KPCA⁃GPR模型在常压塔塔顶汽油干点预测中的应用

由于常减压蒸馏过程的复杂多变性,过程变量耦合严重,直接建模会增加问题分析的难度。为了提高模型性能,首先采用核主元分析（KPCA）算法对模型的变量进行选择,再将经过处理的数据作为高斯过程回归（GPR）模型的输入,采用KPCA?GPR模型建立常压塔塔顶汽油干点的估计模型。该方法可解决不同变量之间的非线性相关性,并且具有灵活的非参数推广及超参数自适应调节等优点,通过计算经验置信区间,不仅可以对汽油干点进行预测估计,还可以做概率解释。仿真结果表明,KPCA?GPR模型取得了较好的估计结果。     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCA-WLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.     

一种基于KPCA的非线性故障诊断方法

介绍了一种非线性故障检测方法——核主元分析法(KPCA)，通过核函数来完成非线性变换，将变量由非线性的输入空间转换到线性的特征空间．在特征空间中使用PCA计算主元，构造T^2和SPE统计量检测过程故障的发生．提出了一种KPCA贡献图计算方法，根据测量变量和非线性主元的相关性，计算测量变量的贡献量绘制贡献图，用于故障变量的分离、仿真结果表明，KPCA方法可以比PCA方法更加迅速的检测到故障的发生，利用KPCA贡献图可以较好的辨识出故障变量。     

一种基于KPCA的非线性故障诊断方法

介绍了一种非线性故障检测方法———核主元分析法(KPCA),通过核函数来完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间.在特征空间中使用PCA计算主元,构造T2和SPE统计量检测过程故障的发生.提出了一种KPCA贡献图计算方法,根据测量变量和非线性主元的相关性,计算测量变量的贡献量绘制贡献图,用于故障变量的分离.仿真结果表明,KPCA方法可以比PCA方法更加迅速的检测到故障的发生,利用KPCA贡献图可以较好的辨识出故障变量.     

KPCA-RVM组合建模方法及其在软测量中的应用

提出了一种核主元分析(KPCA)和关联向量机(RVM)相结合的组合建模方法。KPCA - RVM采用KPCA对原始自变量进行非线性变换并提取主成分,形成特征自变量;采用 RVM,对 KPCA变换后的样本数据进行回归建模,并根据模型的预报能力自适应的确定参与回归的最佳特征变量个数,消除冗余信息干扰,获得强非线性表达能力且预报性能良好的模型。并将KPCA - RVM应用于 PTA装置对羧基苯甲醛(4 - CBA)含量的软测量建模,结果表明该方法预测精度高于PCA - RVM和RVM。     

基于KPCA的结构振动信号特征提取研究

本文提出基于核主元分析（Kernel Principal Component Analysis,KPCA）的结构振动信号特征提取方法。通过对原始信号进行KPCA分析得到非线性主元,根据非线性主元的累计贡献率确定非线性主元个数,然后根据结构信号在不同损伤状态下的KPCA特征构造结构特征指标,由此判断结构相对于基准状态是否发生了损伤。试验结果表明,该方法在基准状态为无损状态和小损伤状态下都能很好的判断结构是否发生损伤,用于结构损伤识别特征提取是有效的。     

基于小波包和KPCA的时频域故障检测方法

针对故障检测技术中存在的非线性和信息遗漏问题,在深入分析核主元分析法的基础上,提出了一种新的基于小波包和核主元分析法（KPCA）的时频域故障检测方法.利用小波包对原始信号进行预处理,提取包含时域和频域特征参数构成的特征向量,应用KPCA进行故障检测,同时对液压泵也进行了故障检测.试验结果表明,时域和频域特征参数构成的特征向量很好地反映了故障的特征,与PCA相比,KPCA的主元数目可选择范围宽,该方法对液压泵故障检测有良好的效果.     

基于核主元分析和支持向量机的电站锅炉飞灰含碳量软测量建模

飞灰含碳量是影响锅炉热效率的一个重要因素,是评价燃烧好坏和锅炉优化运行的重要指标。利用最小二乘支持向量机这种新的机器学习工具,建立了飞灰含碳量的软测量模型。针对模型输入变量之间存在强耦合、非线性等特征,采用核主元分析(KPCA)提取变量的特征信息以有效处理非线性数据。应用该模型对某300MW四角切圆燃煤电站锅炉的飞灰含碳量进行研究,理论分析和仿真计算表明,该方法学习速度快、泛化能力强、对样本的依赖程度低,比BP神经网络的软测量建模具有更好的推广能力。     

基于KPCA数据重构的参数优化方法

传统的多变量统计过程监控技术采用的故障模型是线性的,该模型在具有强非线性特征的工业过程的故障诊断及预测方面的效果不够理想。针对复杂系统,需采用非线性数据模型的故障描述,研究基于核主元分析(Kernel Principal Component Analysis,KPCA),KPCA数据重构的最优参数选择方法十分必要。采用网格搜索法和交叉验证法相结合的方法确定KPCA算法和支持向量机(Support VectorMahine,SVM),SVM回归算法的最优参数,使重构误差为最小。以TE过程为仿真实例,仿真结果表明:所提出的基于KPCA数据重构的最优参数选择方法是有效的。     

基于多源数据特征融合的球磨机负荷软测量

针对磨矿过程球磨机负荷(ML)难以实时检测,生产中主要依靠人工经验判断负荷状态的难题,依据磨机筒体振动、振声、电流等信号与磨机负荷间存在相关性、信息互补与冗余的现象,提出基于多源数据特征融合的球磨机负荷软测量新方法.该方法由时域滤波、时频转换、特征提取、特征选择及软测量模型5部分组成.采用快速傅里叶变换(FFT)将滤波后的筒体振动及振声时域信号转换成频域信号,根据研磨机理将频域信号划分为低、中、高3个频段,采用核主元分析(KPCA)分别提取各个频段的非线性特征,选择振动、振声频域特征与电流时域特征的融合信号作为模型输入,建立基于最小二乘支持向量机(LSSVM)的磨机负荷软测量模型.实验结果表明,该方法与基于主元分析-最小二乘支持向量机(PCA-LSSVM)方法和单传感器方法相比,磨机负荷参数预测精度较高.     

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析（PCA）方法的过程监测算法假定过程是线性的，对于具有强非线性的生产过程，应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析（MKPCA）算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化，采用MKPCA算法建立过程模型并用于过程的在线监测，计算T2、SPE统计量及相应的控制限.仿真结果表明，与传统PCA算法相比，MKPCA算法具有更好的监测性能，不仅大大降低了正常运行过程的误报率，而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性，获取过程变量间的非线性关系.     

基于KPCA-SVM的相关和独立变量故障检测方法

实际工业过程中有一些独立于其他变量的过程变量，为能够分别检测独立变量与相关变量，提出一种基于核主成分分析（kernel principal component analysis,KPCA）和支持向量机（support vector machine,SVM）相结合的相关和独立变量故障检测方法，记为KPCA-SVM．首先，应用基于互信息的变量划分策略，通过计算变量之间的互信息将过程变量划分为相关变量和独立变量．然后，在相关变量空间和独立变量空间分别建立KPCA和SVM模型对测试数据进行监测．与传统KPCA和SVM算法相比，KPCA-SVM方法结合了KPCA在检测相关变量和SVM方法在检测独立变量上的优势，提高了KPCA和SVM方法的故障检测性能．最后，将KPCA-SVM方法应用于田纳西-伊斯曼（Tennessee-Eastman,TE）工业过程进行故障检测，并与KPCA、核熵成分分析（kernel entropy component analysis,KECA）和SVM方法进行比较．仿真结果表明，KPCA-SVM方法具有较好的检测效果，对于多种故障的检测效果有所提升，其中对于微小故障5的检...     

基于分步动态核主元分析的故障诊断方法

目的研究复杂工业系统动态、非线性特点,提出分步动态核主元分析（KernelPrincipalComponentAnalysis,KPCA）的故障诊断方法．方法该方法首先构造增广矩阵,然后将增广矩阵分成一系列子矩阵,将各子矩阵的构建一个新的数据增广矩阵,并对每个子矩阵使用KPCA提取变量数据的非线性空间相关特征,最后通过监测统计量监测出系统故障,用贡献度的方法识别发生故障变量．结果该方法改进了传统的动态方法,引入分步动态的定义,并且能充分考虑工业过程中的非线性和动态性,更精确的描述Y--,Ak过程特性,更精确的监测复杂工业系统的故障,并准确的识别出故障变量．结论对热连轧过程中活套故障诊断的仿真结果表明：基于分步动态KPCA的故障诊断方法能准确有效地诊断出故障,并识别出产生故障的原因．     

一种复合KPCA故障诊断模型

核函数主元分析(KPCA)故障诊断方法中核函数的具体形式对诊断性能的影响非常大.针对核函数具体形式选取问题,基于径向基高斯核函数和一类特定多项式核函数,构造出一种新的复合核函数模型.对模型的构造方法进行了论述,给出了具体的故障诊断算法的实现步骤.该模型在兼顾全局信息提取的前提下,保证了局部灵敏度,具有很好的拟合能力.通过与其他算法仿真比较表明所提出方法不但可以避免对模型的事先假设,且具有较高的故障诊断效率.     

基于核主元分析和模式匹配的非线性性能监控和故障诊断

利用核主元分析非线性性能监控的优势,并将相似度分析引入故障诊断领域,提出了基于核主元分析和模式匹配技术相结合的性能监控和故障诊断方法。针对PCA相似度分析存在的问题,对该方法进行了改进。由于KPCA方法具有较好的非线性特性提取能力,因此首先利用KPCA法计算数据的非线性主元,然后计算不同数据集之间的非线性主元相似度;并将主元相似度、非线性主元相似度和基于距离的相似度赋予不同的权值构成综合相似度指标来进行模式匹配。TE过程仿真试验验证了该方法在非线性性能监控与故障诊断中的有效性。     

基于KPCA-MLR的烟气轮机非线性故障预测

针对烟气轮机振动信号的非线性、非平稳特性,提出了一种核函数主元分析(KPCA,Kernel Principal Component Analysis)和多层递阶(MLR,Multi-Level Recursive)预测模型相结合的烟气轮机非线性故障预测方法。首先,采用非线性数据模型KPCA对烟气轮机运行状态进行故障检测;然后,采用非线性预测模型MLR分别对故障检测指标T2和SPE统计值进行趋势预测。仿真结果表明,KPCA完全适合于烟气轮机的故障检测,具有处理非线性、非平稳数据的能力,并且MLR模型预测精度较高。     

基于KPCA-LSSVM的公路软基路堤沉降预测

针对公路软基路堤沉降发生过程中多变量、强耦合、强干扰、大滞后的复杂特性,利用KPCA先将非线性数据投影到高维空间使其映射呈线性关系,应用PCA提取出映射数据的线性特征信息,间接实现去除原始数据噪声,以降低样本的维数,然后再利用最小二乘支持向量机进行建模的方法对软基路堤沉降进行预测。仿真结果表明：与最小二乘支持向量机及主元分析—最小二乘支持向量机建模方法相比,该核主元分析与最小二乘支持向量机结合的方法能够更准确地预测路堤沉降,且满足精确性和适用性的要求。     

基于粒子群优化的核主元分析的故障检测方法

目的提出使用粒子群优化(PSO)方法进行核参数优化,获得混合核KPCA的故障检测方法.方法引入多项式核函数和高斯径向基核函数的混合核方法,使用PSO对各参数同时进行优化,得到最优的混合核函数,再与PCA相结合,得到基于PSO优化的KPCA.结果根据混合非线性主元特征计算出的T2和SPE统计量,实现故障检测.并且其故障检测率高于径向基KPCA,时间成本低于多项式KPCA.结论通过田纳西-伊斯曼(TE)测试过程以及电主轴系统的应用实例说明了KPCA方法的可行性与实用性.     

基于神经网络的汽油干点软测量

针对常压蒸馏塔产品质量(汽油干点)测量困难的特点,建立质量指标(汽油干点)与其影响因素的多层前馈神经网络,应用神经网络的输入输出非线性函数逼近原理,将易于测量的温度压力等参数作为网络的输入,使经过BP算法学习的神经网络输出与实际化验的质量指标(汽油干点)值逼近。以此方法来实现常压蒸馏塔产品质量的在线软测量,以获得控制与优化所需的实时质量测量信号。这种软测量为实现常压塔的质量优化控制奠定了基础。