主元分析(principal component analysis,PCA)是一种有效的数据分析方法,在故障诊断与状态监测方面已得到广泛应用.多元指数加权移动平均–主元分析(multivariate exponentially weighted moving average principal component analysis,...主元分析(principal component analysis,PCA)是一种有效的数据分析方法,在故障诊断与状态监测方面已得到广泛应用.多元指数加权移动平均–主元分析(multivariate exponentially weighted moving average principal component analysis,MEWMA–PCA)方法用于解决PCA不能有效检出微小故障的问题.本文深入研究了MEWMA–PCA中EWMA影响主元分析进行故障检测的机制,导出了MEWMA–PCA可检出微小故障的原因.本文确定了MEWMA–PCA中遗忘因子λ、单传感器故障幅值和迟延时间三者的关系,并进行了数值仿真和火电厂磨煤机组运行状态的仿真实验.实验结果验证了MEWMA–PCA中EWMA提高PCA的监测性能的机制,并给出了根据系统实际要求来选取合适的遗忘因子值,从而在规定的时间内检出微小故障的实例.展开更多
复杂设备早期微小故障检测是故障检测与诊断领域的难题,系统状态和参数发生阶跃变化或者缓慢漂移是这类故障的主要特征.本文在正交性原理的基础上,提出一种强跟踪平方根中心差分卡尔曼滤波(Square-root center diference Kalman filter,...复杂设备早期微小故障检测是故障检测与诊断领域的难题,系统状态和参数发生阶跃变化或者缓慢漂移是这类故障的主要特征.本文在正交性原理的基础上,提出一种强跟踪平方根中心差分卡尔曼滤波(Square-root center diference Kalman filter,SR-CDKF),即SSR-CDKF,并将SSR-CDKF应用于复杂设备的早期微小故障检测中.仿真结果表明,SSRCDKF能够更准确地估计系统状态和参数,更迅速地跟踪系统和参数突变情况.通过仿真计算比较滤波器在不同参数取值下的方差值,得出了选择合适参数的方法.最后利用该算法检测出了陀螺仪的早期微小故障.展开更多
针对传统核主元分析(KPCA)方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析(double-level local kernel principal component analysis,DLKPCA)的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内...针对传统核主元分析(KPCA)方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析(double-level local kernel principal component analysis,DLKPCA)的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。展开更多
文摘主元分析(principal component analysis,PCA)是一种有效的数据分析方法,在故障诊断与状态监测方面已得到广泛应用.多元指数加权移动平均–主元分析(multivariate exponentially weighted moving average principal component analysis,MEWMA–PCA)方法用于解决PCA不能有效检出微小故障的问题.本文深入研究了MEWMA–PCA中EWMA影响主元分析进行故障检测的机制,导出了MEWMA–PCA可检出微小故障的原因.本文确定了MEWMA–PCA中遗忘因子λ、单传感器故障幅值和迟延时间三者的关系,并进行了数值仿真和火电厂磨煤机组运行状态的仿真实验.实验结果验证了MEWMA–PCA中EWMA提高PCA的监测性能的机制,并给出了根据系统实际要求来选取合适的遗忘因子值,从而在规定的时间内检出微小故障的实例.
文摘复杂设备早期微小故障检测是故障检测与诊断领域的难题,系统状态和参数发生阶跃变化或者缓慢漂移是这类故障的主要特征.本文在正交性原理的基础上,提出一种强跟踪平方根中心差分卡尔曼滤波(Square-root center diference Kalman filter,SR-CDKF),即SSR-CDKF,并将SSR-CDKF应用于复杂设备的早期微小故障检测中.仿真结果表明,SSRCDKF能够更准确地估计系统状态和参数,更迅速地跟踪系统和参数突变情况.通过仿真计算比较滤波器在不同参数取值下的方差值,得出了选择合适参数的方法.最后利用该算法检测出了陀螺仪的早期微小故障.
文摘针对传统核主元分析(KPCA)方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析(double-level local kernel principal component analysis,DLKPCA)的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。