基于融合特征约减和支持向量机的控制图模式识别

为提高产品加工过程中质量监测的智能化程度,在运用控制图描述质量波动的基础上,提出了一种基于融合特征约减的KPCA-SVM控制图分类方法。先通过蒙特卡洛模拟生成控制图数据集,提取统计特征和形状特征,并将其与原始特征相融合,运用核主成分分析对高维融合特征降维,再使用遗传算法优化支持向量机的参数。通过仿真实验,将降维前后、不同分类器的识别精度进行了比较,结果表明运用所提方法能够得到更好的识别效果。     

基于主元分析的SVM动态过程质量异常模式识别

质量异常模式识别是实现生产动态过程在线质量监控与诊断的关键。针对现有质量异常模式识别在实际应用中存在的计算复杂和识别精度不高等问题,提出了一种基于主元分析的SVM动态过程质量异常模式识别的方法。运用PCA技术对原始样本数据进行特征提取,有效去除原始数据中的噪音并降低数据维数;在特征提取的基础上,将主元特征向量作为SVM分类器的输入向量,进而利用粒子群寻优方法实现了对分类器参数优化选取,并进一步训练得到支持向量机分类器。最后,使用优化后的分类器对质量异常模式进行识别。仿真实验结果表明,该方法整体识别精度达到97.5%,适用于生产过程的质量监控和诊断。     

基于二维主成分分析的掌纹识别研究

掌纹作为一种新的生物特征可用来进行人的身份识别.论文提出了将二维主成分分析方法(2DPCA)应用于掌纹识别的特征提取,并在PolyU掌纹数据库上利用最近邻分类器与余弦距离度量进行了相应的实验,得到了99.4%的正确识别率.二维主成分分析方法相比主成分分析方法(PCA)方法具有更高的识别率和更快的计算速度,尤其是在小样本训练数据的情况下优势更明显.同时论文也研究了不同应用系统下阈值的选取方法.     

基于小波时频图和CNN的滚动轴承智能故障诊断方法

提出一种基于小波时频图和卷积神经网络(CNN)的滚动轴承智能故障诊断方法。对滚动轴承的振动信号进行连续小波变换(CWT),得到时频图,并以灰度图的形式显示,再将时频图压缩至适当的大小;将压缩后的时频图作为特征图输入,建立CNN分类器模型,以实现滚动轴承的智能故障诊断。基于人工轴承故障数据集进行了实验研究,同时从结构参数和训练参数两方面对网络的性能进行了优化改进。结果表明,该方法能有效识别滚动轴承的故障类型,改进的CNN具有较强的泛化能力、特征提取和识别能力。     

基于主成分分析和支持向量机的滚动轴承故障特征融合分析

为有效降低滚动轴承故障特征的维数并提高诊断准确率,将主成分分析（PCA）和支持向量机（SVM）方法应用到轴承故障特征的融合分析中,给出了相应的决策流程。应用基于小波包分解的特征提取算法及特征向量的构造方法对不同状态下的振动信号进行分解,得到用于表征轴承运行状态的8维特征集合;应用PCA提取累积贡献率达到95%的特征主成分并输入SVM分类器中进行识别。结果表明,将滚动轴承故障特征从8维降低到5维,仍可有效表征轴承的状态,但大大降低了计算的复杂性;故障诊断的准确率达到97%以上,诊断时间也相对较短;4种轴承状态识别的准确率从高到低依次为正常、外圈剥落、滚动体剥落和内圈剥落,可为确保设备安全运行和快速故障诊断提供理论依据。     

基于SMF-WPR-KPCA算法的轴承特征提取

针对轴承振动数据的非线性和特征维数冗余问题,提出了一种将滑动中值滤波技术、小波包重构技术和核主元分析结合(SMF-WPR-KPCA)的特征提取方法。该方法首先利用滑动中值滤波技术对原始数据进行滤波,消除异常点并保持边缘特性;之后对数据标准化处理以及傅里叶变换,确定数据频谱特征显著区域;然后对数据进行小波包分解再叠加重构频谱显著区域数据,并对新数据提取新的时域特征;最后进行核主元分析,得到特征图像并定量描述特征区域。利用NASA的全寿命轴承数据进行实验仿真验证,结果表明,相比PCA模型,该方法有效地解决了数据的非线性特性,压缩了特征维数,具有更好的特征状态识别和分类性能。     

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.     

主分量分析和因子隐Markov模型在机械故障诊断中的应用

主分量分析(principal component analysis,PCA)是统计学中分析数据的一种有效方法,可以将高维数据空间变换到低维特征空间,因而可用于多通道冗余消除和特征提取.因子隐Markov模型是隐Markov模型的扩展,它比隐Markov模型更有优势,适用于动态过程时间序列的建模,并具有强大的时序模型分类能力,特别适合非平稳、信号特征重复再现性不佳的信号分析.文中结合主分量分析与因子隐Markov模型,提出一种新的故障识别方法,即以主分量分析方法进行冗余消除和故障特征提取,因子隐Markov模型作为分类器.并应用到机械故障诊断中,同时与基于主分量分析的隐Markov模型的识别方法相比较,实验结果表明基于PCA的因子隐Markov模型识别法和基于PCA的隐Markov模型识别法在故障识别上都是有效的,但对于相同的状态空间,前者的训练速度快于后者,尤其是状态空间越大,这种优势越明显.     

基于监督拉普拉斯分值和主元分析的滚动轴承故障诊断

在拉普拉斯分值(Laplaian score,LS)方法的基础上,提出一种监督拉普拉斯分值(Supervised laplaian score,SLS)特征选择方法。该方法同时考虑数据的标号信息和局部几何结构,避免LS方法中要设定近邻图参数的问题。将SLS和主元分析(Principal component analysis,PCA)相结合,提出基于SLS和PCA的滚动轴承故障诊断方法。该方法在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征矢量;利用SLS进行特征选择,形成故障特征矢量;再对特征矩阵进行PCA降维处理,并用K近邻(K-nearest neighbor algorithm,KNN)分类算法实现滚动轴承不同故障类型的识别。应用实例表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障,且故障分辨率优于基于LS和PCA的故障诊断方法。     

基于双目标优化遗传算法和支持向量机的旋转机械退化状态识别

退化特征提取是机械健康状态监测的重要组成部分,伴随旋转机械长时间连续运转,退化特征出现性能波动甚至下降,给退化特征提取和选择造成了困难.首先利用一个特征映射算法库对振动信号提取特征,并基于Kolnogorov-Smirnov (KS)检验和Benjamini-Yekutieli过程对原始特征集进行过滤,然后利用双目标优化遗传算法(Bi-objective Optimization Genetic Algorithm,BOGA)结合支持向量机分类器(Support Vector Classifier,SVC),在有监督的环境下搜索出最佳特征子集,其中BOGA设置了SVC分类精确度和特征子集维数两个目标函数,前者进行最大化,后者进行最小化.通过在液压泵退化状态数据集上进行实验和在凯斯西楚大学轴承数据集与FRESH_PCAa、ReliefF、JMIM三种方法进行对比,验证了该方法在退化状态识别上的较好性能.     

Control chart pattern recognition using feature-based learning vector quantization

The reported learning vector quantization (LVQ) network-based control chart pattern (CCP) recognizers in literature use raw process data as the input vector and can recognize six basic CCPs only. In this paper, an LVQ network-based CCP recognizer is presented that can recognize eight basic CCPs, using seven extracted shape features from the pattern data as the input vector. The recognition performance of this recognizer is compared with the LVQ network-based recognizer that uses raw process data as the input vector. The results show that the feature-based recognizer results in substantially better recognition performance than the raw data-based recognizer. The confusion matrix reveals that the recognition performance of the feature-based recognizer can be improved further if any feature that is more powerful in discriminating shift and trend pattern can be identified. Comparison of performances of LVQ network-based and multilayer perceptrons (MLP) network-based recognizers (both using extracted features as input vector) reveals that the LVQ network-based recognizer requires much lesser learning time than the MLP network-based recognizer, but results in little inferior recognition performance.     

核函数主元分析及其在故障特征提取中的应用

提出了基于核函数主元分析的故障特征提取方法。该方法利用计算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，并应用转子试验台的故障数据对该方法进行了检验。结果表明，核函数主元分析更适于提取故障信号的非线性特征，它提取的故障特征对故障具有更好的识别能力，并对分类器具有较强的鲁棒性。     

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。     

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。     

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.     

Improved recognition of control chart patterns using artificial neural networks

Recognition of abnormal patterns in control charts provides clues to reveal potential quality problems in the manufacturing processes. One potentially popular approach for recognizing different control chart patterns (CCPs) is to develop heuristics based on various shape features of the patterns. The advantage of this approach is that the users can easily understand how a particular pattern is identified. However, consistency in the recognition performance is found to be considerably poor in the heuristics approach. Since shape features represent the main characteristics of the patterns in a condensed form, artificial neural network (ANN) with features extracted from the process data as input vector representation can facilitate efficient pattern recognition with a smaller network size. In this paper, a set of seven shape features is selected, whose magnitudes are independent of the process mean and standard deviation under a special representation of the sampling interval in the control chart plot. Based on these features, the CCPs are recognized using a multilayered perceptron neural network trained by back-propagation algorithm. The recognizer can recognize all the eight commonly observed CCPs. Extensive performance evaluation of this recognizer is carried out using simulated pattern data. Numerical results indicate that the developed ANN recognizer can perform well in real time process control applications with respect to both recognition accuracy and consistency.     

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。     

基于非线性流形学习的磨粒特征提取方法

针对磨粒特征参数多、非线性突出的问题,提出一种基于非线性流形学习的磨粒特征提取方法。该方法将磨粒特征重构到高维相空间中,利用局部线性嵌入算法提取出隐藏其中的低维流形,并根据数据流形的弯曲性和邻域参数的关系,实现高维相空间中局部邻域参数的自适应选取。实验结果表明,该方法有效地克服了主成分分析和核主成分分析方法的不足,提取的磨粒特征敏感性更好,从而提高了磨粒识别的精度。