多尺度主元分析的一种改进方法

MSPCA方法在生产过程监控方面有着广泛应用.本文在研究该方法的基础之上,提出了一些改进,在其进行小波分解后即对其小波系数进行阈值处理,使小波消噪与MSPCA方法合为一体,并运用统计控制图中的平方预测误差(SPE)图方法检测引起过程变化或故障的过程变量.在保证其MSPCA算法复杂度不变的前提下,能够消除数据的噪声污染,使故障诊断的误报大为减少.经检验,该算法确实可行,相对于小波消噪与MSPCA方法分别进行,效率提高了大约13%-17%.     

基于核主元分析–主元分析的多阶段间歇过程故障监测与诊断

具有过渡特性的多阶段间歇过程故障监测是一个复杂的问题,既需要考虑稳定阶段下的故障监测,也需要考虑不同阶段间的过渡故障监测.为克服传统硬划分方法导致误警和漏报率高的缺陷,同时也为实现更加精确、有效的故障监测与诊断,提出一套完整的基于核主元分析-主元分析(KPCA-PCA)的多阶段间歇过程故障监测与诊断策略.该方法依据数据相似度实现阶段划分,定义模糊隶属度辨识相邻阶段间的过渡,最后对稳定阶段和过渡过程分别建立具有时变协方差的PCA和KPCA故障监测与诊断模型.通过对青霉素发酵过程的仿真平台及工业应用研究表明,该方法具有更可靠的监控性能,能及时、准确的检测出过程中存在的异常情况.     

基于改进核主元分析的TE故障诊断

PCA、KPCA作为常用的多变量统计监控算法,一般适用于定常过程。针对实际工业过程的时变、非线性特性,提出一种基于分块的改进KPCA算法。该方法通过采用随时间更新的核矩阵代替固定核矩阵用于主元模型的建立,使非线性监控模型能够在线更新,从而提高KPCA的检测正确率。与KPCA方法相比,该方法的运算复杂度明显降低。将该方法应用于TE(Tennessee Eastman)过程,仿真结果显示,该方法具有较好的监测性能,且所需时间大大减小,说明了本算法的有效性。     

单向阀的小波包核主元分析故障检测

高压活塞隔膜泵是管道输送的最重要动力源,为了解决其内部单向阀故障的在线监测问题,提出一种基于声发射信号的小波包时频及核主元分析(KPCA)的检测方法。首先采用小波包对声发射数据进行处理,求出信号各频率段的能量值;然后采用KPCA方法对能量值在高维空间进行分解建立特征模型,利用特征模型中的SPE和T2统计量对故障信号进行检测;最后对GEHO型隔膜泵单向阀的声发射数据进行实验验证。通过与主元分析方法的比对,表明所提方法能够快速、准确地对单向阀故障进行在线检测,在高压活塞隔膜泵无损故障检测领域具有良好的应用前景。     

基于分段主元分析的变负荷过程监控方法

针对变负荷的多工况过程,提出了一种基于分段主元分析的监控方法。对于稳态工况,直接利用历史数据建立不同负荷下的主元监控模型。对于工况之间的过渡过程,根据先验知识可将其划分为跟踪时段和调节时段。在两大时段内分别将训练数据细分为多个子时段,进而在每一子时段内设定参考轨迹,利用训练数据与参考轨迹的残差建立主元监控模型,并采用改进的层次聚类算法合并特性相近的时段。在线监控时,根据负荷设定信息判断过程所处的工况,再选择相应的主元模型进行监控。在Alstom气化炉中的应用结果表明,该算法不仅能够避免传统多模型监控方法在工况过渡时出现的大量误警,也能在过渡过程中实现准确的故障检测。     

基于核主元分析与核密度估计的非线性过程故障监测与识别

在针对将核主元分析(kernel principal components analysis, KPCA)与基于高斯分布的控制限(control limits,CLS)相结合会降低其性能的问题,提出了一种基于核主元分析与核密度估计(kernel principal components analysiskernel density estimation, KPCA-KDE)相结合的非线性过程故障监测与识别方法.该方法采用核密度估计(kernel density estimation, KDE)技术来估计基于KPCA的非线性过程监控的CLS.通过研究KPCA和KPCA-KDE所有20个故障的检出率发现,与相应的基于高斯分布的方法进行比较, KDE具有较高的故障检出率;此外,基于KDE的检测延迟等于或低于其他方法.通过改变带宽和保留的主元数量进行故障检测, KPCA记录的FAR值较高,相反, KPCA-KDE方法仍然没有记录任何假报警.在田纳西伊斯曼过程(Tennessee Eastman, TE)上的应用表明,KPCA-KDE比基于高斯假设的CLS的KPCA在灵敏度和检测时间上都具有更好...     

基于小波变换核主元分析和多支持向量机的过程监控

针对过程工业数据中所含的噪声和干扰信号、过程工业的非线性及基于主元分析(Principal Component Analysis,PCA)的统计性能监控法由于不用过程机理模型的信息从而对故障诊断问题难以在理论上作系统分析的缺陷,提出基于小波变换核主元分析和多支持向量机的过程监控方法,该方法首先采用基于小波变换的收缩阈值去噪法对建模数据进行预处理,以有效抑制过程数据中所含的噪声和干扰信号,然后利用核主元分析来进行故障特征的提取,从而提高非线性统计过程监控的准确性;最后提出多支持向量机用来对故障的来源进行分类,以避免求解核主元空间到原始空间的逆映射.将该方法应用到对TE(Tennessee Eastman,TE)过程的监控,表明了所提出方法的有效性,为过程的监控和故障诊断提供了一个新的方法.     

基于分块核主元分析的人脸识别方法研究

传统的基于数据二阶统计矩的主元分析法（PCA）是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。而KPCA方法只考虑了人脸图像的整体信息,没有考虑到局部特征信息。文章提出了分块核主元分析（MKPCA）的方法进行人脸识别,取得了很好的效果。     

基于核主元分析与神经网络的传感器故障诊断新方法

提出综合利用核函数主元分析(KPCA)和神经网络的方法实现非线性系统内传感器故障的检测和识别,克服了以往核函数主元分析法只能给出故障检测结果,却无法对故障进行识别的缺陷,并给出了在特征空间中计算残差的简单方法.最后,对一个简单的多变量过程进行了故障检测和识别,验证了这一诊断策略的有效性.     

分段多向核主元分析的啤酒发酵过程故障检测

基于主元分析的故障诊断模型应用在非线性时变过程中具有局限性。基于间歇过程具有周期性这一特点,在非线性空间的数据提取中,将核变换理论引入其中,提出了一种改进的多向核主元分析故障诊断模型,该方法对于过程数据的非线性问题的解决和非线性信息的充分提取表现出很好的性能,使得非线性主元能够在高维特征空间中被快速提取。 对比实验结果表明,该方法对于缓慢时变的间歇过程具有很好的准确性与实时性。     

基于分块核主成分分析和支持向量机的故障检测

针对工业系统监测数据为非线性,且难以辨识复杂工作过程中故障位置的问题,提出一种基于分块核主成分分析(BKPCA)和最小二乘支持向量机(LS–SVM)的集成故障检测方法.首先对系统监测变量进行分块,使用KPCA对每个分块在特征空间中建立T²和平方预测误差(SPE)统计量来实时监测系统健康状态,并使用LS–SVM对上述过程检测出来的故障数据进行再次判断.随后计算出现故障后计算每一分块的故障贡献率,进而确定发生故障的分块.由于采用了并行分块算法,可以较简单的确定故障发生位置,提高计算效率,同时LS–SVM方法的应用也可以提升故障检测的精度.使用田纳西–伊斯曼化工(TE)过程数据对本文所提方法进行仿真验证,试验结果表明所提方法取得了较好效果.     

基于递推规范变量残差和核主元分析的微小故障检测

微小故障由于故障征兆不明显从而很难在故障发生早期对其进行检测. 针对该问题, 本文提出了一种基于递推规范变量残差和核主元分析(RCVD–KPCA)的微小故障检测方法. 首先构造规范变量残差, 从中提取数据的线性特征. 利用指数加权滑动平均法对规范变量残差进行递推滤波处理, 提高规范变量残差对微小故障的敏感程度;然后使用KPCA提取规范变量残差中的非线性主成分作为非线性特征, 根据提取的特征提出了两个新的故障检测统计量; 此外, 利用核密度估计确定故障检测统计量的控制限. 由于同时提取了过程数据的线性和非线性特征, 有效地提高了非线性动态过程中微小故障的可检测性. 以闭环连续搅拌釜式反应器过程为例进行了仿真分析, 仿真结果表明本文所提方法具有较好的故障检测性能.     

基于核主成分分析的图像模糊篡改检测算法

现有的图像模糊篡改检测算法通常提取模糊操作引入的某单一特征进行判断,为更好地提高算法检测效率,提出基于核主成分分析的模糊篡改检测算法.通过奇异值分解提取第一组特征,计算图像二次模糊相关性作为第二组特征,计算图像质量因子作为第三组特征.运用核主成分分析方法实现多特征融合.采用支持向量机进行判断,从而实现模糊篡改检测.实验表明:该算法能够有效地检测数字篡改图像的模糊操作痕迹,并能对模糊篡改区域进行准确定位.     

基于核主元统计的音频隐写分析

选取隐写前后音频载体信号小波分解第二级细节分量进行分帧,利用核主元分析原理提取每帧的不重要核主元,进行形态学变换后,以其相邻两帧汉明距离的奇数阶中心矩作为特征向量,用支持向量机分类,隐写分析全局检测率可超过95%。     

基于主元分析和小波变换的开工过程故障识别

针对蒸汽裂解实验装置的开工过程具有间歇操作,变量间相关性高的特点,传统的故障识别方法无法有效处理这种具有较强动态特性的实际工业生产过程.本文提出利用主元分析,用少量主元反映多个动态变量的综合信息,并利用正交小波变换的多尺度时频分析提取主元中表征工况变化的频带特征,对频带特征进行模式归纳分类,进而识别工况.实验结果证实了所提出方法的可行性和有效性.     

基于ICA-PCA的化工流程仪表故障诊断

传统的多元统计过程控制(MSPC)的故障诊断方法要求观测变量数据服从高斯分布,然而实际化工流程中的仪表数据中难以满足这一要求。针对这一问题,提出在仪表数据中提取分离出非高斯信息和高斯信息,并分别利用独立元分析法和主元分析法建立不同的故障诊断模型。在检测到发生故障后,通过改进的贡献度算法定位出发生故障的仪表。通过对Tennessee Eastman(TE)过程数据进行仿真研究,验证了ICA-PCA故障诊断法在化工流程仪表不同故障诊断中的有效性。     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析 （KPCA）在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距 离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若 符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进 入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度 快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

结合非线性频谱与核主元分析的复杂系统故障诊断方法

传统非线性频谱分析方法对复杂系统进行故障诊断时,求解出的非线性频谱数据量庞大,不便于直接用于故障检测与分类识别.本文提出了一种非线性频谱特征与核主元分析(KPCA)结合的故障诊断方法,首先通过最小二乘算法估计出前3阶Volterra时域核,由多维傅立叶变换求取出广义频率响应函数,然后利用KPCA方法对谱数据进行压缩与提取谱特征,最后利用多分类最小二乘支持向量机进行多故障检测与识别.考虑到频谱数据具有非线性的特点,KPCA中的核函数选用由多项式函数与径向基函数构成的混合核函数,兼顾了局部特性与全局特性.论文基于非线性频谱数据,给出了核主元模型建立与在线故障诊断的具体算法.对非线性模拟电路和数控机床伺服传动系统进行了仿真实验,结果表明本文方法能够大幅度降低频谱数据维数,故障识别率高,是一种实用的故障诊断方法.