融合局部和全局结构的流形学习

提出了一种融合局部与全局结构的保持嵌入(LGPE)算法。该方法首先假定目标空间的整体映射函数,然后结合数据的全局几何结构分布信息进行数据重构,最后通过最小化准则函数来得到嵌入高维空间的低维子流形。LGPE方法在保持数据局部结构的同时保留了全局结构信息,在信噪比为10dB的稀疏Swiss-roll(N=400)和COIL-20多姿态数据集上都取得了较好的维数约简效果。与其他局部流形学习方法相比,该方法在AT&T人脸图像库中,当嵌入特征矢量维数d<40时,其识别率提高了约15%。在人工与真实数据库的实验结果表明,本文方法对噪声和稀疏数据具有较好的鲁棒性。

基于TGNPE算法的间歇过程故障诊断

间歇过程数据是由批次、变量和时间构成的三维数据,数据内包含了丰富的对过程监控有用的全局和局部结构信息,如何充分提取间歇过程的特征信息是故障诊断的关键。传统方法处理三维数据都是将其展开成二维数据,展开过程必然会导致数据内在结构破坏,并且通常只考虑了数据的全局信息或者只考虑了数据的局部信息,这就不能充分提取过程的有用信息导致诊断效果欠佳。针对以上问题,提出了张量全局-局部邻域保持嵌入(TGNPE)算法,首先用张量分解的方法直接对三维数据进行建模,而不对数据进行展开,这就有效地保存了数据的内部结构,再用邻域保持嵌入算法充分提取数据局部结构信息的同时兼顾数据的全局信息,这就实现了对数据特征信息更加充分地提取,用TGNPE算法检测到故障后用贡献图法诊断出故障变量。通过青霉素发酵过程验证了本文提出的算法对间歇过程数据信息提取更加充分,更利于故障诊断。

级联H桥多电平逆变器故障的多尺度OGLPE特征提取方法

针对级联H桥多电平逆变器IGBT开路故障时不同故障相似程度高而不易区分的问题,提出一种兼顾全局方差最大变换特性以及局部结构保持特性的正交全局与局部保持嵌入(orthogonal globality and locality preserving embedding,OGLPE)特征提取算法,并将其与集成经验模态分解(EEMD)相结合构成多尺度OGLPE特征提取方法。以级联H桥七电平逆变器为例,首先采集原始逆变侧输出端三相电流信号,并结合参考电流信号求取电流偏差信号;其次运用EEMD方法对各状态下的电流偏差信号进行多尺度分解,得到不同尺度下的本征模态分量(IMF);然后利用提出的OGLPE方法自适应提取嵌入于各IMF分量中的敏感特征,构成故障特征集;最后与常用特征提取方法进行对比分析,特征提取二维可视化结果表明所提方法能有效的提高不同故障的类间区分度,诊断结果表明所提方法诊断精度高达98.4%,明显高于其他方法。

基于TTGNPE算法的间歇过程监控

针对间歇过程中三维数据展开为二维造成的部分信息丢失以及数据的全局和局部结构可能发生的变化,提出一种基于张量分解的时序扩展全局局部邻域保持嵌入(TTGNPE)算法.首先利用TTGNPE算法直接处理间歇过程中的三维数据,以避免因展开为二维而造成的信息丢失;然后,将近邻流形嵌入并引入数据空间的全局和局部结构保持中,充分提取数据的局部和全局特征信息;最后,结合移动数据窗技术来处理过程的动态时变性,检测到故障后用贡献图法诊断出故障变量.通过青霉素发酵过程验证了所提出的算法对间歇过程故障检测与诊断的优越性.