基于KPCA和PSOSVM的异步电机故障诊断

针对异步电机故障振动信号具有较强的非线性特征,而传统的线性分析方法易造成振动信号非线性成分的丢失这一情况,提出一种核主元分析和粒子群支持向量机相结合的异步电机故障诊断方法。利用核函数实现输入空间到高维特征空间的非线性映射以及对映射数据的主元分析,得到原始样本的非线性主元,实现特征提取和数据压缩,将获得的核主元特征通过支持向量机进行模式识别。采用距离比值法和粒子群算法分别对核主元分析和支持向量机的参数进行双重优化选择。实验结果表明,该方法能有效提取故障信号的非线性特征,具有较强的非线性模式识别能力,相比主元分析和支持向量机方法,分类效果更好,实时性更强,可快速有效实现异步电机故障诊断。     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

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WTPCA-MSVMs过程监控方法

提出了基于小波变换主元分析和多支持向量机(wavelet transform PCA-Multiple support vector machines,WTPCA-MSVMs)的过程监控方法,该方法首先利用小波变换(wavelet transform,WT)对采样数据进行预处理,以有效抑制过程数据中所含的噪声和干扰信号;然后利用主元分析(principal component analysis,PCA)对预处理后的数据建立主元监控模型;考虑到实际工业过程故障数据的数量较少,而支持向量机(support vector Machine,SVM)在小样本学习方面具有良好的泛化能力的特性,最后提出了基于多支持向量机(multiple support vector machines,MSVMs)的故障诊断方法。对TE(tennessee eastman,TE)过程的监控应用表明了所提出方法的有效性。     

基于KPCA与粒子群优化SVM的扫路车驱动电机故障诊断

针对环卫车辆驱动电机故障特征不明显且存在大量干扰因素等问题,为了提高故障诊断准确率,提出一种基于核主元分析和粒子群优化支持向量机（SVM）的故障诊断方法。该方法利用在电机故障状态下的振动信号构建时频域混合特征集,通过核主元分析,对特征集内的特征量进行降维处理;通过选择主元特征和利用粒子群算法,优化SVM的主要参数,将得到的特征量输入到优化后的SVM中进行计算,并与未进行核主元分析的SVM进行对比分析。计算结果表明：该方法能够显著提高扫路车驱动电机的故障诊断准确率。     

基于KPCA SVM的柴油机状态识别方法的研究

为了有效地对柴油机的运行状态进行状态识别,根据柴油机的特征信息和识别的特点,研究了基于核主元分析(KPCA)和支持向量机(SVM)进行柴油机状态识别的故障诊断方法.首先,对柴油机进行特征提取,构成一个特征向量.然后对其进行核主元分析,计算得到能反映设备状态的特征向量,有效去除信息的冗余.最后,将得到的特征向量进行支持向量机的训练学习,识别柴油机的状态.通过实验室柴油机燃烧系统不同运行状态下的识别分析,验证了此方法的可行性和实用性.     

基于多变量统计过程监控的盾构机故障诊断

由于盾构机安装有众多监测仪表,且依靠单变量过程监控和人工诊断方式已经无法满足监测的要求,因此引入多变量统计过程监控方法(MSPM).主元分析(PCA)是应用最广泛的MSPM技术,PCA根据盾构运行监测的过程变量和历史数据建立数学模型,并计算统计监控量T2和平方预测误差δ,以及主元空间和残差空间的控制限,分析过程变量是否发生异常.最后以盾构刀盘驱动系统和螺旋输送液压系统为例说明MSPM的详细应用.     

基于PCA-SVM集成阀门故障诊断方法研究

提出了一种基于主元分析和支持向量多分类器的故障诊断方法.该方法首先对工业故障数据进行主元分析提取数据集特征并降低数据维数,再把故障特征数据通过支持向量多分类器进行模式分类,最后通过特征分类诊断故障.在DAMADICS阀门模型上进行了仿真,并利用Lublin Sugar Factory工业故障数据进行了验证.仿真结果表明该方法可以快速准确地检测与诊断故障.     

基于基座多传感核主元分析的故障诊断

传统振动测试中传感器一般安装在靠近振源位置,此类方式采集的振动信号的故障特征相对明显,但实际应用中常存在传感器安装不便的矛盾。本文提出基于基座的故障诊断方法,以多个传感器采集的基座上的微弱故障特征信号为原始信号,通过核主元分析(kernel principal component analysis,KPCA)进行信息融合,利用支持向量机(support vector machine,SVM)进行模式识别。文章还探析了核参数选取对KPCA性能的影响,最后实例验证了基于基座故障诊断方法的可行性。     

基于PCA和SVM的内燃机故障诊断

为有效对内燃机运行状态进行评估,根据内燃机振动信号特征和故障样本较少的特点,提出了基于主分量分析和支持向量机进行内燃机状态判别的故障诊断方法。提取内燃机振动特征参数,利用主分量分析消除其信息冗余,提取反映内燃机运行状态的主分量特征,实现内燃机振动特征参数降维。通过选择适合内燃机振动信号的径向基核函数,构造一对多的支持向量机多类分类器,对主分量特征进行训练学习,实现内燃机运行状态判别。通过对模拟内燃机不同运行状态的试验分析,结果表明该方法可以有效识别内燃机不同的运行状态。     

基于KPCA和SVM的电梯故障诊断系统

针对电梯故障的非线性特性及故障特征不明显,传统方法分析后留下的显著成分不能反映这种非线性属性等问题,提出了核主元分析(KPCA)和支持向量机(SVM)相结合的故障诊断方法。利用KPCA在高维空间具有较强的特征选择能力和支持向量机具有较强的辨识率的特点,通过核主元分析法提取电梯故障特征,以达到降维作用,再利用支持向量机分类模型进行故障辨识。实验证明用此方法进行电梯的故障诊断具有更快更好的诊断效果。     

基于子带分析的非线性电路故障诊断

针对非线性模拟电路故障诊断中Volterra级数(Volterra核)计算复杂的难题,基于Volterra核的频谱子带分析,提出了利用将Volterra核进行子带分解以降低计算复杂度的方法。首先将激励信号分别输入正常电路和故障电路得到两种电路的输出,然后分别计算正常电路和故障电路的Volterra子带核,通过求解两种电路Volterra子带核的相关系数实现故障元件的特征提取。实验结果表明,该方法不仅能提高故障诊断效率,还能有效提取灾难型故障(硬故障)和参数型故障(软故障)的故障特征。     

基于汽车故障诊断机理的故障诊断流程设计

通过对汽车故障诊断机理的分析,根据汽车实际故障现象,综合运用假设推理和故障树分析法,设计故障诊断流程,依据设计的故障诊断流程测试排除故障。研究表明:符合汽车故障诊断逻辑的故障诊断流程,可迅速准确地判断汽车故障产生的原因与故障点,同时为汽车故障诊断的思路提供了参考。     

基于改进多尺度核主元分析的化工过程故障检测与诊断方法研究

针对化工过程数据的多尺度性和非线性特性,提出了改进多尺度核主元分析法.先利用小波变换分析测量数据的多尺度特性,然后采用核主元分析算法进行在线故障检测,对检测到的故障采用核函数梯度算法实现在线故障诊断,根据每个监控变量对统计量T~2和SPE的贡献程度,绘制贡献图,用于故障的分离.在监控过程中为解决核矩阵计算困难,引入特征向量选择方法.TE过程的仿真结果表明它能有效实现故障检测、故障诊断,与主元分析方法相比,显示出更高的过程监控能力.     

基于KPCA的轴承故障状态分类研究

提出基于核函数主元分析的轴承故障分类方法。该方法通过计算轴承振动信号原始特征空间的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。通过振动测试仪获取轴承在正常、外圈破损和保持架损坏状态下的实验数据,比较主元分析与核函数主元分析的故障分类效果。实验表明,核函数主元分析更适合提取故障信号的非线性特征,对故障特征状态有更好的分类效果,并对分类器有较强的鲁棒性。     

基于子空间混合相似度的过程监测与故障诊断

针对现代工业过程多变量、过程数据通常同时包含高斯性和非高斯性分布的特点,提出了一种基于混合子空间的系统性能监控与故障诊断方法.首先使用小波去噪、PCA和ICA方法来进行过程检测,然后将基于PCA特征子空间距离相似度和基于ICA子空间余弦相似度的方法结合,建立故障诊断库,计算混合相似度,确定各类故障的诊断阈值.最后对在线的数据进行监控,判断过程是否正常.当有故障发生时,利用混合子空间相似度确定故障类型.该方法可以充分利用过程数据中的高斯和非高斯信息.通过对Tennessee Eastman(TE)过程的仿真研究,验证了该方法的可行性与有效性,与变量贡献图方法相比可以更加有效地监测出故障原因.     

Relevant and independent multi-block approach for plant-wide process and quality-related monitoring based on KPCA and SVDD

Due to prior knowledge being often unavailable in practice, a multi-block strategy totally based on data-driven analytics is an appropriate alternative for plant-wide processes. However, most recent multi-block methods are relatively vague or insufficient for dividing up the process space and lack the comprehensive fault information for quality-related monitoring. This work intends to develop a more reasonable multi-block method and demonstrate the negative impacts of quality-unrelated variables. Both motivations are entirely dependent on the correlation between variables. A major innovation is to determine those independent or related sets of variables, and to provide a more precise indication for those quality-related faults. Sub-blocks with related variables are each modeled by the KPCA, and the rest of the independent variables are treated as an input for a SVDD model. Finally, all of the statistical indicators are aggregated into a single statistic through Bayesian inference. The benefits of the proposed multi-block scheme (MKPCA-SVDD) are elaborated on in detail using numerical simulation, TE benchmark and industrial p-xylene oxidation process.     

Graphical enhancement to support PCA-based process monitoring and fault diagnosis

Principal component analysis (PCA) for process modeling and multivariate statistical techniques for monitoring, fault detection, and diagnosis are becoming more common in published research, but are still underutilized in practice. This paper summarizes an in-depth case study on a chemical process with 20 monitored process variables, one of which reflects product quality. The analysis is performed using the PLS - Toolbox 2.01 with MATLAB, augmented with software which automates the analysis and implements a statistical enhancement that uses confidence limits on the residuals of each variable for fault detection rather than just confidence limits on an overall residual. The newly developed graphical interface identifies and displays each variable's contribution to the faulty behavior of the process; and it aids greatly in analyzing results. The case study analyzed within shows that using the statistical enhancement can reduce the fault detection time, and the automated graphical interface implements the enhancement easily.     

基于状态监测和故障诊断的设备管理系统

当前由于状态监测和故障诊断与维修管理的相互脱节,使其应有的作用没有得到充分发挥。针对这种情况,采用了离线和在线监测诊断相结合的状态维修策略,建立了状态维修的工作模型,运用集成定义方法建立了系统的功能模型,进而综合采用网络技术、计算机技术和数据库技术等,开发出了基于状态监测和故障诊断的设备管理系统,为企业成功开展状态维修提供了有效的管理工具。