基于主元分析的PX氧化副反应神经网络模型研究

利用现场数据对影响对二甲苯(PX)氧化副反应的9个主要过程变量进行主元分析,确定了7个主导影响因素,在此基础上建立了一种PX氧化反应副反应的模型。模型采用径向基函数(RBF)神经网络技术建立7个主导影响因素与反应尾气中CO2含量的关联模型,继而提出醋酸及PX的燃烧损失模型,模型的预测平方和误差接近0,并通过模型分析了各操作参数对醋酸及PX燃烧损失的影响。

基于自适应控制限的纵向标准化主元分析故障检测策略

为有效地解决在非稳定工况时信号具有非高斯分布及突变特点的故障检测问题,针对周期非稳定工况提出一种基于自适应控制限的纵向标准化主元分析故障检测策略.该策略主要包含两部分:一是将非高斯数据转换成高斯数据;二是构建自适应控制限,解决信号突变问题.仿真结果验证了该策略对周期非稳定工况故障检测的可行性和有效性.

基于主元分析的锅炉系统故障检测与诊断

针对锅炉系统的故障检测与诊断问题,介绍了基于主元分析的故障检测与诊断方法,给出了在多变量统计过程中应用广泛的T^2和SPE(Q)统计量。采集锅炉正常工况下的历史数据建立PCA主元模型,利用所建立的模型检测锅炉运行的实时数据,采用贡献图法对检测到的故障数据进行诊断分析,识别出故障原因,从而实现锅炉系统故障检测与诊断的目的。

主元分析法在浅层实时探测中的应用

超宽带脉冲体制探地雷达探测浅层目标一般以图象的形式给出结果,对探测人员读图能力要求较高,探测者的主观因素对分析结果影响较大;浅层目标体积小,埋设浅,回波比直达波的幅度小且容易与直达波混叠。基于这种雷达提出采用PCA算法计算能量分布变化曲线来检测浅层地下目标的存在,实现声音实时报警。这种方法在纯净和复杂环境下均具有较好的识别能力和报警效果。实验结果表明,PCA算法能够较准确的检测到浅层地下预埋目标的存在并实时报警,对今后浅层地下目标探测有一定指导意义。

主元分析-神经网络岩爆等级预测模型

为准确可靠地预测岩爆灾害,构建结合主元分析法(PCA)的径向基神经网络(RBFNN)、概率神经网络(PNN)和广义回归神经网络(GRNN)岩爆预测模型。选取6个常用的参数构成岩爆预测指标体系,采用PCA消除各指标间的相关性并降维,得出3个线性无关的主元即岩爆综合预测指标Y1、Y2和Y3,构成RBFNN、PNN、GRNN这3种神经网络的输入向量。研究结果表明:这3种PCA-神经网络模型,其岩爆预测结果优于对应的RBFNN、PNN、GRNN模型,提高预测准确率并缩短运算时间。从局部准确率、整体准确率及运算时间这3个方面综合比较,各模型的预测能力从强到弱依次为:PCA-GRNN> PCA-PNN> PCA-RBFNN> PNN> GRNN> RBFNN。

主元分析法在烘焙面包切片图像特征提取中的应用

阐述主元分析在烘焙面包品质检验中的应用,并在图像的特征提取方法方面进行了探讨。试验结果表明,该方法为面包烘焙品质的快速自动检验提供了客观准确的科学依据,使感官评价的指标客观化。

基于主元分析残差空间的自适应统计方法及其应用

提出一种基于主元分析(PCA)残差空间的自适应统计方法。将原始空间分解为主元空间和残差空间,然后根据残差空间得分变量方差变化趋势,给出由Hotelling’s T^2和欧式距离相结合的自适应统计量T_e^2。将PCA-T_e^2、PCA-Q以及核主元分析(KPCA)-Q等方法应用于田纳西-伊斯曼(TE)过程中,仿真结果表明PCA-T_e^2具有较高的检测性能。

基于主元分析法的火电厂锅炉故障检测分析

火电企业技术改造是目前的新型技术,通过优化物理结构或者增加新设备的方式如改良磨煤机、安装脱硫装置等实现改造。分析火电企业日常运行过程发现,企业在故障检测方面存在问题。目前有很多火电厂仍然采用固定控制限进行报错,但整个火电厂在运行中并未保持平稳运行,导致火电厂在增减负荷时容易出现数据丢失、情报错误等问题,影响锅炉故障检测的稳定性,甚至影响火电企业的可持续发展。因此,文章基于主元分析法(Principal Component Analysis,PCA)对火电厂锅炉故障进行检测分析,以确保火电厂正常运行生产。

基于PCA的故障传感器重构的理论研究

本文基于 PCA(Principal componentanalysis)理论对故障传感器进行重构。首先将数据分别投影于主元子空间和残差子空间 ,然后定义故障的方向向量 ;因为过程变量间具有的强相关性 。

基于PCA-RBF神经网络的烟田土壤水分预测

为建立烟田土壤水分预测模型以利于烟区种植的规划和管理,该文提出了基于主元分析(PCA)与径向基函数(RBF)神经网络模型的烟田土壤水分预测方法。首先,利用PCA消除原始输入层数据的相关性,以解决神经网络建模时输入变量过多、网络规模过大导致效率下降的问题;然后,以主元模型结果为输入建立土壤水分RBF神经网络预测模型。实例研究表明,烟田土壤水分PCA-RBF神经网络预测模型具有较好的预测效果,平均预测精度达到96.02%,与全要素误差反向传播(BP)神经网络和RBF神经网络相比,平均预测精度分别提高5.20%和6.06%,完全符合实际烟区种植规划的需求,为研究其他类型的土壤水分预测提供了参考。

湿式球磨机筒体振动信号分析及负荷软测量

针对磨矿过程的磨机负荷(ML)难以有效检测,球磨机常运行在欠负荷状态,造成该过程难以实现优化控制和节能降耗的难题,通过综合分析球磨机筒体振动的产生机理、不同研磨条件下振动信号的功率谱密度(PSD)及ML参数与PSD各频段的相关性,提出了采用料球比、浓度及充填率三个负荷参数对ML进行软测量建模的方法.该方法首先将振动加速度的时域信号通过傅立叶变换至频域,然后采用主元分析法(PCA)对振动频谱数据的低、中、高三个频段分别进行降维和特征谱变量的提取,最后利用最小二乘支持向量机(LSSVM)实现特征谱变量与ML参数间的非线性映射.实验结果表明,该算法能够有效地提取频谱变量的谱特征,并具有较高的估计精度.

PCA和GA-PSO-RBF集成的发电机组远程故障诊断

首先基于LPC2290核心芯片的arm嵌入式工控平台设计了远程数据采集系统,使故障诊断系统通过Internet在线获取发电机组状态数据。然后给出了主元分析(PCA)和GA-PSO-RBF神经网络集成的故障诊断方法。故障模式向量先通过PCA降维,降低RBF神经网络的规模和计算时间。针对RBF神经网络参数难以设置、收敛速度慢等不足,介绍了一种具有遗传算法中的选择、交叉、变异操作的遗传-粒子群算法(GA-PSO),用于RBF神经网络的参数优化过程。最后以转子振动试验台仿真发电机组,实现了状态信息的远程获取;通过故障诊断仿真测试验证了PCA和GA-PSO-RBF集成诊断方法的有效性。

基于PCA与MLE方法的人群分类新方法研究

针对人群分类管理问题,提出一种基于主元分析方法的新的单变量贡献度方法.首先,研究各行为属性对主元的贡献率,确定人群关键行为属性.然后,在确定关键属性的基础上,利用最大似然估计方法对人群进行分类管理.应用人群分类管理方法到警方侦破案件中,可大大减小案件的搜索范围,达到提高警方办案效率的目的.通过实例验证了方法的有效性.

基于核函数PCA的非线性过程实时监控方法

为了克服基于主元分析的过程监控方法非线性处理能力弱的缺点和降低基于非线性主元分析的过程监控方法的计算复杂度,提出了将核函数PCA监控方法用于复杂工业过程实时监控系统的开发研究,并讨论了核函数参数选择对系统性能的影响。核函数PCA能有效地提取过程变量的非线性关系,而且计算复杂度低,便于在线实施。仿真结果表明该方法是一种有前途的复杂过程非线性实时监控技术。

基于最小VRE确定PCA模型的理论及应用研究

基于 PCA (Principal component analysis)模型进行故障诊断的关键是 PCA模型的确定。本文研究了基于最小 VRE(Variance of reconstruction error)进行 PCA模型的确定方法 。

基于自适应PCA的油田生产故障诊断方法

油田生产过程中的故障诊断分析,不仅能够有效的保护生产设备,而且能有效降低生产维护成本,增加生产运行的稳定性。针对由于生产工况发生变化,生产数据特征变化而造成的模型失效问题,本文提出一种自适应的多模型PCA故障诊断方法,实现故障的实时准确诊断。

基于残差自然幂法的增量线性判别分析方法

提出了将增量线性判别分析问题(LDA)转化为两个增量主元分析(PCA)问题的算法框架.为加速算法的收敛速度,推导了增量LDA中训练样本的类内离散度矩阵和协方差矩阵的无损实时更新公式,并在此基础上提出了一种基于残差协方差矩阵的自然幂增量PCA算法.将该增量PCA方法与基于双PCA结构的增量LDA算法框架相结合,实现了数据流的实时LDA处理.仿真结果表明,与已有的增量LDA方法相比,该方法在收敛速度、计算复杂度和可操作性上具有更优的性能.

PCA-MGA-GRNN矿井通风机故障识别方法

为预防因矿井通风机故障而引起事故,基于生产安全及经济方面考虑,对矿井通风机故障类型进行准确、稳定、可靠的识别,提出将改进的遗传算法(MGA)与广义回归神经网络(GRNN)相耦合,从而实现对矿井通风机故障的能检测.通过研究通风机作业过程中振动信号与矿井通风机故障之间的关系,将其不同频率段能量值作为故障表征参数,并以相应的矿井通风机故障类型作为目标参数;对故障表征参数进行主元分析(PCA)计算后与目标参数作为GRNN的输入值与输出值加以训练;利用MGA优化GRNN的光滑因子参数,使其具有更好的网络性能,以此建立PCA-MGA-GRNN矿井通风机智能故障识别模型,结合实际的矿井通风机故障相关数据并经实验验证该模型的识别效果,同时与GA-BP、GA-GRNN、MGA-GRNN、SVM进行对比,实验结果表明该识别模型具有更好的运行速度,识别精度为0.96,可实现对矿井通风机故障类型的智能识别.

基于PCA的贝叶斯网络分类器研究

针对基于信息论的贝叶斯网络结构学习算法中结点集越大计算效率越低的缺点,采用主元分析(PCA)对样本数据降维,减少构造网络的结点数量,提高贝叶斯网络结构构造算法的效率。应用基于PCA方法构造贝叶斯网络,其结点少、结构简单,较传统贝叶斯网络具有较高的学习效率和分类准确率。

基于DNN与PCA的核动力装置故障诊断方法研究

研究了一种基于深度学习神经网络(DNN)和主元分析(PCA)的核动力装置故障诊断模型。利用核动力装置模拟器仿真数据对该模型不同情况下的故障进行诊断测试,采用形象的图表分析诊断结果。仿真结果表明,基于DNN与PCA的故障诊断模型能够快速准确地对核动力装置系统进行诊断,且误差较小,具有良好的可行性。