功率曲线,采用主成分分析进行电流特征值特征简约,然后使用嵌入简约特征值的改进深度森林模型提高数据处理能力,增强模型内在特征代表性。结果表明,改进深度森林模型故障诊断准确率为97.62%,验证了该方法的有效性和优越性。

基于主成分分析的果蝇算法优化支持向量机回归的红枣产量预测

随着大数据技术和人工智能的快速发展,针对当前红枣产量预测模型精度低、模型优化时间过长等问题,以山西省1993—2020年的红枣产量及17个维度的因素作为基础数据,提出一种基于主成分分析的果蝇算法优化支持向量机回归(principal component analysis-fruit fly optimization algorithm-support vector regression,PCA-FOA-SVR)的红枣产量预测模型。首先利用主成分分析(principal component analysis,PCA)对数据进行降维处理,以5维的指标作为输入变量,产量作为输出变量;其次以支持向量机回归(support vector regression,SVR)为基础模型,利用果蝇优化算法(fruit fly optimization algorithm,FOA)对SVR参数惩罚因子c和核函数参数g进行寻优,构建PCA-FOA-SVR模型。对试验结果进行验证。发现PCA-FOA-SVR的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、决定系数R 2分别为3.11、3.01、0.96,SVR的各指标分别为5.33、4.07、0.9,分别提高了41.7%、26%、6.7%,最后通过GM(1,1)对各维度的数据进行预测,利用PCA-FOA-SVR模型对未来10年山西省红枣产量进行预测,结果显示在2025年红枣产量会达到一个峰值,对后续相关研究提供了一定的科学依据。

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。

核主元分析与优化核极限学习机模型在电石炉爆炸风险评估中的应用

为准确判断电热法电石生产工艺中电石炉的爆炸风险等级,提出了一种精准有效的风险评估模型。首先,基于危险与可操作性(Hazard and Operability, HAZOP)分析筛选出人、物料、设备、管理四方面的34项爆炸风险因素,考虑到因素间存在非线性关联,采用核主元分析(Kernel Principal Component Analysis, KPCA)进行属性约简,减少冗杂信息的干扰。其次,利用融合了Tent混沌序列、高斯变异与混沌扰动的麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)寻优核极限学习机(Kernel Extreme Learning Machine, KELM)的惩罚系数与核参数,建立KPCA-ISSA-KELM风险评估模型。最后,使用该模型分析83组实例数据,选取其中59组用于模型训练,其余24组用于测试。在测试结果中,该模型正确分类了22组数据的风险等级,判别准确率为91.67%,在各项性能指标上均优于对照模型,表明该模型对电热法工艺电石炉的爆炸风险等级具备高识别精度。

基于PCA+KNN和kernal-PCA+KNN算法的废旧纺织物鉴别

该研究采集了15类废旧纺织物的4 998张近红外谱图,以7∶3的比例分为训练集和验证集,并分别采用主成分分析(PCA)与核主成分分析(kernal-PCA)两种不同降维方法对数据进行降维,并选用余弦相似度(cosine)核作为kernal-PCA的最佳核函数,最后分别将PCA和kernal-PCA降维处理后的数据进行k-近邻算法(KNN)训练。结果表明,kernal-PCA+KNN的模型准确率(95.17%)优于PCA+KNN模型的准确率(92.34%)。研究表明,kernal-PCA+KNN算法可以实现15类废旧纺织物识别准确率的提升,为废旧纺织物在线近红外自动分拣提供有力的技术支撑。

小波变换和主元分析在动态矩阵控制算法中的应用

提出用小波变换和主元分析相结合的方法来压缩预测时域及控制时域，在保证算法鲁棒控制性能的前提下降低动态矩阵维数并改善矩阵病态性，从而使动态矩阵控制算法的计算效率大大提高．

基于模糊隶属函数的主元分析人脸识别算法

将一个人脸图象矩阵视为一矢量,先通过主元分析的方法构造优化的"人脸空间",并在此基础上引入模糊数学中的矢量隶属函数、隶属度等概念,提出和设计了一种新的基于模糊隶属函数的主元分析人脸特征抽取和识别算法。实验结果表明,这种识别算法既可行又具有良好的识别能力。

应用主元分析方法改进BP算法及其在故障诊断中的应用

提出了一种应用主元分析方法对神经网络输入参量进行处理的方法,以主元分析为理论基础,通过对输入的高维参量的线性组合以及向低维空间投影的方法,既降低了输入的维数,同时又提高了输入参量对特征的敏感性,并通过一个故障诊断应用的实例证明了该方法的可行性。

基于主元分析的随机相移算法

将统计理论中的主元分析应用到干涉条纹分析中,提出一种基于主元分析的随机相移算法。该算法先将多帧条纹数据分解成不相关的主元成分,然后从主元成分中提取2维相位信息。数值模拟结果表明:该算法不需要迭代运算就能从4帧完全随机相移干涉图中有效提取相位信息,运算时间少,精度高。实验结果表明主元分析相移算法比现有迭代相移算法更适合于随机相移干涉图分析。

一种并行遗传优化核主元分析算法

针对核主元分析算法参数设置和主元数量选取问题,提出一种并行优化核函数参数和主元数量的改进核主元分析算法。该算法以类别可分性为准则,应用自适应遗传算法同步对核参数和主元数量进行优化,实现了核参数和主元数量的并行选择。将改进后的核主元分析算法应用于柴油机气阀机构典型故障的特征提取中,结果表明:优化核主元分析能有效降低柴油机气阀机构故障特征向量的维数,提高各类样本的聚类效果。

基于神经网络和主元分析的人脸识别算法

针对高维、小样本的分类问题,提出2个重要的准则,用于估计RBF单元的初始宽度。采用主成分分析方法把训练样本集投影到特征脸空间,以减少维数,用Fisher线性判别式产生一组最具判别性的特征,使不同类间的训练数据尽可能地分开,而同一类的样本尽可能地靠近。实验结果证明,该算法在分类的错误率及学习的效率上都表现出较好的性能。

基于冷损双流体模型及主元分析-支持向量机算法的制冷陈列柜冷风幕优化分析

利用冷损双流体(RLTF)模型对立式敞开型陈列柜冷风幕及其四周气体流动和传热进行数值模拟,确定其冷损量及影响因素,建立冷损量的目标函数,通过主元分析-支持向量机(PCA-SVM)算法对目标函数寻优,并经过实验加以验证.结果表明,经优化后,陈列柜的冷损量下降了19.6%,单位展示面积的每日耗电量(TEC/TDA)减少了17.1%.

基于主成分分析和Melkman算法的选星策略

导航定位中的选星算法是一种关键技术,用于从卫星中选择合适数量和最佳几何分布的卫星以实现最佳定位精度。针对基于二维凸包算法的选星策略在三维卫星数据降维处理中忽略垂直方向高度位置信息的问题,提出了一种基于主成分分析(PCA)和二维凸包Melkman算法的选星策略。首先,通过PCA技术将三维卫星数据投影到新的二维坐标系,新的二维数据同时保留水平平面位置信息和垂直方向高度位置信息,旨在降低维度的同时最小化信息损失。在新坐标系下,数据经过预处理后,采用二维凸包Melkman算法进行选星。实验结果显示:相较于直接投影到站心坐标系下的二维凸包选星算法,提出的选星算法不仅更准确地描述卫星的位置信息,使问题研究更加完备,还在保持相近仿真耗时的前提下,实现了较大的几何精度因子(GDOP)性能提升。

不相交主成分分析(PCA)和遗传算法(GA)用于差异表达基因的识别

建立了一种基于不相交主成分分析(Disjoint PCA)和遗传算法(GA)的特征变量选择方法,并用于从基因表达谱(Gene expression profiles)数据中识别差异表达的基因.在该方法中,用不相交主成分分析评估基因组在区分两类不同样品时的区分能力;用GA寻找区分能力最强的基因组;所识别基因的偶然相关性用统计方法评估.由于该方法考虑了基因间的协同作用更接近于基因的生物过程,从而使所识别的基因具有更好的差异表达能力.将该方法应用于肝细胞癌(HCC)样品的基因芯片数据分析,结果表明,所识别的基因具有较强的区分能力,优于常用的基因芯片显著性分析(Significance analysis of microarrays,SAM)方法.

基于主元分析算法的电费抄核收数据异常诊断方法

由于当前已有方法未能考虑电费抄核收数据去噪问题,导致电费抄核收数据异常诊断准确性下降,诊断延时增加。为此,提出一种基于主元分析算法的电费抄核收数据异常诊断方法。将采集的电费抄核收数据作为研究样本数据,通过小波变换对其进行去噪预处理。以此为基础,采用相关系数矩阵求解数据主成分,确定数据贡献率的主元个数,同时利用主元分析表达式建立数据异常诊断模型,通过模型实现电费抄核收数据异常诊断。实验结果表明,通过对数据进行去噪处理,促使所提方法电费抄核收数据异常诊断结果准确性得到有效提升,诊断延时得到明显降低。

一种改进的主元分析直线检测算法

为了解决基于主元分析的直线检测无法检测出直线间的交点和角点的问题,提出了一种新的主元分析直线检测算法,该算法增加了Freeman链码来检测直线间的交点和角点,在交点和角点处断开,再利用主元分析法检测图像中的直线特征。仿真结果表明,该算法与主元分析法相比具有更好的检测精度和效果。

利用主元方法进行传感器故障检测的行为分析

主元分析方法 (PCA)是基于多元统计分析的过程监测和故障诊断手段。在假设过程只存在传感器故障的情况下 ,系统地分析了PCA方法在传感器典型故障下的检测行为。首先导出了HotellingT2 和Q两个检测统计量在传感器不同故障下的变化关系和规律 ,然后从理论上给出了每个传感器故障的可检测性条件。

基于故障重构的PCA模型主元数的确定

基于故障重构理论研究了PCA模型主元数的确定方法,应用累积方差贡献率以及复相关系数对主元模型性能进行分析·在基于PCA理论进行故障诊断中,故障变量可根据故障的方向向量进行重构,未重构方差(VRE)可分别投影于主元子空间(PCS)和残差子空间(RS)·确定最优重构是使两空间的VRE之和达到最小,与此相对应的主元数即为最优主元数(PCs)·应用累积方差贡献率以及复相关系数对主元模型性能进行评价,结果表明确定的PCA模型PCs保证了PCS中的信息存量·对于工业PVC聚合反应过程的故障诊断说明了上述方法的合理性与有效性·

基于改进型滑动窗主元分析的盾构液压系统故障诊断研究

将主元分析的分层理论应用于盾构机液压系统的故障诊断,首先阐述了盾构液压系统的PCA分块思想,将盾构液压系统整体分成多个子系统,然后对每一个子系统采用改进型滑动窗算法进行分析,最后以盾构拼装机液压系统为仿真对象进行了仿真分析,仿真结果证明了该算法的有效性。