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。

分步动态自回归核主元分析及其在故障诊断中应用

针对滑动窗自适应核主元分析法(KPCA)在处理参数敏感和缓慢劣化问题时存在的"过适应"现象,容易产生漏报的问题,提出了一种分步动态自回归KPCA算法。首先,借鉴动态数据矩阵思想,分步建立初始模型;然后,在滑动窗自适应KPCA的基础上,引入指数加权法则处理实时数据、更新模型;最后,分析算法复杂度,并给出具体实现步骤。利用模拟数据分析分解系数和加权因子对算法的影响,结果表明,与滑动窗自适应KPCA相比,所提方法在参数选择恰当的情况下,模型效率提高了近90%,误报次数几乎降为0,还能通过调整加权因子取值来控制算法的适应能力,以解决多样化的动态问题。将算法应用于压缩机喘振和轴承故障实验数据分析,验证了所提算法处理参数敏感和缓慢劣化问题的能力。

分步自回归核主元分析法及其应用

针对传统核主元分析法诊断动态系统故障可能会出现大量误报、漏报问题,提出一种分步自回归核主元分析法。该方法以分步动态策略为基础建立诊断模型,结合滑动窗口机制和指数加权思想,通过不断加入经加权处理的实时数据更新诊断模型,使用T^2和SPE统计量判断系统是否发生故障。将该方法应用于柴油机气阀机构故障检测,结果表明:该方法既能充分利用原始数据和实时动态信息,自动更新模型,又能减小计算量,更早监测出异常工作状态,提高故障诊断的快速性,还能增大故障敏感度,使诊断结果更加准确可靠。