LS-SVM和混合主元分析的电梯故障类型检测研究

在电梯故障诊断问题上,提出了一种基于最小二乘支持向量机(LS-SVM)和混合主元分析的方法。在此方法中,首先利用小波包分析对电梯轿厢X、Y、Z三个方向传感器所得数值进行特征值提取,提取出9个特征向量用来描述电梯具体运行状态。然后将特征向量送入LS-SVM进行训练和分类,得出每个特征向量与正常运行时的残差值,根据残差值判断电梯状态。最后利用混合主元分析得出主元特征向量,作出主元特征向量的组合形式贡献图判断电梯故障原因。

基于偏最小二乘法的气动执行机构故障诊断研究

气动调节阀是工业生产中重要的控制装置,其故障诊断技术越来越受到重视。基于DAMADICS平台建立气动阀门仿真模型,利用DABLib模块生成故障数据。提取故障数据的主元向量,构建PLS模型,将多变量的高维空间影射到低维空间,对数据进行压缩和标准化处理。借助Hotelling T2和SPE统计检测法对平台生成的测试数据与实际数据的残差进行分析。仿真结果表明,该方法实现了对阀门故障的诊断和分类,效果明显。

基于PCA-SVDD的故障检测和自学习辨识

为了利用多变量统计过程控制在故障检测上的优势以及克服其在故障辨识诊断上的缺陷,提出一套新的用于化工过程的故障检测和自学习辨识算法.应用主元分析(PCA)实施故障检测并对故障数据运用PCA特征提取,提出3种基于主元分析-支持向量数据描述(PCA-SVDD)的模式判别方法来实现故障的自学习辨识:考虑故障辨识时可能出现的类分布重合问题,分析和比较了基于欧氏距离和归一化半径判别这2种方法,提出针对新型未知故障辨识的加权归一化半径判别法.通过对Tennessee Eastman(TE)过程的仿真研究,说明了提出的故障检测和自学习辨识算法的可行性和有效性.

基于单通道sEMG分解的手部动作识别方法

表面肌电信号(Surface electromyography,s EMG)已广泛应用于手部动作识别。为提高动作识别精度,研究者往往需要采集多个通道s EMG信号,从而增加应用复杂性,针对这一情况,提出一种基于单通道s EMG分解的手部动作识别方法。使用单通道电极采集人体上臂肌肉s EMG,将其分解为6个运动单元动作电位序列,过程包括:二阶差分滤波、阈值计算、尖峰检测、分层聚类;然后,提取绝对值积分、最大值、非零中值、半窗能量等特征,并采用主元分析法降维;最后,利用支持向量机分类识别5种不同手部动作,精度达到80.4%。而采用未融合s EMG分解的传统方法,动作识别精度仅有约70%。