基于PSO改进KPCA-SVM的故障监测和诊断方法研究

针对传统故障监测与诊断算法在船舶柴油发动机燃油系统应用中精度较低的问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)算法优化核主成分分析(Kernel Principal Component Analysis,KPCA)和支持向量机(Support Vector Machine,SVM)的故障监测和诊断新方法。首先采用KPCA提取样本数据中的非线性特征,获取其高维信息,同时在特征空间中构建T 2和SPE统计量,实时监测故障的发生;对于监测到的故障样本,通过KPCA提取其非线性主成分,作为多分类SVM的输入样本进行故障模式识别,采用PSO算法分别对KPCA与多分类SVM的核函数参数、多分类SVM的惩罚因子进行优化,以提高故障监测和诊断模型的精度。船舶燃油系统故障监测和诊断试验结果表明,经过PSO优化后的KPCA-SVM故障监测和诊断模型的精度明显提高,验证了所提方法的优势和有效性。

DUCG在核电站二回路故障诊断中的应用

自美国三哩岛核电站事故以来,故障诊断在核电站中的作用越来越被重视。为探索故障诊断在我国核电站中的应用,介绍了应用于复杂系统不确定性行为的智能故障诊断方法——动态不确定因果图(DUCG)。文中模型以中国广核集团有限公司宁德1号核电机组为原型构建,并利用与此机组对应的核电模拟机数据进行验证,保证了验证的有效性。验证结果表明,采用DUCG方法,能准确对核电站的典型故障进行识别和诊断,展现故障的发展过程,得到引发故障的原因事件和相应概率。

基于ICA和相似因数的间歇过程故障诊断

多向主元分析(MPCA)是间歇过程最常用的监控方法,但缺点是需要对未来测量值进行估计。针对这一问题,提出了基于不同展开方式上的独立元分析(ICA)的在线监控方法。在测量数据含有非高斯潜隐变量的情况下,ICA是比PCA更有效的特征提取算法。获得独立元(ICs)后,将一种新的基于ICA的混合相似因数分析用于间歇过程的故障诊断中。通过在青霉素生产过程的成功应用,验证了所提出方法的可行性和有效性,具有比较好的监测效果及满意的故障识别能力。

逆PCA方法及其在故障检测与诊断中的应用

针对主元分析方法的特点,提出一种逆主元分析方法.具体采用二次投影逆主元方法,以实现故障发生时,主元空间向故障变量的投影.首先,对负荷矩阵进行方差最大正交旋转,以使某一个或某几个主元能够与某一特定子系统相对应,实现第一次投影;然后,在子系统内部进行故障诊断,实现二次投影.该方法提高了PCA方法的检测灵敏度和诊断效能.