张量鲁棒主成分分析及其在故障诊断中的应用

通常采集到的机械设备振动信号具有典型的非线性、非平稳特性,并且含有强背景噪声。一种新的张量鲁棒主成分分析方法被提出,该方法假设张量数据能被分解为代表信号特征的低秩成分和代表噪声的稀疏成分的叠加。首先将采集的一维信号重构到三维张量空间,然后通过求解一个凸优化问题来提取张量数据的低秩特征成分,从而实现信号的特征提取。该问题实质是由Tucker分解模型相关的Tucker秩凸包络的核范数和稀疏成分范数的联合最小化问题。分别通过仿真实验和实测的轴承外圈故障信号进行分析,结果表明提出的方法能成功的提取故障特征信息。     

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。     

改进多线性主成分分析网络及其在滚动轴承故障诊断中的应用

针对实测滚动轴承振动信号通常存在噪声干扰,具有非线性和非平稳特性,而多线性主成分分析网络(MPCAnet)在处理复杂非平稳数据时存在非线性拟合能力差、特征聚类性一般的问题,通过引入核变换,提出了一种改进的多线性主成分分析网络,增大了训练样本间的差异度,进一步提高了MPCAnet在处理非线性数据时的泛化能力和分类精度.通...     

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。     

变压器故障诊断中的主成分分析研究

电力变压器的正常运行是对电力系统安全,可靠、优质、经济运行的重要保证,用主成分分析思想及方法,对油中溶解气体数据进行分析、降维,用最少的数据代表原变量的最大信息,以利于快速准确地诊断出变压器的故障原因,进而提高变压器的安全、经济运行水平。     

类均值核主元分析法及在故障诊断中的应用

核主元分析在应用过程中,通常采用累积贡献率法确定核主元个数,舍弃一些贡献率较小的核主元,导致数据样本部分信息的损失,影响故障诊断的效果。针对这一情况,提出一种类均值核主元分析法,它将输入空间的数据样本映射到高维特征空间后,先求出各类映射数据的类均值矢量,然后在类均值矢量张成的子空间上对类均值矢量进行主元分析,利用构建的类均值核矩阵,建立类均值核主元算法。由类均值核主元形成的特征矢量包含原数据样本的全部变异信息,并且维数低于故障类别数,能够在类均值矢量基础上实现无信息损失的数据降维。将改进算法应用于滚动轴承故障诊断,结果表明,它具有比传统核主元分析更强的综合原始变量信息的能力,能更好地提取数据样本的类别信息,快速实现故障模式的准确识别。     

主成分分析在偶件多影响因素重构中的应用

针对液压阀件特性影响因素多的特点,提出利用主成分分析方法对多影响因素进行相关分析,根据各主成分的贡献率对液压阀件特性多影响因素进行重构,实现液压阀件多影响因素特征提取,从而用较少的主成分代替多影响因素。研究结果可以有效的降低液压阀件特性与多影响因素耦合规律的分析难度,同时提高液压阀件特性建模的鲁棒性,解决由于输入变量过多所造成的建模效率下降的难题。     

基于主成分分析的特征频率提取算法及应用

通过研究主成分分析(principal component analysis,简称PCA)中有效特征值与信号频率和幅值之间的关系,发现有效特征值的数量是由原始信号中频率成分的个数决定,与幅值、频率和相位的大小无关。信号中每个频率产生两个有效的特征值,且幅值决定协方差矩阵C的特征值在其分布图中的排列顺序。提出了一种基于PCA的特征频率提取算法,该算法可实现对单个或多个特征频率的准确提取。将此方法应用于大型转子系统轴心轨迹的提纯上,效果优于谐波小波和小波包算法。     

KPCA法在风电机组齿轮箱故障诊断中的应用

将核主成分分析法应用于风电机组齿轮箱的故障诊断中,通过计算齿轮箱振动信号原始数据空间的内积核函数来实现原始数据到特征空间的非线性映射。利用某风场齿轮箱的正常工作状态、初期磨损状态以及断齿状态下的振动数据进行测试,对主成分分析法和核主成分分析法的分类结果进行了分析比较。实验结果表明,核主成分分析法能够有效地对齿轮故障信号进行特征提取和模式分类,更适合于故障信号非线性特征的提取。     

带窗口平移鲁棒故障及其在水轮发电机监控中的应用

针对一水轮发电机单机模型进水闸门位置故障,用对等空间法检测了未知输入干扰条件下的系统故障,为了减少计算量,提高计算速度,采用窗口平移的残差计算方法。结果表明这种计算方法十分有效,残差对故障非常敏感,而对噪声具有很强的鲁棒性。与文献［４］辨识法给出的结果比较,对等空间法的残差对故障的响应具有持续性,而不是瞬态性,有利于准确检测故障,降低故障误报率。     

指数加权动态核主元分析法及其在故障诊断中应用

核主元分析法能充分利用核函数来解决非线性问题,具有很好的非线性逼近能力,但传统的核主元分析不能处理动态问题。在分析核主元分析法的基础上,提出一种新的指数加权核主元分析算法,建立一个多变量加权自回归统计核主元模型,选择Q统计量来判断系统是否发生故障,给出指数加权核主元分析法诊断故障的具体计算步骤。对液压泵进行了试验,利用小波包对液压泵端盖的振动信号进行处理,提取由13个时域和时频域特征量构成的故障特征矢量。试验结果表明,与传统的核主元分析法相比,新方法能实时更新主元模型和控制限Qa,合理地利用实时动态信息,能较好地处理动态问题,通过计算比较选择合适的加权因子,能获得良好的故障诊断效果,该方法是可行而有效的。     

主元分析方法在航空发动机故障检测与诊断中的应用

针对综合参数法计算的表征发动机整体性能的综合指数不能有效地检测故障,无法识别故障变量以及需要较多的故障样本,本文提出了一种基于主元分析模型的航空发动机故障检测与故障变量识别方法。该方法不需要故障样本数据,利用统计量T2和平方预测误差实现故障检测,利用贡献率图辨识故障变量。通过对某型涡扇发动机进行实例验证分析,表明该方法能够有效地检测到早期潜在故障,准确地识别故障变量,极大地方便了故障的早期发现和排除。     

主元三阶谱分析在故障诊断中的应用

研究了基于高阶谱(主要是三阶谱)和主元分析的故障特征提取方法.分析和实验表明,不同状态设备的三阶谱特征具有显著的差别,通过主元分析提取数字特征,为神经网络自动识别故障打下良好基础.通过往复泵排出阀不同状态--正常、弹簧失效、阀芯磨损特征的提取发现其特征存在较大差别.神经网络诊断结果表明所提出的方法具有良好的应用前景.     

局部积分双谱及其在齿轮故障诊断中的应用

提出了一种局部积分双谱分析方法,探讨了局部积分双谱抑制噪声的能力,利用局部积分双谱分析了正常齿轮和早期剥落齿轮振动信号。局部积分双谱可以分析出齿轮故障的调制现象,结果显示,局部积分双谱与传统的双谱切片相比能较全面地反映双谱信息,是处理齿轮故障调制现象的有力工具。     

约束稳健独立分量分析在滚动轴承故障诊断中的应用

独立分量分析方法广泛应用于机械设备故障诊断领域。在稳健独立分量分析方法的基础上,结合故障特征频率先验信息,提出了一种约束稳健独立分量分析方法。该算法首先讨论了如何产生参考信号,然后定义了参考信号和期望信号的接近性度量函数,最后提出了改进的稳健独立分量对比函数。仿真和试验结果表明,该算法在收敛速度和计算精度方面都明显优于传统的Fast ICA算法。     

独立分量分析在货车轴承故障诊断中的应用

提出基于独立分量分析的故障诊断方法,数值试验结果表明,基于独立分量分析的故障诊断方法能有效地诊断滚动轴承的外圈、内圈和滚动体的故障,而且比传统的共振解调法的性能更好。     

基于MSKPCA和SVM的转子故障诊断模型及应用

为提高转子故障分类与辨识的准确率,围绕故障数据的降维问题开展了研究工作。在构造了多核函数的一种特殊形式多尺度核函数前提下,研究了多尺度核函数主成分分析(Multi-Scale Kernel Principal Component Analysis,MSKPCA)法在转子故障原始特征集降维中的应用途径。将获得的新的故障特征集输入到支持向量机(SVM)进行训练与辨识,建立了具有多尺度核多层核的转子故障诊断模型。研究结果表明,在多尺度核主成分分析法中合理地选用多尺度核函数,能够更好地提取转子故障不同尺度下的敏感信息,可为转子故障辨识提供更加精确的样本,能有效地提高转子故障诊断的准确率。该研究为转子系统故障数据特征降维提供了一种新方法,为核方法在转子故障诊断中的应用提供了新的思路。