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。

基于主元分析的温室物联网空气温湿度传感器故障诊断

针对温室物联网测控系统中空气温湿度传感器受恶劣环境影响易发生故障的问题,研究温室物联网测控系统中空气温湿度传感器的故障诊断,保障温室物联网测控系统整体工作的稳定可靠性,提出一种基于主元分析的空气温湿度传感器故障诊断方法。首先对空气温湿度传感器数据进行主元分析,通过监控平方预测误差统计量的变化实现传感器的故障检测;再针对检测出的空气温湿度传感器故障数据,利用加权后的平方预测误差统计量来计算传感器的累积贡献率,并将其作为传感器故障识别的指标,识别出现故障的空气温湿度传感器。利用空气温湿度传感器数据在不同故障条件下进行传感器故障诊断方法验证,验证结果表明:所提方法可用于温室物联网测控系统中空气温湿度传感器偏差故障和漂移故障的检测,偏差故障的检测效果要好于漂移故障,偏差故障综合检测率为100%,漂移故障综合检测率为51.25%;同时所提方法能够正确识别出故障传感器,有效提高温室物联网测控系统中空气温湿度传感器故障诊断结果的准确性。

基于动态受控主元分析模型的故障检测

为了提高故障检测准确率,提出了基于动态受控主元分析(dynamic controlled principal component analysis,DCPCA)模型的故障检测方法。首先,利用DCPCA提取动态受控主元(dynamic controlled principal component,DCPC),所得DCPC包含过程的自回归特性和与控制输入之间的动态因果关系,使得构建的DCPCA模型更精确。然后,针对传统方法只对过程变量进行静态空间结构的故障检测,忽略了动态特性的问题,基于DCPCA模型适时应用检测综合指标,对系统进行静态重构误差和动态模型误差的双重检测,使得检测结果更全面。最后,基于田纳西-伊斯曼(Tennessee-Eastman,TE)过程的仿真结果验证了所提方法的可行性和有效性。

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。

基于改进主元分析的风力发电升压站电气故障检测

本文以某升压站油中溶解生成的五种特征气体的样本数据为基础,利用主元分析算法对升压站进行故障检测,由于风力发电升压站电气故障多呈现为非线性属性、而主元分析假定过程数据是线性,本文针对主元分析的缺点进行改进。试验结果表明,改进主元分析的T2和SPE统计量检测正确率均高于主元分析,最大检测准确率高达100%。

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。

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。

装配式主变基础受力性能有限元分析

本文介绍了一种新型装配式电力主变基础,通过有限元分析考察了该装配式主变基础在使用阶段、偏心加载和地震作用下的各部件应力、结构变形及混凝土损伤情况,并对结构的极限承载能力进行分析,为该工程项目的实施提供设计依据,同时为此类结构的有限元建模分析提供参考。

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。

去主元相关性DKPCA故障检测与诊断方法

针对动态核主元分析(Dynamic Kernel Principal Component Analysis,DKPCA)在动态非线性过程监控中没有降低数据动态性的影响,导致统计量T^(2)具有显著自相关性的问题,提出一种基于去主元相关性的DKPCA(Dynamic Kernel Principal Component Analysis based on Removing Principal Component Correlation,DKPCA-RPCC)故障检测与诊断方法。首先,对原始数据X进行时滞扩展生成增广矩阵Y并使用KPCA计算主成分M;其次,利用已知数据重构增广矩阵Y,再使用KPCA计算主成分M;然后,通过主成分之间的差异来构建统计量进行故障检测;最后,利用基于变量贡献图的方法进行故障诊断。通过数值例子和田纳西-伊斯曼(Tennessee-Eastman,TE)过程进行仿真验证,并将仿真结果与KPCA、DPCA和DKPCA的结果进行对比。仿真结果说明,该方法在动态非线性过程监控中构建的统计量故障检测性能更高且具有较低的自相关性。

基于主元-分形理论的电子式电压互感器计量误差自主辨识方法研究

电子式电压互感器(EVT)由大量的电子单元组成,易受变电站复杂运行环境的影响,计量误差的长期稳定性较差。常规检测方法是定期与标准互感器比对校准,属于一种设备状态的抽样检测方法,无法评估EVT的计量数据对节点电能累积作用的影响。针对这一问题,文章基于电力系统节点三相对称的运行特性,通过对三相EVT的计量数据进行主元分形,在残差子分量中建立平方预测方差SPE统计量实现了EVT计量误差的自检测;通过计算EVT运行过程中SPE统计量的分形维数,实现了EVT计量误差劣化形式的自主辨识。研究成果有利于推动EVT的状态检测由定期检测发展为按需检测。

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。

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%。

基于故障映射向量和结构化残差的主元分析(PCA)故障隔离

在基于主元分析(PCA)的多变量统计过程监控中,现有方法很难直观有效地完全实现故障的隔离与诊断.本文通过分析各类故障的数学模型,提出一种基于结构化残差和故障映射向量的隔离方法,并推导出PCA模型下过程故障映射向量方向的提取算法,进而实现了传感器/执行器故障和过程故障的故障隔离,在CSTR仿真上的研究进一步验证了该法的有效性.

结合拉曼光谱主成分分析-线性判别进行蛇纹石玉产地溯源的探索

蛇纹石是中国最早使用的玉石之一,开展蛇纹石玉的产地溯源探索,对认识中国古代玉文化发展历程,重建古代玉石贸易路线均有重要的意义。但由于蛇纹石玉产地众多,目前尚没有成熟的蛇纹石玉产地溯源的判别技术。以产自陕西汉中、甘肃敦煌、河南栾川、辽宁岫岩、山东泰安、甘肃武山6地的蛇纹石玉为研究对象,在66块样品上共采集到200个高质量拉曼光谱数据,并在对测试结果进行主成分分析(PCA)的基础上建立了线性判别分析(LDA)的产地判别模型。结果显示,不同产地蛇纹石玉的矿物组成有所差异,汉中蛇纹石玉的主要矿物成分有纤蛇纹石和利蛇纹石两种;敦煌蛇纹石玉则为纤蛇纹石和利蛇纹石的均匀混合型;泰安蛇纹石玉的主要矿物成分有利蛇纹石(墨玉)和叶蛇纹石(碧玉和翠斑玉)两种;河南栾川、辽宁岫岩、甘肃武山蛇纹石玉的主要矿物成分均为叶蛇纹石。在严格控制实验条件的前提下,将拉曼光谱数据结合PCA+LDA分析可以对不同产地的蛇纹石玉进行区分,所建立的LDA判别模型的训练集数据和测试集数据的产地判别正确率分别达到了96.25%和92.50%。这显示出利用无损检测拉曼光谱技术进行蛇纹石玉产地溯源具有潜在价值。将拉曼光谱无损检测数据结合统计学或机器学习方法来构建判别模型可能是解决蛇纹石玉产地溯源瓶颈新的技术路径。

矩阵数据基于鲁棒主成分分析的距离加权判别分析

距离加权判别(DWD)是一种已被广泛应用的矩阵数据分类模型,当数据中存在严重的噪声污染时,该模型的性能会明显下降。鲁棒主成分分析(RPCA)因具备分离数据矩阵低秩结构和稀疏部分的特性已成为解决该问题的有效手段之一。因此,提出一种矩阵数据鲁棒距离加权判别(RDWD-2D)模型。特别地,该模型以有监督的方式对数据矩阵进行鲁棒主成分分析,并同步实现干净数据的恢复与分类。在MNIST和COIL20数据集上的实验结果表明,针对有噪声污染或数据缺失的矩阵数据,与DWD-2D、RPCA+DWD等模型相比,RDWD-2D模型有最好的数据恢复能力和最高的分类准确率;同时RDWD-2D模型对于数据污染度也有较好的鲁棒性。

基于差分图像和PCA主元分析的人脸检测

提出了一种基于差分图像和PCA(principle component analysis)主元分析的人脸检测算法,先对Anil K.Jain的Cb、Cr椭圆聚类方法给予改进,用改进的算法进行肤色提取,通过对肤色区域的分析,得到人脸候选区域,然后在这些可能的区域中运用特征脸进行细致的匹配,找出人脸的准确位置,然后利用马赛克模板排除虚假人脸。考虑到图像像素间的相关性,人脸特征提取同时对原始图像和其水平方向及垂直方向的差分图像进行PCA分析,从而提高了人脸检测的稳定性。

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。