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。

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。

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。

基于核函数主元分析的航空发动机故障检测方法

航空发动机性能由正常到异常、再由异常发展到完全故障的阶段,其参数变化具有一定非线性特征。为了有效检测这种具有非线性特征的故障,提出一种基于核函数主元分析(KPCA)的非线性故障检测方法。该方法通过核函数完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间,在特征空间中使用线性主元分析(PCA)方法计算主元,构造T2和SPE统计量检测故障的发生。通过对某型涡扇发动机进行实例验证分析,结果表明,KPCA方法一方面克服了综合参数法由于没有确定的警戒值而无法有效地进行故障检测的不足;另一方面KPCA方法在非线性故障检测过程中能够提取重要的非线性特征信息,因而比PCA方法能更早地检测到早期潜在故障,且KPCA方法检测错误率更低。因此,KPCA方法更适合于具有非线性特征的航空发动机故障检测。

基于核主元分析和邻近支持向量机的汽轮机凝汽器过程监控和故障诊断

提出了基于核主元分析(KPCA)和邻近支持向量机(PSVM)的汽轮机凝汽器过程监控和故障诊断新方法,将数据先用核主元法进行分析和处理,即通过非线性变换将样本数据从输入空间映射到高维特征空间,然后在高维特征空间中进行特征提取,若数据的Hotelling’sT2和Q统计量超过控制限,说明有故障发生,则计算样本的非线性主元得分向量,并将其作为输入值送入已训练好的邻近支持向量机进行故障类型识别。该方法可以有效地捕捉变量间的非线性关系,过程监控和故障诊断效果明显好于PCA-PSVM法。汽轮机历史故障特征数据集仿真试验证明了该方法的有效性。

类均值核主元分析法及在故障诊断中的应用

核主元分析在应用过程中,通常采用累积贡献率法确定核主元个数,舍弃一些贡献率较小的核主元,导致数据样本部分信息的损失,影响故障诊断的效果。针对这一情况,提出一种类均值核主元分析法,它将输入空间的数据样本映射到高维特征空间后,先求出各类映射数据的类均值矢量,然后在类均值矢量张成的子空间上对类均值矢量进行主元分析,利用构建的类均值核矩阵,建立类均值核主元算法。由类均值核主元形成的特征矢量包含原数据样本的全部变异信息,并且维数低于故障类别数,能够在类均值矢量基础上实现无信息损失的数据降维。将改进算法应用于滚动轴承故障诊断,结果表明,它具有比传统核主元分析更强的综合原始变量信息的能力,能更好地提取数据样本的类别信息,快速实现故障模式的准确识别。

核函数主元分析及其在故障特征提取中的应用

提出了基于核函数主元分析的故障特征提取方法。该方法利用计算原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析,得到原始特征的非线性主元,以所选的非线性主元作为特征子空间,并应用转子试验台的故障数据对该方法进行了检验。结果表明,核函数主元分析更适于提取故障信号的非线性特征,它提取的故障特征对故障具有更好的识别能力,并对分类器具有较强的鲁棒性。

基于主元分析-概率神经网络的制冷系统故障诊断

制冷系统由于内部物质形态的多样性以及系统参数间的高度耦合而较为复杂,也增加了出现故障后的检测及诊断难度。针对制冷系统常见的7种故障,包括局部故障与系统故障,运用主元分析法提取故障样本主要特征,对样本进行降维处理后,基于概率神经网络进行故障诊断。主元分析法可将原始的62个参数分解为相互独立的主元,根据累计贡献率选取一定量的主元,并将其样本输入概率神经网络进行故障诊断,结果表明结合主元分析后的概率神经网络在一定范围内对spread值不敏感,不仅诊断正确率有所提高,而且缩短了诊断耗时。可见,主元分析法的使用可有效优化概率神经网络的诊断性能。

基于核主元分析的滚动轴承故障混合域特征提取方法

为有效利用时域、频域、时-频域中各类具有显著类别差异信息的非平稳统计特征,提高滚动轴承状态监测和故障诊断的性能和效率,提出一种基于核主元分析的混合域特征提取方法。通过对原始信号分别生成时域、频域状态特征,并利用多分辨率小波分解生成时-频域状态特征,构建出144个表征原始振动信号特征的混合域特征集。采用核主元分析方法对其中能敏感地反映故障特性的特征进行二次非线性特征提取,按累计贡献率大于90%的标准,选取前11个核主元作为主要特征量,将其输入支持向量机分类器进行状态识别。仿真结果表明:混合域特征集比单个特征、单域特征能更全面准确地反映故障特性,核主元分析方法能有效降低输入特征维数,并确保输出特征具有较高的反映轴承运行状态的敏感性和适于模式识别的可分性;与通常使用的基于小波分解的特征提取方法相比,本文方法能更加准确有效地提取不同运行条件下滚动轴承不同类型不同程度的故障特征。

指数加权动态核主元分析法及其在故障诊断中应用

核主元分析法能充分利用核函数来解决非线性问题,具有很好的非线性逼近能力,但传统的核主元分析不能处理动态问题。在分析核主元分析法的基础上,提出一种新的指数加权核主元分析算法,建立一个多变量加权自回归统计核主元模型,选择Q统计量来判断系统是否发生故障,给出指数加权核主元分析法诊断故障的具体计算步骤。对液压泵进行了试验,利用小波包对液压泵端盖的振动信号进行处理,提取由13个时域和时频域特征量构成的故障特征矢量。试验结果表明,与传统的核主元分析法相比,新方法能实时更新主元模型和控制限Qa,合理地利用实时动态信息,能较好地处理动态问题,通过计算比较选择合适的加权因子,能获得良好的故障诊断效果,该方法是可行而有效的。

核函数主元分析及其在齿轮故障诊断中的应用

提出了基于核函数主元分析的齿轮故障诊断方法。该方法通过计算齿轮振动信号原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析,得到原始特征的非线性主元,以所选的非线性主元作为特征子空间对齿轮工作状态进行分类识别。用齿轮在正常状态、裂纹状态和断齿状态下的试验数据对该方法进行了检验,比较了主元分析与校函数主元分析的分类效果。结果表明,核函数主元分析能有效的检测裂纹故障的出现,正确区分不同的故障模式,更适于提取故障信号的非线性特征。

基于核主元分析-主元分析的的多多阶段间歇过程故障监测与诊断

具有过渡特性的多阶段间歇过程故障监测是一个复杂的问题,既需要考虑稳定阶段下的故障监测,也需要考虑不同阶段间的过渡故障监测.为克服传统硬划分方法导致误警和漏报率高的缺陷,同时也为实现更加精确、有效的故障监测与诊断,提出一套完整的基于核主元分析–主元分析(KPCA–PCA)的多阶段间歇过程故障监测与诊断策略.该方法依据数据相似度实现阶段划分,定义模糊隶属度辨识相邻阶段间的过渡,最后对稳定阶段和过渡过程分别建立具有时变协方差的PCA和KPCA故障监测与诊断模型.通过对青霉素发酵过程的仿真平台及工业应用研究表明,该方法具有更可靠的监控性能,能及时、准确的检测出过程中存在的异常情况.

基于概率核主成分分析的属性优化方法及其应用

主成分分析(PCA)是最常用的属性优化分析技术,但存在缺少概率模型和缺失高阶统计量信息的不足。本文基于贝叶斯理论和核主成分分析(KPCA)法,研究了可同时克服PCA两个缺点的方法———概率核主成分分析(PKPCA)。即首先将样本数据映射到高维特征空间,继而在特征空间定义数据的概率模型,最后应用期望最大(EM)估计最佳结果。该方法兼具概率分析和核主成分分析的优点,能有效地适应更复杂储层情况,实现非线性概率分析。实际数据的应用结果表明,基于贝叶斯理论的属性概率优化法提高了属性优化的精度,同时增强了储层预测的准确性和可靠性。

基于特征样本核主元分析的TE过程快速故障辨识方法(英文)

核主元分析(KPCA)在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。针对上述问题,提出了一种基于特征样本核主元分析方法(FS-KPCA)非线性故障辨识方法。首先采用特征样本(FS)提取方法有效解决核矩阵K的计算量问题。然后利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T2和SPE的贡献率,利用每个变量对监控统计量贡献程度的不同,可以辨识出故障源。将上述方法应用到TE过程,仿真结果表明该方法不仅能够有效辨识故障,而且提高了故障检测和辨识速度。

基于改进核主元分析的故障检测方法研究

传统KPCA能有效捕捉数据的非线性特征、对数据在输入空间中的分布情况没有任何要求等优点,但是由于核函数的参数选择直接影响到核函数本身的性能,所以提出使用二分法进行核参数优化,获得改进核主元分析的故障检测方法。该方法引入混合核函数的定义,即多项式核函数和高斯径向基核函数的混合核方法,使用二分法分别对上述两核进行核参数优化,确定最优的混合核函数,再与主元分析方法(Principal Component Analysis PCA)相结合,得到改进KPCA。根据混合非线性主元特征计算出的T2和SPE统计量,从而实现故障检测。使用二分法进行核参数优化,选取核函数,改进了传统的核函数的选取方法。并且充分的考虑了工业过程中的非线性,更精确的描述工业过程特性,使得本文提出的改进方法可以准确有效地检测出电主轴系统故障。对田纳西-伊斯曼(TE)过程以及电主轴系统的应用实例说明了该方法的实用可行性。

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析(PCA)方法的过程监测算法假定过程是线性的,对于具有强非线性的生产过程,应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析(MKPCA)算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化,采用MKPCA算法建立过程模型并用于过程的在线监测,计算T2、SPE统计量及相应的控制限.仿真结果表明,与传统PCA算法相比,MKPCA算法具有更好的监测性能,不仅大大降低了正常运行过程的误报率,而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性,获取过程变量间的非线性关系.

粗糙核主元分析方法及其在故障特征提取中的应用

将粗糙集理论的属性约简与核主元分析方法结合起来,提出一种基于粗糙核主元分析的故障特征提取方法。该方法首先采用粗糙集理论的属性约简删除与分类无关或关系不大的特征,降低输入特征维数,排除干扰特征的影响,减小了特征提取计算量;然后再采用核主元分析方法进一步提取非线性特征;最后将该方法应用于轴承故障特征提取及故障识别中。应用结果表明,所提出的粗糙核主元分析方法(RKPCA)与传统的KPCA、PCA方法相比,使整个样本集的可分性变大,提高了分类正确率;同时还有效地降低了输入特征维数,提高了分类效率;并且对分类器具有较强的适应性和鲁棒性。

基于核主元分析的传感器故障检测

提出了一种新的火电机组传感器故障检测系统。传统的主元分析方法在非线性系统中不能很好的发挥作用。采用核主元分析方法提取系统的非线性冗余信息,建立核主元模型。并在输入空间对数据进行重构,通过最小化均方预测误差来选择合适的核函数和参数,对模型的建立过程进行指导。在线检测时,利用核主元模型,将实时数据投影到核主元空间,能够有效的去除系统的噪声。对重构残差采用序贯概率比检验方法进行检验,不仅能够诊断出传感器的漂移等明显故障,而且能够及时发现设备或者系统的早期故障。通过某电厂125MW机组真空系统的多传感器故障检测仿真实例,验证了该方法的有效性。

结合非线性频谱与核主元分析的复杂系统故障诊断方法

传统非线性频谱分析方法对复杂系统进行故障诊断时,求解出的非线性频谱数据量庞大,不便于直接用于故障检测与分类识别.本文提出了一种非线性频谱特征与核主元分析(KPCA)结合的故障诊断方法,首先通过最小二乘算法估计出前3阶Volterra时域核,由多维傅立叶变换求取出广义频率响应函数,然后利用KPCA方法对谱数据进行压缩与提取谱特征,最后利用多分类最小二乘支持向量机进行多故障检测与识别.考虑到频谱数据具有非线性的特点,KPCA中的核函数选用由多项式函数与径向基函数构成的混合核函数,兼顾了局部特性与全局特性.论文基于非线性频谱数据,给出了核主元模型建立与在线故障诊断的具体算法.对非线性模拟电路和数控机床伺服传动系统进行了仿真实验,结果表明本文方法能够大幅度降低频谱数据维数,故障识别率高,是一种实用的故障诊断方法.

基于核主元分析和最小二乘支持向量机的中速磨煤机故障诊断

为了对火电厂磨煤机作出早期故障预测并有效判别其故障类型,提出了基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的磨煤机故障诊断新方法,并采用该方法对某电厂的HP碗式中速磨煤机的故障特征数据进行了仿真试验.结果表明:该方法可提取变量的特征信息,以有效地捕捉变量间的非线性关系,从而能有效地处理故障征兆与故障类型之间的不确定性,具有很好的分辨力,而且故障诊断的正确率很高.