基于KPCA的污水处理过程监视

污水生化处理过程的严重非线性给过程监视带来困难.核主元分析(KPCA)可以通过集成算子与非线性核函数有效计算高维特征空间的主元成分,从而有效捕捉过程中的非线性关系.基于KPCA方法构造污水生化处理过程监视策略,可以有效监测污水处理过程中出现的异常状态,与线性PCA监视方法相比,显示出更好的监视性能.     

基于KPCA-SVC的复杂过程故障诊断

本文提出了一种将核主元分析方法与支持向量机分类相结合进行故障诊断的方法,运用该方法对连续搅拌釜式反应器（CSTR）进行实时的故障诊断,实验结果表明KPCA-SVC故障诊断方法既充分利用了KPCA的特征提取能力和SVC的良好的分类能力,又避免了复杂的计算,有利于提高故障诊断模型的实时性。     

基于核最优K-L变换的故障特征提取方法研究

核函数主元分析KPCA(kernel princ ipal component analysis)能够提取机械故障信号的非线性特征,可以应用于机械故障状态识别。但是KPCA是一种无监督的特征提取方法,不能利用故障信号中的类别信息。本文介绍了一种核最优K-L变换,它可以充分利用类别信息,它能够提取类平均向量和方差向量中的判别信息,使提取的特征分类效果更好。在齿轮故障诊断实验中,采用核最优K-L变换提取故障信号的非线性特征,实验结果表明核最优K-L变换相比KPCA故障识别结果更为理想。     

基于PLC的模糊控制器在污水处理中的应用

序批式活性污泥法(又称SBR，Sequencing Batch Reactor)是目前广泛使用的间歇式废水生物处理技术。本文提出了一种用模糊控制实现SBR污水处理的自动控制系统，并介绍了模糊控制的算法。为SBR污水处理自动控制提供了一种新的工程方法。     

基于KPCA残差方向梯度的故障检测方法及应用

针对核主元分析(KPCA)在应用过程中非线性映射不存在原像、故障变量无法辨识、工程应用困难等问题,提出了一种改进的KPCA残差方向梯度故障检测方法。利用主元统计量和残差统计量的偏微分之间存在着相关性这一性质,对与主元统计量相关的格拉姆矩阵偏微分中间计算过程进行优化,提出一种新的KPCA残差方向梯度算法,在此基础上结合统计量形成系统故障检测的新方法。非线性系统仿真表明,改进的KPCA残差方向梯度法不仅具有较优的故障变量辨识能力,还极大地减小了计算量,缩短了计算时间。大型热力系统的应用进一步表明,无论对于单故障和多故障的情况,方法均具有较好的故障检测能力,并且不存在残差污染,易于工程实现。     

基于KPCA和RBF网络的电子鼻气体识别

提出了将KPCA特征提取和RBF网络识别相结合的气体检测方法,设计了一种用于气体实时检测的电子鼻系统,探讨了核主成分分析(KPCA)和RBF神经网络相结合进行气体识别的可行性.将传感器阵列的动态检测方法应用到电子鼻系统中,对甲苯、乙酸酐、乙醚、丙酮4种气体进行检测,针对响应信息的非线性变化利用KPCA进行特征提取,并作为RBF网络的输入,检测系统重复性和稳定性好,识别率可达87.5%.     

改进MKPCA方法及其在发酵过程监控中的应用

针对间歇发酵过程缓慢时变和非线性等特点,提出一种基于滑动窗技术的多向核主元分析(MWMKPCA)方法.该方法结合了核主元分析(KPCA)和滑动窗口技术的优点,其中KPCA能有效解决过程数据的非线性问题,保证数据信息抽取的完整性;而滑动窗口技术能有效避免MKPCA在线应用时预报未来测量值所引入的误差,提高监控性能.对于已判断正常的新批次过程数据,将其加入模型参考数据库进行更新,从而提高间歇过程性能检测的准确性.将该方法应用到工业青霉素发酵过程的监控中,并与MPCA、MKPCA方法的监测性能进行了比较.结果表明:该方法能有效提取过程变量间的非线性关系,降低运行过程的误报率,对缓慢时变的间歇过程具有更可靠的检测性能.     

核主元分析在透平机械状态监测中的应用

讨论了核主元分析(K erne l P rinc ipa l Com ponen t A na lys is,简称KPCA)原理,提出了基于KPCA的透平机械状态监测方法。该方法在低维特征空间利用内积核函数,实现原始空间到高维空间的非线性映射以及对高维映像数据的主元分析,从而在低维空间得到原始特征的非线性主元,并根据非线性主元构建特征子空间,实现特征提取和对透平机械状态的分类识别并监测其状态变化。对仿真数据及透平机械在正常、重负荷状态下试验数据的研究表明,KPCA分类效果比主元分析好,能有效地识别出透平机械的不同状态,并能及时监测到状态发生的变化。     

冷轧过程断带故障的诊断研究

在冷轧过程中,断带故障是冷轧工序的主要生产故障之一。针对冷轧过程断带故障的特点,提出一种基于核主元分析(KPCA)非线性特征提取和最小二乘支持向量机(LSSVM)分类的故障诊断方法。此方法采用KPCA理论将冷轧过程原始空间数据映射到高维空间,并在高维空间进行主元分析,从而降维、去相关性,得到冷轧过程非线性特征向量。将降维后的特征主元作为LSSVM输入进行训练和识别,根据LSSVM的输出结果判断冷轧过程工作状态与故障类型。仿真结果表明:基于KPCA非线性特征提取和LSSVM分类的故障诊断方法计算速度快,能有效地提取冷轧过程断带故障特征,识别断带故障类型。     

基于KPCA-SOM网络的列控RBC系统故障诊断方法

无线闭塞中心(RBC)系统是CTCS-3级列控系统的核心设备,在现场其故障分析主要依靠人工完成,诊断结果不精确、效率低。因此,提出了基于one-hot模型、核主元分析(KPCA)和自组织映射(SOM)网络的RBC系统智能故障诊断方法。首先,通过人工选取的故障特征词库和故障追踪记录表构建基于“one-hot”模型的故障文档矩阵;其次,利用核主元分析方法对故障文档矩阵进行降维降噪处理,避免信息冗余;最后将处理后的数据输入至SOM网络,训练生成KPCA-SOM故障分类模型。通过与BP神经网络算法、SOM网络算法比对分析,KPCA-SOM智能诊断方法可有效地对列控RBC系统常见故障类型进行区分,并且在准确率和处理效率上进一步优化提升。     

基于KPCA子空间虚假邻点判别的非线性建模的变量选择

特征变量选择技术是非线性系统建模过程中降低信息冗余和提高精度的有效方法。提出一种结合核主成分分析法(Kernel principal components analysis,KPCA)与虚假最近邻点法(False nearest neighbor,FNN)的变量选择法。引入核方法,将非线性原始数据映射到线性空间,再采用主成分分析法有效合理地消除因子之间的多重共线性,受混沌相空间虚假最近邻点法的启示,通过计算原始数据在KPCA子空间中投影的距离,判断其对主导变量的解释能力,由此进行变量的选择该方法用氢氰酸生产工艺工程中的非线性模型验证,并与全参数模型进行比较,结果显示该方法有良好的变量选择能力。因此,该研究为非线性系统建模的变量选择方法提供一种新方法。     

基于核函数PCA的齿轮箱状态监测研究

讨论核函数PCA(principal analysis component，主元分析)的算法原理，提出基于核函数PCA的齿轮箱状念监测方法。该方法借助于核函数计算得到原始特征的非线性主元，并根据非线性主元构建特征子空间，实现对齿轮箱运行状态的分类识别，并监测其状态变化。实例研究表明，核函数PCA分类效果比PCA好，能有效识别出齿轮箱的不同状念，并及时监测到齿轮箱工作状态的变化。     

NONLINEAR DATA RECONCILIATION METHOD BASED ON KERNEL PRINCIPAL COMPONENT ANALYSIS

In the industrial process situation, principal component analysis (PCA) is a general method in data reconciliation. However, PCA sometime is unfeasible to nonlinear feature analysis and limited in application to nonlinear industrial process. Kernel PCA (KPCA) is extension of PCA and can be used for nonlinear feature analysis. A nonlinear data reconciliation method based on KPCA is proposed. The basic idea of this method is that firstly original data are mapped to high dimensional feature space by nonlinear function, and PCA is implemented in the feature space. Then nonlinear feature analysis is implemented and data are reconstructed by using the kernel. The data reconciliation method based on KPCA is applied to ternary distillation column. Simulation results show that this method can filter the noise in measurements of nonlinear process and reconciliated data can represent the true information of nonlinear process.     

基于KPCA-LSSVM的硅锰合金熔炼过程炉渣碱度预测研究

针对硅锰合金熔炼过程中炉渣碱度在线检测困难、离线化验滞后大,难以实现实时控制的问题,提出了一种基于核主元分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法。该方法通过KPCA去除样本数据的噪声,提取输入数据空间中的非线性主元,然后利用LSSVM回归算法建立硅锰合金熔炼炉炉渣碱度预测模型,工业生产过程数据仿真结果表明,与SVM或LSSVM建模方法相比,KPCA-LSSVM预测模型的测量精度高、跟踪性能好,能满足炉渣碱度的在线测量要求。     

热力参数的KPCA-RBF网络建模及传感器故障诊断方法

针对复杂恶劣环境下机组热力参数的数据监测及传感器故障诊断问题,建立了融合机理分析、核主元分析(kernel principle component analysis,简称KPCA)与径向基神经网络(radial basis function,简称RBF)的发电机组热力参数预测及传感器故障检测模型。首先,根据机理分析得到完备的辅助变量集,并利用核主元分析提取辅助变量的特征信息以有效处理发电机组中高维、强耦合的非线性数据;其次,将主元变量集输入径向基神经网络进行学习,实现热力参数的重构;最后,基于预测模型与窗口移动法实现传感器的故障诊断,并对故障数据进行及时修复和准确替换。以燃气轮机排气温度为例进行验证的结果表明,该预测模型具有更高的精度和泛化能力,能在传感器故障发生初期及时发现并识别故障类型,检测效果优良。     

核函数主元分析及其在齿轮故障诊断中的应用

提出了基于核函数主元分析的齿轮故障诊断方法。该方法通过计算齿轮振动信号原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析,得到原始特征的非线性主元,以所选的非线性主元作为特征子空间对齿轮工作状态进行分类识别。用齿轮在正常状态、裂纹状态和断齿状态下的试验数据对该方法进行了检验,比较了主元分析与核函数主元分析的分类效果。结果表明,核函数主元分析能有效的检测裂纹故障的出现,正确区分不同的故障模式,更适于提取故障信号的非线性特征。     

基于粒子群优化的核主元分析特征的提取技术

针对核主元分析在参数设置上的盲目性,提出应用粒子群优化算法优化核函数参数.并将核主元分析应用于特征提取中.首先建立核函数参数优化的数学模型,然后应用加速度自适应粒子群优化算法对其寻优,并通过Iris数据集进行仿真研究,验证其提取特征的有效性.将优化的核主元分析方法应用于齿轮箱典型故障的特征提取中,结果表明:参数优化的核主元分析能有效降低齿轮箱特征向量的维数,较线性主元分析取得更好的故障识别效果.该方法在机械故障信号的非线性特征提取中具有优势.