基于分时段规范变量残差分析的高速自动机动态特性监测

针对高速自动机运动形态的多行程特点,提出一种分时段规范变量残差分析(Phase-partitioned Canonical Variate Dissimilarity Analysis,PCVDA)方法用于高速自动机的动态特性监测。通过建立整个行程与短时瞬态冲击信号的对应关系,将冲击信号划分为多个时段;采用正弦波辅助经验模态分解(Sinusoid-assisted Empirical Mode Decomposition,SEMD)将每个时段的冲击信号分解为高频和低频成分,分别计算两种成分的过去和未来数据的规范变量的残差,建立基于高低频成分的PCVDA模型监测高速自动机在不同时段的动态特性。对某12.7 mm高速自动机的监测结果验证了PCVDA模型的有效性。

基于分数阶傅里叶变换与卷积神经网络的工业过程故障检测

基于传统数据驱动的过程故障检测存在忽略正常数据与故障数据之间微小差异和检测不灵敏问题,本文提出了一种基于FRFT和CNN结合的故障检测方法。从放大正常数据与故障数据之间的微小差异方面入手,一则利用CVDA构造残差矩阵用于数据监测,增强灵敏度;二则利用FRFT对数据进行变换,将一些幅值低,易被噪声掩盖的故障从时域转换为频域,尽可能放大其特征,使其易检测。最后利用CNN对处理完的数据进行检测,解决了忽略微小差异和检测灵敏度低的问题,通过TE过程进行实验验证,在故障检测率方面得到提高,表明所提方法的有效性。