工作站广泛应用于工业生产。现有的PCA故障诊断模型在检测工作站故障时存在模型过度拟合、指标冲突、参数敏感度低等问题,误检漏检较多。针对上述问题,提出一种基于改进PCA模型的工作站故障诊断方法,即MA-PCA(Multi-index Principal Com...工作站广泛应用于工业生产。现有的PCA故障诊断模型在检测工作站故障时存在模型过度拟合、指标冲突、参数敏感度低等问题,误检漏检较多。针对上述问题,提出一种基于改进PCA模型的工作站故障诊断方法,即MA-PCA(Multi-index Principal Component Analysis)。在传统PCA主成分分析故障诊断模型基础上,在主元空间和残差空间计算T2和SPE统计量,引入控制限融合深度系数的统计量指标,调整控制限,根据主成分中的参数贡献量反馈调整诊断模型,构建自适应更新的故障诊断模型。最后通过实例分析,验证了所提出的改进PCA模型故障诊断方法的可行性,并与传统PCA模型和三项故障诊断方法的诊断结果进行比对,该方法在故障诊断准确率上可提高2.7%~8.2%。展开更多
为更全面研究高速公路车辆冲突风险的影响因素,笔者考虑微观与宏观因素影响,分析其可能存在的异质性,建立了随机参数Logit模型对其进行分析。使用高分辨率车辆轨迹数据,以碰撞时间(time to collision,TTC)为风险识别标准,提取风险发生前...为更全面研究高速公路车辆冲突风险的影响因素,笔者考虑微观与宏观因素影响,分析其可能存在的异质性,建立了随机参数Logit模型对其进行分析。使用高分辨率车辆轨迹数据,以碰撞时间(time to collision,TTC)为风险识别标准,提取风险发生前1 s内数据,处理得到车辆自身运动状态、与周围车辆的微观交互以及路段宏观交通流状态三类特征,并基于皮尔逊相关系数和嵌入法进行特征筛选;以筛选后的特征作为模型自变量,以车辆是否存在冲突风险为因变量,分别构建随机参数Logit模型以及考虑均值异质性的随机参数模型并进行对比。研究结果表明:考虑均值异质性的随机参数Logit模型拟合效果最好,且三类变量均对冲突风险有显著影响,其中车辆自身运动状态的波动以及车辆与前方车辆的速度差与风险呈正相关,相邻车道的大车比例与风险呈负相关;车辆自身运动状态以及与前方车辆的微观交互两类特征对冲突风险影响较大,而宏观交通特征的影响相对较小。展开更多
文摘工作站广泛应用于工业生产。现有的PCA故障诊断模型在检测工作站故障时存在模型过度拟合、指标冲突、参数敏感度低等问题,误检漏检较多。针对上述问题,提出一种基于改进PCA模型的工作站故障诊断方法,即MA-PCA(Multi-index Principal Component Analysis)。在传统PCA主成分分析故障诊断模型基础上,在主元空间和残差空间计算T2和SPE统计量,引入控制限融合深度系数的统计量指标,调整控制限,根据主成分中的参数贡献量反馈调整诊断模型,构建自适应更新的故障诊断模型。最后通过实例分析,验证了所提出的改进PCA模型故障诊断方法的可行性,并与传统PCA模型和三项故障诊断方法的诊断结果进行比对,该方法在故障诊断准确率上可提高2.7%~8.2%。
文摘为更全面研究高速公路车辆冲突风险的影响因素,笔者考虑微观与宏观因素影响,分析其可能存在的异质性,建立了随机参数Logit模型对其进行分析。使用高分辨率车辆轨迹数据,以碰撞时间(time to collision,TTC)为风险识别标准,提取风险发生前1 s内数据,处理得到车辆自身运动状态、与周围车辆的微观交互以及路段宏观交通流状态三类特征,并基于皮尔逊相关系数和嵌入法进行特征筛选;以筛选后的特征作为模型自变量,以车辆是否存在冲突风险为因变量,分别构建随机参数Logit模型以及考虑均值异质性的随机参数模型并进行对比。研究结果表明:考虑均值异质性的随机参数Logit模型拟合效果最好,且三类变量均对冲突风险有显著影响,其中车辆自身运动状态的波动以及车辆与前方车辆的速度差与风险呈正相关,相邻车道的大车比例与风险呈负相关;车辆自身运动状态以及与前方车辆的微观交互两类特征对冲突风险影响较大,而宏观交通特征的影响相对较小。