改进的核费舍判别法在化工过程故障诊断中的应用

化工过程采样数据具有强非线性和噪声,针对化工过程状态监控的问题,提出一种改进的核费舍判别分析法(KFDA)的故障诊断算法。首先采样数据经过小波变换方法去除噪声,去除噪声后的数据进行KFDA建模,然后在建模同时采用特征向量选择(FVS)算法降低复杂性。Tennessee Eastman process实验结果表明了该算法的有效性,同时该算法加强了KFDA故障诊断的准确性,并明显地减少了存储空间和运算时间。

基于AR模型和KFDA的滚动轴承故障诊断

提出了基于时间序列参数模型和核Fisher判别分析(KFDA)的滚动轴承故障诊断方法.该方法首先通过自相关算法对轴承振动信号建立自回归(AR)模型,将自回归模型的参数作为特征向量并映射到高维核空间.然后在高维核空间中进行Fisher判别分析,求出Fisher判别分析的最优投影向量以及各类状态的Fisher判别值.最后获取未知状态轴承的高维核空间特征向量,求出其在最优投影向量上的投影值,通过与判别值进行距离判别来识别轴承所处的状态.实验结果验证了所用方法的有效性.