基于MCUSUM-ICA-PCA的微小故障检测

针对过程中难以检测到的微小、缓变故障的检测问题，以及过程中普遍存在的非高斯信息，提出一种新的多变量统计过程监测方法.把传统的单变量累计和控制图（CUSUM）扩展为多变量的形式，并与独立成分分析（ICA）和传统的主元分析（PCA）方法相结合，构成新的MCUSUM-ICA-PCA方法，采用 ICA-PCA两步信息提取策略，完整地提取出过程的非高斯和高斯信息，重新构造统计量并建立其对应的统计限.通过对Tennessee Eastman（TE）过程的仿真研究，验证了该方法的可行性和有效性，改善了该过程微小故障的检测效果，从而更好地保证过程运行的安全、稳定性.     

一种基于RBF神经网络的非线性PCA故障检测方法

针对传统PCA(主元分析)故障诊断方法在非线性过程应用中存在的缺点,提出了一种基于RBF(径向基)神经网络的非线性PCA故障检测方法。首先,提出一个由两个RBF网络构成的非线性统计模型,其中第一个网络用于建立输入变量到主元的非线性映射,第二个网络实现逆映射来重构原始数据。其次,用主元曲线算法来解决网络训练数据的获取问题。最后,给出了使用基于RBF网络的非线性PCA方法进行故障检测的步骤,并通过一个三阶非线性系统的仿真实例验证了该方法的有效性。     

提升小波阈值去噪的故障检测与诊断方法研究

针对提升小波阈值去噪方法中软、硬阈值去噪效果不太好和故障检测与诊断准确率不高的缺点,提出了一种双变量阈值函数与提升小波相结合的去噪方法,并将其应用到故障检测与诊断中。利用所提方法对数据进行去噪处理,通过主元分析(PCA)方法对去噪后的数据进行故障检测与诊断。为验证该方法的有效性,将该方法运用到化工TE过程,并将双变量阈值函数与软、硬阈值函数进行对比。实验结果证明,双变量阈值函数与提升小波结合的方法具有更好的去噪效果,同时也提高了PCA方法对故障检测与诊断的准确率。     

一种基于PCA和相关向量机的锂电池在线寿命预测方法研究

针对已有基于相关向量机对锂离子电池进行在线寿命预测因考虑因素单一而导致预测精度不理想这一问题,提出了一种基于主元分析（PCA）的特征因素变量加权建构的方法。该方法首先将多种特征因素变量作为研究对象,找到其线性变换后的得分向量所构矩阵;分析其不同得分向量对原变量数据矩阵特征覆盖程度,进一步加权构建融合得到相应特征向量。将所得向量作为输入,经相关向量机建立预测模型并进行锂离子电池寿命在线预测,最终得到预测结果。采用国际公用电池数据作为研究对象,通过MATLAB软件验证了有多变量预测电池寿命的可行性,结果表明预测效果较好。     

基于近邻距离加权主元分析的故障定位

随着现代工业过程越来越复杂,采集到的数据量也越来越大,数据集中各个变量之间存在相互影响,一些传统的故障定位方法不能达到满意的定位效果.因此,在主元分析(PCA)故障定位方法的基础上,采用正常工况样本近邻距离对样本进行加权的方法,将每个样本与其最近邻样本的距离作为加权因子,削弱变量之间的相互影响,降低拖尾效应,改进PCA的故障定位效果.首先,对样本进行预处理并加权;然后,利用加权后正常工况的样本建立主元监视模型,在线监视过程中,在发生故障时刻,根据之前建立的模型计算相应时刻加权样本的重构监视统计量和每个变量的重构贡献值,通过最大贡献率法对变量进行逐步定位;最后在数值案例和TE过程进行仿真研究,并与基于PCA故障定位方法进行比较,结果表明了所提方法的有效性.     

基于PCA-SVDD的故障检测和自学习辨识

为了利用多变量统计过程控制在故障检测上的优势以及克服其在故障辨识诊断上的缺陷,提出一套新的用于化工过程的故障检测和自学习辨识算法.应用主元分析(PCA)实施故障检测并对故障数据运用PCA特征提取,提出3种基于主元分析-支持向量数据描述(PCA-SVDD)的模式判别方法来实现故障的自学习辨识:考虑故障辨识时可能出现的类分布重合问题,分析和比较了基于欧氏距离和归一化半径判别这2种方法,提出针对新型未知故障辨识的加权归一化半径判别法.通过对Tennessee Eastman(TE)过程的仿真研究,说明了提出的故障检测和自学习辨识算法的可行性和有效性.     

基于高斯和非高斯双子空间SVM的故障检测

为了降低样本间的自相关性对支持向量机(SVM)检测性能的影响,提出一种基于高斯和非高斯双子空间SVM(DSSVM)的故障检测方法.首先运用Kolmogorov-Smirnov(KS)检验原始数据中过程变量的正态分布特性,将过程变量划分为高斯子空间和非高斯子空间,并建立基于PCA的高斯子空间和IC A的非高斯子空间故障检测模型;分别对主元矩阵和独立元矩阵引入时滞特性和时差输入特性,该特性的引入能够降低样本间的自相关性;最后将引入时滞和时差特性的矩阵进行组合,运用SVM模型对其进行故障检测和监视.将该方法运用于多变量数值仿真和田纳西-伊斯曼工业过程,并与PCA、ICA、SVM和基于变量分布特征的统计过程检测方法(VDSPM)比较,仿真实验结果进一步验证了该算法的有效性.     

一种模式关联主元分析的海流机故障检测方法

针对海流机复杂工况下发电过程数据的多模式和模式频繁变动的问题,提出一种模式关联主元分析方法。从理论上分析模式变化对传统主元分析(principal component analysis, PCA)的影响,描述了过程数据多模式下的故障检测问题。提出一种模式标准化算法,动态拟合多模式数据特征。通过构建多模式关联关系,将变化模式引起的统计量差值剔除。通过搭建海流机试验平台,对比所提方法与传统检测方法验证了所提方法的有效性。理论分析和试验结果表明:在海流机变转速同时变载荷工况下,所提方法能够快速准确的检测出故障。     

面向轴承智能诊断的多领域深度对抗迁移网络

针对不同工况下轴承监测数据分布差异性导致的诊断精度下降问题,基于深度学习与迁移学习,提出一种多领域深度对抗迁移网络,用于变工况下轴承的智能诊断。将不同工况下的样本集视作属于不同的领域,在特征提取时利用深度残差网络将轴承源域的训练数据与目标域的测试数据映射到高维特征空间,提取监测数据高层抽象的特征表示;设计多领域对抗模块,以支持多故障模式的轴承样本在不同领域对抗模块上进行对抗迁移训练,保障源域与目标域数据在特征空间中的分布有效对齐;在利用源域数据训练故障分类器时引入标签平滑约束,增强故障识别的泛化能力,将源域故障诊断知识迁移到目标域数据的故障信息识别,实现变工况下的轴承智能诊断。利用变工况下的齿轮箱轴承故障数据集与电机轴承数据集对提出方法进行验证,结果表明：相比其他方法,提出的新方法考虑了轴承监测数据的多故障模式结构,更好地提取了领域不变特征,提升了变工况下轴承故障的识别精度。     

基于主分量特征与独立分量特征的人脸识别

PCA方法抽取出的主分量特征与ICA方法抽取出的独立分量特征是对原数据的两类不同描述．PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的．ICA方法使用数据的二阶和高阶信息抽取数据的独立分量特征．文章对这两种方法做了理论上的比较,并通过实验证明ICA算法提取的特征子空间在人脸识别应用中更有效,识别率更高．     

Fault Diagnosis for Rolling Bearings with Stacked Denoising Auto-encoder of Information Aggregation

信息融合型的层叠去噪自动编码器的轴承故障诊断研究

张利，高欣，徐骁

（辽宁大学 信息学院，沈阳 110036）

创新点说明：

1）针对轴承故障信号的复杂性，提出了融合性的层叠去噪自动编码器，其主要方法在于综合了隐藏层结点的信息，对每一个结点的输入信息进行加权，从而更好的包含特征信息。

2） 利用主元分析法的立体抽象形式，进行特征信息的表达比二维更易发掘。

3）利用证据理论，对不同的信息进行融合表达。

研究目的：

主要针对轴承故障信号的敏感特征不易发觉而提出一种信息融合型的去噪自动编码器方法。

研究方法：

在研究中采用西储大学的轴承数据进行测试，研究的对象包括正常，内圈，外圈以及滚动故障的4种类型数据。

其中，考察的指标为:转速，负载量，直径，采样单元。如下表所示:

Deep Multimodal Learning and Fusion Based Intelligent Fault Diagnosis Approach

Industrial Internet of Things(IoT) connecting society and industrial systems represents a tremendous and promising paradigm shift. With IoT, multimodal and heterogeneous data from industrial devices can be easily collected, and further analyzed to discover device maintenance and health related potential knowledge behind. IoT data-based fault diagnosis for industrial devices is very helpful to the sustainability and applicability of an IoT ecosystem. But how to efficiently use and fuse this multimodal heterogeneous data to realize intelligent fault diagnosis is still a challenge.In this paper, a novel Deep Multimodal Learning and Fusion(DMLF) based fault diagnosis method is proposed for addressing heterogeneous data from IoT environments where industrial devices coexist. First, a DMLF model is designed by combining a Convolution Neural Network(CNN) and Stacked Denoising Autoencoder(SDAE) together to capture more comprehensive fault knowledge and extract features from different modal data. Second, these multimodal features are seamlessly integrated at a fusion layer and the resulting fused features are further used to train a classifier for recognizing potential faults. Third, a two-stage training algorithm is proposed by combining supervised pre-training and fine-tuning to simplify the training process for deep structure models. A series of experiments are conducted over multimodal heterogeneous data from a gear device to verify our proposed fault diagnosis method. The experimental results show that our method outperforms the benchmarking ones in fault diagnosis accuracy.     

PCA-CHMM在化工过程故障诊断中的应用

为了解决主元分析(principal component analysis，PCA)在故障分类方面的不足，提出一种结合PCA和连续隐马 尔可夫模型(continuous hidden Markov model，CHMM)的故障诊断方法.PCA对测量数据进行优化降维，用少数几个主元 表征过程主要变化信息，实现过程特征提取.但是PCA不能对这些过程变化信息进行有效的分类和识别，运用CHMM成熟的 时序模式分类能力能够较好地解决这个问题.通过Tennessee Eastman过程仿真验证了基于PCA和CHMM的故障诊断方法的性 能.     

基于特征筛选和集成学习的轴承故障诊断

为了提高不同工况下的轴承故障诊断准确率,提出了一种基于特征筛选和集成学习的轴承故障诊断方法。考虑到特征向量复杂冗余的问题,结合特征有效性和最大均值差异提出了新的特征评分函数,并在此基础上进一步考虑特征关联度和特征维度,筛选出有利于变工况故障诊断的特征子集。针对单一机器学习模型故障诊断准确率不高的问题,将AdaBoost和Stacking算法相结合构造集成学习故障诊断模型。实验结果表明:筛选出的特征子集在相同分类器下拥有更高的故障诊断准确率;集成学习模型相较于单一模型有更高的故障诊断准确率和鲁棒性。     

Fault detection method with PCA and LDA and its application to induction motor

A feature extraction and fusion algorithm was constructed by combining principal component analysis (PCA) and linear discriminant analysis (LDA) to detect a fault state of the induction motor. After yielding a feature vector with PCA and LDA from current signal that was measured by an experiment, the reference data were used to produce matching values. In a diagnostic step, two matching values that were obtained by PCA and LDA, respectively, were combined by probability model, and a faulted signal was finally diagnosed. As the proposed diagnosis algorithm brings only merits of PCA and LDA into relief, it shows excellent performance under the noisy environment. The simulation was executed under various noisy conditions in order to demonstrate the suitability of the proposed algorithm and showed more excellent performance than the case just using conventional PCA or LDA.     

基于PCA-SVDD的滚动轴承性能退化评估

针对滚动轴承早期微弱故障难以及时发现的问题,提出一种基于主成分分析(PCA)和支持向量数据描述(SVDD)的滚动轴承性能退化评估模型. 使用主成分分析法对滚动轴承振动信号时域和频域的特征指标进行加权融合,构建一个可以有效全面描述滚动轴承运行状况的综合特征指标,将正常状态样本的综合特征指标输入SVDD模型完成评估模型的构建,通过设置健康报警阈值判定轻微故障出现时间,并采用滚动轴承全寿命试验数据进行验证. 结果表明,与以峭度指标、均方根值作为SVDD模型的特征指标输入相比,该评估模型可以更早检测到滚动轴承早期微弱故障的发生,也能更准确地描述滚动轴承整体退化程度.     

Fault Diagnosis Method Based on Xgboost and LR Fusion Model under Data Imbalance

Diagnosis methods based on machine learning and deep learning are widely used in the field of motor fault diagnosis. However, due to the fact that the data imbalance caused by the high cost of obtaining fault data will lead to insufficient generalization performance of the diagnosis method. In response to this problem, a motor fault monitoring system is proposed, which includes a fault diagnosis method (Xgb_LR) based on the optimized gradient boosting decision tree (Xgboost) and logistic regression (LR) fusion model and a data augmentation method named data simulation neighborhood interpolation(DSNI). The Xgb_LR method combines the advantages of the two models and has positive adaptability to imbalanced data. Simultaneously, the DSNI method can be used as an auxiliary method of the diagnosis method to reduce the impact of data imbalance by expanding the original data (signal). Simulation experiments verify the effectiveness of the proposed methods.     

基于变量聚类的BP神经网络术后生存期预测模型

针对结直肠癌患者术后生存期预测,基于模糊C均值（FCM）聚类算法,提出一种结合场景认知和隶属度排序的变量聚类方法,对结直肠癌患者样本进行降维,并筛选出6个特征变量.结合BP神经网络,建立一个结直肠癌患者术后生存期预测模型.为了验证该模型的有效性,利用主成分分析（PCA）对样本进行降维,并训练BP神经网络,对比FCM模型及PCA模型的预测准确率.结果显示,基于FCM变量聚类的BP神经网络模型预测准确率更高,所提出的变量聚类方法能够有效筛选出对于生存期有相关性和解释性的变量,从而提高BP神经网络模型的预测准确率.