基于质量相关的间歇过程故障监测及故障变量追溯

针对多向核熵偏最小二乘(multi-way kernel entropy partial least squares,MKEPLS)利用的是数据的一阶和二阶统计特性未考虑数据的高阶统计特性,在进行特征提取时会造成有用数据丢失的问题,提出基于高阶统计量的多向核熵偏最小二乘方法(higher order statistics multi-way kernel entropy partial least squares,HOS-MKEPLS).首先,通过构造样本的高阶统计量将数据从原始的数据空间映射到高阶统计量样本空间.然后,再建立MKEPLS监控模型进行质量相关的故障监控,当监控到有故障发生时进行故障变量的追溯.最后,将该方法应用到工业青霉素发酵过程的监测中并与MKEPLS进行比较.结果表明:该方法具有更好的监控和故障识别性能.     

非线性隐核偏最小二乘回归算法及其应用

利用隐核映射技术,将输入数据映射到一个高维隐特征空间,然后在隐特征空间里引入改进的非线性迭代算法构造线性PLS回归模型,提出了一种新的非线性隐核偏最小二乘回归算法(HKPLS)并应用于非线性系统建模中.仿真验证了所提方法的有效性.     

基于核主元分析和支持向量机的f-CaO含量预测

将核主元分析和支持向量机相结合,运用核主元分析对数据样本进行非线性特征提取,得到更易于回归的特征主元分量,达到了降低支持向量机的输入空间维数,然后运用最小二乘支持向量机进行训练,通过网格搜索和交叉验证确定最小二乘支持向量机的最优参数.建立了预测水泥熟料游离氧化钙含量的核主元分析支持向量机模型.计算结果表明提出的模型能有效地预测水泥熟料游离氧化钙含量.     

基于KPCA-LSSVM的公路软基路堤沉降预测

针对公路软基路堤沉降发生过程中多变量、强耦合、强干扰、大滞后的复杂特性,利用KPCA先将非线性数据投影到高维空间使其映射呈线性关系,应用PCA提取出映射数据的线性特征信息,间接实现去除原始数据噪声,以降低样本的维数,然后再利用最小二乘支持向量机进行建模的方法对软基路堤沉降进行预测。仿真结果表明：与最小二乘支持向量机及主元分析—最小二乘支持向量机建模方法相比,该核主元分析与最小二乘支持向量机结合的方法能够更准确地预测路堤沉降,且满足精确性和适用性的要求。     

基于特征空间降维的溶剂脱水分离过程监控

针对传统化工过程中检测变量具有的非线性和非高斯性等特点,提出将改进的核主元分析（KPCA）和支持向量数据描述（SVDD）相结合的化工过程故障诊断方法.根据Mexican hat小波在提取非线性非平稳信号细微特征方面的优势,将该小波函数引入到KPCA中以增强核函数的非线性映射和抗噪能力.在映射后的特征空间中进行均值聚类分析,选择每个聚类中展现特征中心的数据,使运算复杂度明显降低,提高了监控实时性.采用SVDD描述经过聚类降维后的特征空间分布,提出新的监控指标描述过程的非高斯特性.将该方法应用在一个实际的溶剂脱水化工精馏过程中,仿真结果验证了该方法能够及时有效地检测系统产生的故障.     

稀疏最小二乘支持向量机

针对大规模数据集的回归和分类问题，改进了最小二乘支持向量机.以再生核希尔伯特空间中的线性分析为基础，把样本集映射到再生空间中，然后张成再生空间的一个线性子空间，并求出这个子空间的基.利用基线性表示子空间中的其他元素，减小了求解矩阵的维数，通过求解规模相对较小的线性方程组完成对支持向量机的训练.采用该方法对较大规模的数据样本进行了回归和分类仿真试验，并与普通的最小二乘支持向量机进行比较.结果表明，采用该方法解决复杂非线性函数的回归和分类问题，不但可以得到稀疏解，而且计算速度比普通最小二乘支持向量机提高了约20％.     

基于混合MPLS的多阶段过程质量预报方法

针对传统的多向偏最小二乘方法(multi-way partial least squares, MPLS)在质量预报中存在着模型预测精度低、局部预报能力不足等问题,提出一种多MPLS模型融合方法来提高预报表现。利用高斯混合模型(Gauss mixture model, GMM)对每批次过程和质量数据组成的高维空间进行阶段识别。针对多批次同一子阶段长度不等问题,采用动态时间规整(dynamic time warping, DTW)算法依据最长持续时间同步为等长轨迹,并在子阶段中按变量展开方式建立MPLS模型。根据Fisher判据分析(Fisher discriminate analysis, FDA)最小化子阶段数据集间相关性,利用核密度方法估计子阶段数据集去相关后的概率密度分布来在线监测阶段切换。利用贝叶斯原则融合各子阶段MPLS模型进行质量预报。将该方法应用到工业青霉素发酵过程中,表明了所提方法具有更好的监控性能和预报能力。     

基于偏最小二乘算法的森林生物量遥感估测

基于遥感TM影像和森林资源连续清查固定样地数据,选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合、纹理信息等自变量,分别采用线性和非线性偏最小二乘回归法建立小兴安岭林区森林生物量的遥感估测模型,并将两种模型进行拟合对比,研究结果表明:非线性偏最小二乘模型的验证样本预测精度比线性偏最小二乘模型高出大约2.5个百分点,并且非线性偏最小二乘模型的拟合均方差要明显小于线性偏最小二乘模型的拟合均方差。     

一种基于自适应KLMS的卫星网络流量预测算法

针对传统预测模型已不再适用于卫星网络的问题,提出了一种自适应步长和自适应核宽度的核最小均方算法（AKLMS）.通过核函数将非线性数据从低维输入空间映射到高维特征空间进行操作,并且在迭代过程中根据瞬时误差自适应地调整步长和核宽度.仿真结果证明,与核最小均方算法（KLMS）和最小均方算法（LMS）相比,AKLMS算法在收敛速度和预测流量精度方面都有大幅提升,为卫星网络的流量规划和路由设计提供了强有力的决策支持.     

基于即时学习的不完整高维数据非线性过程软测量

由于现代工业过程中数据存在高维性、强非线性、时变性和不完整性等特性,限制了局部加权偏最小二乘算法(LW-PLS)的预测精度。因此,本工作在即时学习建模算法的基础上,将偏最小二乘算法(PLS)应用于相似性样本的选择中,并研究比较了基于主成分分析法(PCA)无监督降维的即时学习算法和基于PLS有监督降维的即时学习算法。概率主成分分析法(PPCA)可以有效的解决数据不完整性的问题;基于PCA和PLS算法的处理,有效的解决了数据高维性问题。基于即时学习的局部加权建模,可以有效解决数据的时变性和非线性问题。所研究算法的有效性在一个数值例子和脱丁烷塔实例中得到了验证。     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.     

基于稀疏核偏最小二乘法的短期负荷预测研究

支持向量机方法已成功地应用在负荷预测领域,但它在训练数据时存在数据处理量太大、处理速度慢等缺点。为此提出了一种基于稀疏核偏最小二乘法的预测方法,通过在高维特征空间的稀疏化,可减少在训练过程中的数据量,从而提高预测的速度和精度,将该方法应用于短期负荷预测中,与SVM方法相比,得到了较高的预测精度。     

一种基于KPCA的非线性故障诊断方法

介绍了一种非线性故障检测方法———核主元分析法(KPCA),通过核函数来完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间.在特征空间中使用PCA计算主元,构造T2和SPE统计量检测过程故障的发生.提出了一种KPCA贡献图计算方法,根据测量变量和非线性主元的相关性,计算测量变量的贡献量绘制贡献图,用于故障变量的分离.仿真结果表明,KPCA方法可以比PCA方法更加迅速的检测到故障的发生,利用KPCA贡献图可以较好的辨识出故障变量.     

Mine-hoist fault-condition detection based on the wavelet packet transform and kernel PCA

A new algorithm was developed to correctly identify fault conditions and accurately monitor fault development in a mine hoist. The new method is based on the Wavelet Packet Transform (WPT) and kernel PCA (Kernel Principal Component Analysis, KPCA). For non-linear monitoring systems the key to fault detection is the extracting of main features. The wavelet packet transform is a novel technique of signal processing that possesses excellent characteristics of time-frequency localization. It is suitable for analysing time-varying or transient signals. KPCA maps the original input features into a higher dimension feature space through a non-linear mapping. The principal components are then found in the higher dimension feature space. The KPCA transformation was applied to extracting the main nonlinear features from experimental fault feature data after wavelet packet transformation. The results show that the proposed method affords credible fault detection and identification.     

基于KPC-kNN方法的批次过程故障诊断

为克服FD-kNN算法的计算量和存储量特别大,PC-kNN主元仅仅能体现过程中线性信息的不足,提出一种基于KPC-kNN的故障诊断方法.在KPCA提取非线性信息后,在核主元空间里应用kNN算法,计算k个最近样本的距离平方和作为统计指标,使用核密度估计方法计算训练空间的控制限.半导体工业实例的实验结果验证了所提方法的有效性.     

基于核空间的全局正交鉴别矢量集方法

提出了一种基于核的全局正交鉴别矢量集方法。首先应用支持向量机中核函数的概念,将样本隐式地映射到特征空间,然后构造特征空间的正交空间,再将特征空间样本映射到特征空间的正交空间,求解基于Fisher的全局正交鉴别矢量集。在ORL人脸图像库上的实验结果表明,与现有的基于核的广义鉴别矢量集算法(GDA)和改进的基于核的广义鉴别矢量集算法(MGDA),以及基于核的直接鉴别矢量集算法(KDDA)相比,本文算法有更高的识别率及鲁棒性。