ARX过程突发性故障的检测与辨识

在分析突发性故障对带外生变量自回归过程 (ARX)影响的基础上 ,本文建立了脉冲型故障检测与故障幅度辨识算法 ,提出了采用脉冲型故障的检测与辨识方法处理阶跃型故障的技术途径 ,并通过仿真计算验证了本文方法的有效性 .

基于ITD和DSS的旋转机械信号识别研究

为解决盲源分离在分析旋转机械故障信号时的欠定问题,提出一种基于固有时间尺度分解(ITD)和盖尔圆(GDE)的欠定去噪源分离(DSS)方法,即为ITD-GDE-DSS。通过ITD求出信号的旋转分量,进而重组固有旋转分量和原观测信号作为满足盲源分离要求的新观测信号,使盲源分离中维数不足的问题得到解决。通过GDE估计观察信号的组成源数,为DSS方法分离出源信号提供先决条件。将ITD-GDE-DSS方法应用于某转子的实测故障信号分析中,诊断出转子在升速过程中不平衡故障特征,分离出转子突加不平衡的一阶临界转速和二阶临界转速的信号。

基于核主元分析与核密度估计的非线性过程故障监测与识别

在针对将核主元分析(kernel principal components analysis,KPCA)与基于高斯分布的控制限(control limits,CLS)相结合会降低其性能的问题,提出了一种基于核主元分析与核密度估计(kernel principal components analysiskernel density estimation,KPCA-KDE)相结合的非线性过程故障监测与识别方法.该方法采用核密度估计(kernel density estimation,KDE)技术来估计基于KPCA的非线性过程监控的CLS.通过研究KPCA和KPCA-KDE所有20个故障的检出率发现,与相应的基于高斯分布的方法进行比较,KDE具有较高的故障检出率;此外,基于KDE的检测延迟等于或低于其他方法.通过改变带宽和保留的主元数量进行故障检测,KPCA记录的FAR值较高,相反,KPCA-KDE方法仍然没有记录任何假报警.在田纳西伊斯曼过程(Tennessee Eastman,TE)上的应用表明,KPCA-KDE比基于高斯假设的CLS的KPCA在灵敏度和检测时间上都具有更好的监控性能.