基于粒子群优化的核主元分析的故障检测方法

目的提出使用粒子群优化(PSO)方法进行核参数优化,获得混合核KPCA的故障检测方法.方法引入多项式核函数和高斯径向基核函数的混合核方法,使用PSO对各参数同时进行优化,得到最优的混合核函数,再与PCA相结合,得到基于PSO优化的KPCA.结果根据混合非线性主元特征计算出的T2和SPE统计量,实现故障检测.并且其故障检测率高于径向基KPCA,时间成本低于多项式KPCA.结论通过田纳西-伊斯曼(TE)测试过程以及电主轴系统的应用实例说明了KPCA方法的可行性与实用性.     

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析（PCA）方法的过程监测算法假定过程是线性的，对于具有强非线性的生产过程，应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析（MKPCA）算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化，采用MKPCA算法建立过程模型并用于过程的在线监测，计算T2、SPE统计量及相应的控制限.仿真结果表明，与传统PCA算法相比，MKPCA算法具有更好的监测性能，不仅大大降低了正常运行过程的误报率，而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性，获取过程变量间的非线性关系.     

基于主元分析的传感器故障检测研究

基于主元分析（PCA）的故障诊断方法是故障诊断领域一个重要研究分支。本文首先介绍了主元分析的理论,然后深入研究了基于主元分析方法的传感器故障检测问题。该方法能够在对测量参数相关性分析的基础上,将传感器测量值所组成的测量空间分解为主元和残差两个子空间,通过传感器实际测量数据与正常数据矩阵在残差子空间投影的比较,对传感器的故障进行检测。最后进行具体仿真,仿真结果表明主元分析法对传感器具有很好的故障检测能力。     

基于随机共振的雷电信号检测方法

对传统的雷电信号检测方法进行了仿真研究,提出将随机共振理论引入到雷电信号检测之中,为雷电信号检测提供了一个崭新的思路及方向,并用仿真结果证明了此检测方法是完全可行的,具有理论指导及实用推广价值。     

在线压缩主元分析的自适应故障检测方法

大规模的工业过程具有动态的特性,主元分析只关注方差最大化,没有很好地解决处理样本的数量以及样本成分是否包含动态特性,所以主元分析不适合直接应用于动态过程的故障检测。因此,提出一种在线压缩主元分析的自适应故障检测方法。在大量的样本中提取一组极具代表性的样本进行压缩数据建模,对于在线实时采集的数据,根据信息是否符合添加要求进行判断,并自动更新监控模型。将该方法应用于田纳西-伊斯曼过程,使用T²进行验证分析,仿真结果表明,所提出的故障检测方法是有效性。     

基于集成主成分分析的故障检测方法

针对核主成分分析(KPCA)和主成分分析(PCA)的一些不足,提出一种基于集成主成分分析的故障检测方法。该方法将PCA与KPCA结合,利用KPCA描述过程的非线性信息并提取核主成分,再利用PCA对原始信息和核主成分一同提取线性主成分,通过构造统计量T2和SPE(或Q)进行故障检测。在TE(Tennessee-Eastman)过程上的仿真研究表明,本文提出的方法较PCA和KPCA有更高的故障检测精度。     

基于随机共振与深度残差网络的调制识别分析

针对利用传统手段提取数字特征对低信噪比下调制信号识别困难的问题,通过双稳态系统随机共振对带噪调制信号实施信号增强;同时利用深度残差网络对随机共振后的信号进行识别,解决信号经随机共振后数字特征不易提取的问题。提出一种基于双稳态随机共振系统与深度残差网络的信号识别方法,相较于直接通过深度残差网络识别,对于Es/N0<13 dB的信号识别率平均提升4.63%。实验表明该种信号增强手段能够有效应用于基于深度学习的调制识别问题。     

基于分步动态核主元分析的故障诊断方法

目的研究复杂工业系统动态、非线性特点,提出分步动态核主元分析（KernelPrincipalComponentAnalysis,KPCA）的故障诊断方法．方法该方法首先构造增广矩阵,然后将增广矩阵分成一系列子矩阵,将各子矩阵的构建一个新的数据增广矩阵,并对每个子矩阵使用KPCA提取变量数据的非线性空间相关特征,最后通过监测统计量监测出系统故障,用贡献度的方法识别发生故障变量．结果该方法改进了传统的动态方法,引入分步动态的定义,并且能充分考虑工业过程中的非线性和动态性,更精确的描述Y--,Ak过程特性,更精确的监测复杂工业系统的故障,并准确的识别出故障变量．结论对热连轧过程中活套故障诊断的仿真结果表明：基于分步动态KPCA的故障诊断方法能准确有效地诊断出故障,并识别出产生故障的原因．     

基于随机共振原理的自适应信号检测技术研究

强噪声背景下提取微弱信号是信号处理技术中倍受关注的课题.该文应用随机共振对微弱信号检测的原理,在研究了双稳态非线性系统的基础上,设计了非线性系统以及其控制电路.通过模拟工程实际,提出了简单的自适应算法,验证其对于微弱信号检测的有效性.     

基于随机共振和BBS/ICA的轴承故障诊断

提出了一种基于变尺度级联单稳随机共振和盲源分离/独立分量分析(BBS/ICA)相结合的轴承故障诊断方法.首先,通过高频信号控制下的变尺度单稳随机共振将信号所含的噪声能量转化为信号能量,再用BSS/ICA分离残余噪声.理论分析及仿真结果表明:该方法能利用噪声来增强信号频率特征,使得大参数信号能从系统中获得更多能量,又能消除噪声,从而实现故障的有效诊断.试验台模拟了滚动轴承内圈及外圈故障,验证了该方法的有效性.     

基于主成分分析法和核主成分分析法的机器人全域性能综合评价

在机器人运动学和动力学性能评价中, 表示机器人运动学和动力学性能的指标众多, 全域性能指标是其中一项重要的评价指标, 而全域性能指标又包括:线速度全域性能指标、角速度全域性能指标等指标.不同指标间往往存在不同程度的相关性, 其中有些相关性非常显著, 这使它们提供的信息有可能发生重叠.引入统计学原理, 依据线性降维与非线性降维原则, 应用主成分分析法 (principal component analysis, PCA) 和核主成分分析法 (kernel principal component analysis, KPCA) 对不同尺度的PUMA560机器人的全域性能进行综合评价, 从而选择综合全域性能最优的机器人.计算结果表明:KPCA方法较PCA方法有更好的降维效果, 能够更有效地处理多个单一性指标间的非线性关系, 提供更多的综合全域性能评价信息, 可为建立机器人综合全域性能与其尺度之间的数值计算关系, 为基于综合全域性能指标最佳尺度选取的研究提供科学的参考依据.     

基于多方向主元分析方法的间歇过程性能监视和故障诊断

将多方向主元分析（ＭＰＣＡ）技术应用于间歇生产过程的建模、过程性能监视和故障诊断,ＭＰＣＡ方法唯一需要的信息是过去成功间歇过程数据集合。作为一种有效的数据压缩和信息提取方法,ＭＰＣＡ方法大大降低数据空间结构的维数,消除变量之间的关联性,去除噪声,提高监视系统的鲁棒性,本文针对半导体生产过程中快速热退火间歇过程进行仿真实验研究。仿真结果表明：ＭＰＣＡ方法能够有效地监视间歇过程性能,及时准确诊断引起产     

基于MICA-PCA的间歇过程故障监测

针对具有数据非高斯分布或混合分布的间歇过程, 研究一种新的改进MICA-PCA监控方法.首先利用MICA方法提取非高斯分布过程信息, 通过设定负熵阈值实现独立成分个数的自动选择, 以此克服传统ICA方法中需提前确定独立成分个数的缺点, 再使用核密度估计方法确定相应统计量的置信限, 然后对服从多元高斯分布的残差过程信息, 进一步进行PCA分析和处理.将该方法应用于北京某生化制药厂重组大肠杆菌制备白介素-2发酵过程监控.结果表明:该法在过程变量不服从高斯分布的情况下能有效降低传统方法的漏报和误报率, 准确地对过程进行监控.     

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.     

基于随机共振和支持向量机的水下目标检测

声纳图像作为探测水下目标的主要工具,常伴有非高斯噪声,传统的目标检测方法无法较好地应用于声纳图像。提出利用随机共振系统对图像进行降噪处理,并提取图像的梯度特征作为支持向量机的输入特征向量,最终实现水下目标的智能检测。仿真实验结果表明,通过调节随机共振系统的参数能够提高目标检测率,并且该方法的计算量小,具有一定的应用前景。     

变步长随机共振的微弱周期信号检测

在以朗之万方程建立的随机共振数学模型中,现有文献在求解该数学模型时都将计算步长取固定值,文章通过理论分析说明了固定步长的缺陷,提出了调节计算步长的检测方法。以双稳态随机共振系统为基础,把计算步长作为可调参数来讨论其对随机共振的影响,结果表明调节计算步长能有效地提高被检测信号的检测率。     

Early Sensor Fault Detection Based on PCA and Clustering Analysis

This paper proposes a novel scoring index for the early sensor fault detection in order to make full use of massive archived spacecraft telemetry data.The early detection of sensor faults is made by using the index constructed by the K-means algorithm and PCA model.The sensor fault detection includes the learning phase and monitoring phase.The amplitude of sensor fault has been always increasing when the performance of sensors deteriorates during a period.The proposed index can detect the smaller sensor faults than the squared prediction error（ SPE） index which means it can discover the sensor faults earlier than the later.The simulation results demonstrate the effectiveness and feasibility of the proposed index which can decrease the check-limit as much as 40% than SPE in the same magnitude of bias sensor fault.     

基于块的二维核四元数主成分分析

核四元数主成分分析（KQPCA）被成功应用于处理非线性四元数信号,然而,核矩阵维数太高使其对角化非常耗时,目前二维形式的KQPCA（2DKQPCA）并没有成功实现.对此,采用基于块处理和并行计算的思想,提出基于块的2DKQPCA（B2DKQPCA）,实现真正意义上的2DKQPCA.基于时间复杂度、应用性能和分块矩阵应为四元数Hermitian矩阵的综合考虑,B2DKQPCA重点处理主对角线、反对角线和主对角线旁3个方向的小块.然后,结合B2DKQPCA与RGB-D图像四元数表示方法,将B2DKQPCA应用于RGB-D目标识别领域.在2个公开库上的实验结果表明,提出的基于列向B2DKQPCA的RGB-D识别算法优于现有基于主成分分析算法和基于卷积神经网络的一些算法.