首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 984 毫秒

1.  基于相对变换PLS的故障检测方法  
   石怀涛  刘建昌  张羽  李龙《仪器仪表学报》,2012年第33卷第4期
   针对偏最小二乘方法(partial least squares,PLS)在无量纲标准化处理后导致的特征值大小近似相等,难以获得代表性的潜变量等问题,提出了一种基于相对变换PLS( relative-transformation PLS,RTPLS)的故障检测方法.该方法引入马氏距离相对变换理论,通过计算采样数据之间的马氏距离,将原始空间数据变换到相对空间.然后在相对空间进行PLS分解,提取有代表性的潜变量,建立故障检测模型,实现采样数据的在线检测.通过对TE (Tennessee Eastman)过程故障和轧钢机系统力传感器故障的仿真实验验证了所提出方法的有效性和实用性.理论分析和仿真实验均表明,基于RTPLS的故障检测方法能有效地消除量纲的影响,提取具有更大的变化度和代表性的隐变量,增加故障检测的精度和实时性.    

2.  基于相对变换的ICA故障检测方法  
   石怀涛  周乾  王雨桐  李颂华《电子测量与仪器学报》,2017年第31卷第7期
   针对传统独立主元分析方法(independent component analysis,ICA)在标准化处理后导致特征值大小近似相等,难以提取有代表性变量等问题,提出了一种基于相对变换的独立主元分析(relative transformation ICA,RTICA)故障检测方法.该方法引入欧氏距离相对变换理论,将原始空间数据变换得到相对空间,然后在相对空间进行独立主元分析,降低相对空间的数据维数,使提取的独立主元特征具有更大的适应性,建立故障检测模型,最终实现在线故障检测.该方法通过田纳西-伊斯曼过程仿真加以验证,并应用到电主轴裂纹故障的状态监测中,实验结果表明该方法能有效减少独立主元个数,简化故障检测模型的复杂度,增强状态检测性能.    

3.  基于相对主元分析的动态数据窗口故障检测方法  
   王天真  刘远  汤天浩  陈炎《电工技术学报》,2013年第1期
   传统主元分析方法量纲标准化后常常无法进行有效的主元提取。基于相对主元分析故障检测方法,其控制限只与保留的主元个数和置信度有关,因而不能满足时变、非稳定的过程监控要求。针对这些问题,本文提出了基于相对主元分析的动态数据窗口故障检测方法,该方法通过引入一个权值将传统构建控制限的方法和动态数据窗口相结合。最后应用到风力发电系统故障检测中,有效地检测出故障,并减少了误报情况。    

4.  基于PCA SVDD的故障检测和自学习辨识  
   祝志博  王培良  宋执环《浙江大学学报(工学版)》,2010年第44卷第4期
   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.    

5.  基于改进尺度的统计建模数据中离群点去除算法及应用  
   张新荣  徐保国《计算机工程与科学》,2011年第33卷第2期
   鉴于传统鲁棒离群点去除算法不能准确估计过程采样数据的均值和协方差,导致基于PCA的统计建模监控影响故障诊断效果的局限性,本文提出一种综合CDCm与MVT的异常检测算法,可以克服上述缺陷。通过改进尺度方法对过程原始采样数据实现准确估计并进行中心化和标准化处理,运用采样数据中的最大变量值来计算距离,采用CDCm算法求出样本值与中心距离最短的正常点,利用获得的有效数据计算MVT迭代算法的第一个马氏距离,选取距离较小值对应的样本点进行迭代运算,最终去除离群点,获得正常数据。通过在发酵过程中的应用,并与传统鲁棒检测算法进行比较,实验与分析结果表明,该算法提高了异常检测的效率和准确度。    

6.  PCA-CHMM在化工过程故障诊断中的应用  被引次数:4
   周韶园  王树青  张建明《浙江大学学报(自然科学版 )》,2005年第39卷第10期
   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.    

7.  主元分析方法的故障可检测性研究  
   王海清  宋执环  李平《仪器仪表学报》,2002年第23卷第3期
   主元分析(PCA)是一种有效的多元统计过程监测方法,PCA监测方法不依赖于过程的精确数学模型,这使得其难以对故障的可检测性问题进行系统的研究,基于故障子空间的描述方式,本文在主要元子空间的残差子空间中分别讨论了PCA故障可检测性的充分和必要条件,并提出了临界故障值的概念,通过对双效蒸发过程的仿真故障检测,表明所获得的结果能较好地刻画PCA的故障检测行为。    

8.  基于贝叶斯推理的PKPCAM的非线性多模态过程故障检测与诊断方法  
   卢春红  熊伟丽  顾晓峰《化工学报》,2014年第12期
   针对一类非线性多模态的化工过程,提出一种基于概率核主元的混合模型(PKPCAM),并利用贝叶斯推理策略进行过程监控与故障诊断。在提出的模型中,每个操作模态由一个局部化的概率核主元分量描述,从而构建的一系列分量对应了不同的操作模态。首先,将过程数据从原始的度量空间投影到高维特征空间;其次,在该特征空间建立概率主元混合模型,从概率角度刻画数据集的多个局部分量特征;最后,在提取的核主元分量内获得测试样本的后验概率,结合模态内的马氏距离贡献度,提出基于贝叶斯推理的全局概率指标进行故障检测,同时利用模态内变量的相对贡献度,基于全局贡献度指标进行故障诊断。利用TEP仿真平台,与基于k均值聚类的次级主元分析和核主元分析的方法进行了对比分析,验证了提出的贝叶斯推理的 PKPCAM 方法对非线性多模态过程进行故障检测与诊断的可行性和有效性。    

9.  基于改进型主成分分析的电力变压器潜伏性故障诊断  被引次数:1
   杨廷方  张 航  黄立滨  曾祥君《电力自动化设备》,2015年第35卷第6期
   基于变压器油中溶解气体分析(DGA),提出采用改进型主成分分析(PCA)法对变压器内部潜伏性故障进行诊断。该方法不采用传统主成分分析的标准化方法,而是采用样本指标绝对值之和对样本指标值进行标准化处理,既消除各指标数值在数量级上的差异,又保持了各个样本间的信息差异特征;根据主成分的累计贡献率选取样本主成分,对样本主成分之间的欧氏距离进行聚类,判断变压器的故障类型。实例诊断表明,该方法能有效地提高变压器内部潜伏性故障诊断的准确率。    

10.  相对主元分析及其在数据压缩和故障诊断中的应用研究  被引次数:2
   文成林  胡静  王天真  陈志国《自动化学报》,2008年第34卷第9期
   传统主元分析(Principal component analysis, PCA)方法因忽视量纲对系统的影响, 从而使选取的主元难以具有代表性; 而在进行量纲标准化后, 又因得到的特征值常常是近似相等的而无法进行有效的主元提取. 针对这一主要问题, 本文通过引入相对化变换(Relative transform, RT)、相对主元(Relative principal components, RPCs) 和分布"均匀"等概念, 建立起一种相对主元分析(Relative principal component analysis, RPCA)的新方法. 该方法首先对系统各分量进行量纲标准化; 其次再根据系统的先验信息分析和确定各分量的重要程度; 然后在系统能量守恒的准则下, 赋以系统各分量相应的权值; 最后利用已建立起的相对主元模型, 对系统实施RPCA. 同时运用数值例子, 开展了RPCA在数据压缩和系统故障诊断中的应用研究. 理论分析和仿真实验均表明, 采用RPCA方法选取出的主元更具代表性和显著几何意义, 加之选取主元的灵活性, 将使新方法具有更广泛的应用前景.    

11.  基于邻域粗糙集和距离判别的信用风险评级  
   郭春花《重庆理工大学学报(自然科学版)》,2013年第2期
   针对信用风险评级过程中数据的高维性和各属性数据存在量纲差异性的问题,提出了一种基于邻域粗糙集和距离判别的信用风险评级方法。邻域粗糙集是一种常用的降维方法,与传统的降维方法相比有严格的数学推导,对数值型属性和类别型属性可作分别处理。数值型属性在距离判别时容易受到数据量纲的影响,采用马氏距离可以消除数据量纲差异对分类造成的影响。因此以待测样本与各类训练总体之间的马氏距离的大小作为判据对待测样本进行分类。对现实数据进行实验,各类和总体的数据准确率表明该方法是一种有效的评级方法。    

12.  1种基于遗失数据重构的软测量方法  
   李庆华《计算机与应用化学》,2011年第28卷第5期
   提出1种遗失数据重构思想下的软测量方法:先采用主元分析(PCA)离线建立所有变量(包括难测变量)的主元模型,实际应用时,将实时的难测变量看作遗失数据,通过遗失数据重构方法估计出难测变量,增加了软测量方法的灵活性。更进一步,在重构遗失数据时,使用马氏距离取代欧几里德距离作为指标,更准确地反映了过程变量之间的相关关系,由此指标求取软测量值能够大大地改善估计精度。    

13.  基于故障诊断性能优化的主元个数选取方法  被引次数:4
   王海清  余世明《化工学报》,2004年第55卷第2期
   主元分析 (PCA)作为一种有效的多元统计监测方法,在化工过程的产品质量控制与故障诊断等方面得到广泛应用.其中主元个数作为PCA监测模型的关键参数,其选取直接决定了PCA的故障诊断性能.传统的主元个数选取方法主观性较大,且一般不能考虑故障诊断的要求.通过对主元空间和残差空间中临界故障幅值的分析,提出一种基于故障检测与识别性能优化的主元个数选取方法.并且能够对故障的检测类型、幅值等重要信息进行预测和估计.通过对双效蒸发过程的仿真故障检测,证实了该主元个数选取方法的上述优点.    

14.  主元分析方法在火电厂锅炉过程故障检测中的应用  被引次数:9
   黄孝彬  刘吉臻  牛玉广《动力工程》,2004年第24卷第4期
   研究了将主元分析方法(PCA)应用到火电厂锅炉控制过程的故障检测的若干问题,提出了适合于此类过程的改进PCA建模方法和在线故障检测方法。对过程数据的处理、变量相关关系的发掘和主元检测模型的建立以及在线检测算法等方面进行了阐述。最后,基于现场采集的长期历史数据,给出了在锅炉过程传感器故障检测中的应用实例,试验结果表明了所提出的方法的可行性。图3表1参10    

15.  基于相对主元分析的故障检测与诊断方法  
   胡静  刘荣利  文成林《弹箭与制导学报》,2007年第27卷第3期
   针对传统主元分析(PCA)在实际监控过程中存在的问题,文中提出相对主元(RPC)的概念,并建立了一种相对主元分析方法(RPCA).RPCA在有效处理丢失数据及异常点问题的同时,能够根据各分量在系统中的不同重要性,赋以相应的权值,从而达到建立相对精确的RPC模型进行故障检测和诊断的目的.与传统方法相比,RPCA可以克服其在实际故障检测时能力的不足.给出的计算机仿真实验证明了该方法的有效性和实用性.    

16.  基于主元分析的火电厂生产过程故障检测研究  
   牛征  刘吉臻  牛玉广《华北电力大学学报(自然科学版)》,2005年第32卷第4期
   由于工况变化频繁,使用单一主元模型难以准确描述火电厂生产过程的统计特性,因此应用传统主元分析(PCA)故障检测方法会带来大量的误检。提出了一种适用于火电厂生产过程的改进PCA故障检测方法:首先用K均值聚类分析方法对过程数据进行分类得到各稳态工况下的数据;然后根据分类数据建立主元模型组来描述整个过程;最后在故障检测中对检测样本进行模糊划分,动态计算出与当前工况相适应的主元模型并进行检测。使用现场数据对比研究了传统方法和改进方法在锅炉过程故障检测中的应用情况。结果表明改进方法能适应工况变化,减少误检并提高检测灵敏度。    

17.  基于独立元的k近邻故障检测策略  
   张成  高宪文  徐涛  李元  逄玉俊《控制理论与应用》,2018年第35卷第6期
   k近邻故障检测(fault detection based on k nearest neighbors,FD–k NN)方法能够提高具有非线性和多模态特征过程的故障检测率.由于系统故障通常由潜隐变量异常变化引起,而该类型故障并不能被观测数据直观表现,因此直接在观测变量上执行FD–k NN方法,其故障检测率降低.本文旨在提高FD–k NN方法针对潜隐变量故障的检测能力,提出基于独立元的k近邻故障检测方法.首先,通过对观测数据应用独立元分析(independent component analysis,ICA)方法,获得独立元矩阵;接下来在独立元矩阵中应用FD–k NN方法进行故障检测.这等同于直接监控过程潜隐变量的变化,可以提高过程故障检测率.通过非线性实例仿真实验,证明本文方法检测潜隐变量故障是有效的;同时,在半导体蚀刻工艺过程的仿真实验中,与主元分析(principal component analysis,PCA)方法、核主元分析(kernel principal component analysis,KPCA)方法、基于主元分析的k近邻故障检测(principal component–based k nearest neighbor rule for fault detection,PC–k NN)方法和FD–k NN方法进行对比,实验结果进一步验证了本文方法的有效性.    

18.  基于GMM的多工况过程监测方法  被引次数:1
   许仙珍  谢磊  王树青《计算机与应用化学》,2010年第27卷第1期
   传统基于主元分析的故障检测方法大多假设工业过程只运行在1个稳定工况,数据服从单一的高斯分布。若这些方法直接用于多工况过程则将会产生大量的误检。为此,本文提出了1种基于高斯混合模型的多工况过程监测方法。首先利用PCA变换对过程数据集进行降维,在主元空间建立高斯混合模型对过程数据进行聚类,自动获取工况数和相关分布特性。然后对每个工况建立主元分析(principal component analysis,PCA)模型来描述整个运行过程数据分布的统计特性。最后在过程监测中,根据监测样本属于各个工况的概率构造综合统计量,实现对多工况过程的故障检测。TE过程的仿真结果表明,本文提出的方法与传统的PCA方法相比,能自动获取工况和精确估计各个工况的统计特性,从而能更准确及时地检测出多工况过程的各种故障。    

19.  基于多尺度核主元分析的非线性过程监控方法研究  
   邓晓刚  田学民《计算机与应用化学》,2006年第23卷第12期
   针对化工过程数据的多尺度性和非线性特性,提出了一种多尺度核主元分析方法(MSKPCA)监控过程的运行状态。使用小波变换在不同尺度下分解测量信号.然后借助于核函数对分解后的数据进行非线性变换,在变换后的线性空间中用主元分析(PCA)提取过程数据的主要特征,构造监控统计量T2和Q来检测故障。在此基础上,提出了一种贡献图方法.计算过程变量对故障的贡献量,用于故障变量的分离。在TE过程上的监控结果表明,MSKPCA可以比PCA和动态PCA更迅速地检测到过程故障,贡献图方法能够正确地分离故障变量。    

20.  多元指数加权移动平均主元分析的微小故障检测  
   邱天  白晓静  郑茜予  朱祥《控制理论与应用》,2014年第31卷第1期
   主元分析(principal component analysis, PCA)是一种有效的数据分析方法, 在故障诊断与状态监测方面已得到广泛应用. 多元指数加权移动平均–主元分析(multivariate exponentially weighted moving average principal component analysis, MEWMA–PCA)方法用于解决PCA不能有效检出微小故障的问题. 本文深入研究了MEWMA–PCA中EWMA影响主元分析进行故障检测的机制, 导出了MEWMA–PCA可检出微小故障的原因. 本文确定了MEWMA–PCA中遗忘因子?、单传感器故障幅值和迟延时间三者的关系, 并进行了数值仿真和火电厂磨煤机组运行状态的仿真实验. 实验结果验证了MEWMA–PCA中EWMA提高PCA的监测性能的机制, 并给出了根据系统实际要求来选取合适的遗忘因子值, 从而在规定的时间内检出微小故障的实例.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号