改进PCA在发酵过程监测与故障诊断中的应用

提出一种改进的主元分析(PCA)法．利用主元相关变量残差统计量代替平方预测误差Q统计量,并采用累积方差贡献率及复相关系数确定PCA模型的主元数．将改进的主元分析法应用于粘菌素发酵过程监测和故障诊断中,仿真结果表明改进的PCA方法避免了Q统计量的保守性,并保证了主元子空间中的信忠存量．与一种基于特征子空间的系统性能监控方法相比较,改进的PCA方法具有更强的有效性．     

基于主元子空间故障重构技术的故障诊断研究

针对基于主元分析(PCA)的统计性能监控法,由于不用过程机理模型的信息,因此,对故障诊断问题有难以在理论上作系统分析的缺陷,于是提出了一种基于主元子空间故障重构技术的故障诊断方法。利用故障子空间的概念,在故障重构技术的基础上,研究基于T~2统计量的故障诊断问题,提出故障识别指标和诊断算法。通过对双效蒸发过程的仿真监测,验证该诊断方法的有效性。     

时滞多变量系统PCA优化建模

主元分析（PCA）在工业生产过程的产品质量控制与故障诊断等方面已得到广泛应用,然而当过程的变量间存在着未知时滞性时,必须确定数据间的对应关系,否则PCA模型将会不准．基于此,提出了PCA优化建模方法．该方法以过程变量间的时滞常数为优化变量,在分析PCA模型特点基础上,确定主成分个数和SPE统计量为综合目标函数,并建立模型约束条件,采用遗传算法求解．最后给出了仿真实例,证明了所提出方法的有效性．     

主元空间中故障重构的故障识别（英文）

基于主元分析(Principal Component Analysis,PCA)统计过程监控方法,由于其不需要数学模型,因此目前在过程监控领域获得了广泛应用,但这也限制了其在故障诊断方面的能力。针对此问题,本文从故障子空间与PCA监控模型的角度,利用故障重构技术,对基于PCA的T~2统计量进行重构,获得了主元子空间中T~2统计量的故障可重构性理论条件,提出了具体的故障识别指标和诊断算法,解决了基于主元子空间故障重构技术的故障诊断问题,弥补了Dunia等人的方法只在残差子空间中讨论故障重构与识别问题。通过对双效蒸发过程的仿真监控,表明了所获得的理论条件、故障识别指标和诊断算法能对传感器故障和过程故障进行有效地识别,证实了所获理论、识别指标和诊断算法的有效性。     

基于DPCA方法的传感器故障检测与诊断

针对多传感器的相关时序测量数据,在假设只存在传感器故障的前提下,提出了一种基于动态主成分分析（DPCA）的传感器故障检测方法。根据测量数据建立传感器的DPCA模型,在该模型基础上利用T2和SPE统计量进行传感器的故障检测。同时,将基于主成分分析（PCA）模型的传感器有效度指标SVI推广应用于DPCA模型中。通过对污水处理系统中重要传感器的故障诊断仿真实验表明：该方法能有效地检测和识别出故障传感器。     

基于故障检测率的主元个数确定方法

主元个数是PCA模型的关键参数,其选取直接决定PCA的故障诊断性能;针对传统主元个数选取方法主观性较大,且不考虑故障诊断要求的缺点,提出一种改进的主元个数确定方法;该方法将传统的累积方差贡献率与故障检测率相结合,首先利用累积方差贡献率初步确定主元个数,然后确定满足故障检测率要求的主元个数,将两个主元个数进行比较,从而获得最佳主元个数;与单纯累积方差贡献率方法相比,提高了主元模型的精度,减少了以往方法中人为因素的影响;通过对卫星控制系统的故障检测,证实了该方法可大大提高故障检测准确率。     

PCA在克服变量多重相关性中的局限作用

针对主成分分析（PCA）在非线性特征的观测变量中应用的局限作用，对PCA进行了理论研究。基于欧氏空间和统计方法，讨论了PCA的数学本质，以变量高度多重相关为例，分析了非线性系统结构，提出并证明了PCA在克服变量多重相关性和多指标系统评估中存在局限性的必然原因。针对一些具体的非线性问题，提出了若干改进的PCA方法，以及消除其局限性的方法和建议。     

面向污水处理过程因子分析故障诊断方法的研究

污水生化处理过程是一个典型的多变量、非线性、具有强外部干扰的复杂工业过程,基于主元分析(PCA)的方法在污水处理过程的故障诊断中已经得到了广泛的应用和发展.但是,主元分析存在着噪声和不确定信息描述能力不足的问题.针对污水过程的特点提出了因子分析(FA)故障诊断方法,同时拓展了因子分析监控指标以及解决了故障辨识贡献图的控制问题,为污水处理过程的有效监控提供了可行性.所提出方法在国际水协会BSM1模型上得到了有效的验证,与PCA的对比研究表明FA提供了更低的故障误报警率和更完整的不确定信息描述能力.     

基于故障重构的故障识别

针对基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测法,尽管不依赖于精确的数学模型,然而却限制了其在故障诊断方面的能力问题,在故障重构技术的基础上,研究了基于统计量的故障诊断问题,获得了主元子空间中故障可重构性的理论条件,提出了故障识别指标和诊断算法.通过对双效蒸发过程...     

基于特征的弹性图匹配人脸识别算法改进

针对传统人脸识别弹性图匹配算法空间复杂度高、实时性较差的问题,提出一种弹性图匹配改进算法,将人脸图片特征点经Gabor小波预处理后,结合主成分分析(PCA)和Fisher线性判别方法(FLD)对生成的特征矢量进行处理,降低维数,减少计算量,同时在不降低识别率的前提下,提高识别速度。与传统的PCA算法、FLD算法、EGM算法进行仿真比较,证明该改进算法识别率高、实时性好。     

主元分析在变压器故障检测与识别中的应用

针对IEC三比值法进行变压器故障诊断存在缺编码、编码边界模糊和诊断率偏低的问题,提出了采用主元分析和重构贡献图的故障诊断方法。在建立的PCA(Principal Component Analysis)统计过程模型上,构建SPE、T2统计量和重构贡献指标对变压器故障进行检测,并分析了贡献图法和重构贡献法的故障诊断性能。仿真结果表明基于主元分析和重构贡献图的故障诊断方法对数据更敏感,能够有效弥补IEC三比值法的不足,提高故障诊断正确率。     

核参数判别选择方法在核主元分析中的应用

针对核主元分析(KPCA)中高斯核参数β的经验选取问题,提出了核主元分析的核参数判别选择方法。依据训练样本的类标签计算类内、类间核窗宽,在以上核窗宽中经判别选择方法确定核参数。根据判别选择核参数所确定的核矩阵,能够准确描述训练空间的结构特征。用主成分分析(PCA)对特征空间进行分解,提取主成分以实现降维和特征提取。判别核窗宽方法在分类密集区域选择较小窗宽,在分类稀疏区域选择较大窗宽。将判别核主成分分析(Dis-KPCA)应用到数据模拟实例和田纳西过程(TEP),通过与KPCA、PCA方法比较,实验结果表明,Dis-KPCA方法有效地对样本数据降维且将三个类别数据100%分开,因此,所提方法的降维精度更高。     

基于PCA的火电厂电气设备故障诊断方法

电气设备故障诊断中对样本数据要求较高,且易出现特征提取难、诊断精准度低等问题,因此,提出基于PCA的火电厂电气设备故障诊断方法。通过PCA分析得出数据间相关性,经过标准化计算确定主元数量,利用最优重构法构建主元模型,基于PCA处理设备输出相应的采样信号,提取故障特征主要成分,采用BP神经网络与遗传算法相结合,优化原网络中参数结构,获取出最优取值网络结构、初始权值、阈值以及学习速率,构建出具有最佳结构和参数的神经网络实现故障诊断。仿真实验结果表明,所提方法可通过最优网络结构减少整体计算步骤,测得实验数据与真实值相差较小,具有较高有效性。     

基于粒子群优化的支持向量机人脸识别

针对传统主成分分析(PCA)算法提取人脸特征时效率低下的问题,对其求解样本协方差矩阵的特征值和特征向量的过程进行改进,提出一种基于快速PCA降维算法的人脸识别方法。使用交叉验证方法,将支持向量机(SVM)模型训练时的识别准确率作为粒子群的适应度值,利用粒子群优化算法对SVM惩罚参数和核函数参数进行全局寻优,得到参数的全局最优解,用于训练最终的分类器模型进行人脸识别。通过对ORL和Yale数据库中的人脸图像进行实验,结果表明,与传统PCA算法结合SVM模型的识别方法相比,该方法对于人脸图像具有更高的特征提取效率及识别准确率。     

基于混合PCA模型的多工况过程监控方法

传统的多变量统计过程监控方法一般都假设过程只运行在一个稳定工况下,但很多实际工业过程往往具有多工况特征.针对这一问题,提出一种基于混合PCA模型的多工况过程监控方法.将混合高斯模型和PCA相结合,用改进的EM算法估计模型的工况数以及各工况的分布参数和主元数,并构建归一化的统计量实现对多工况过程的监控.TE过程的仿真研究表明,所提出的方法相对传统PCA方法能更精确地估计各工况的统计特性,从而更准确及时地检测出多工况过程的各种故障.     

基于PCA和ELM的模拟电路故障诊断

针对模拟电路的故障诊断和健康管理（PHM）的应用,提出了结合主成分分析（PCA）和极限学习机（ELM）的故障诊断方法。该方法用Sallen-Key带通滤波器来获取故障样本,并通过PCA进行故障特征提取。根据故障样本对ELM进行训练来获得故障诊断模型。实验结果表明,该实现方法识别率高、鲁棒性好,在工程实际中具有研究和应用价值。     

基于降维映射分析及贝叶斯分类器的故障诊断方法及其在仪表中的应用

提出了一种基于贝叶斯分类器及基于主成分分析(Principal Component Analysis, PCA)相结合的仪表故障诊断技术? 该技术采用马氏距离研究表征仪表故障的关键复合参数,采用PCA研究复合参数与实际参数映射关系,从而建立从仪表故障－关键影响因素之间的对应关系,为仪表的故障诊断与故障溯源提供依据.利用某超声波流量计故障诊断数据库,对上述方法的故障诊断效果进行了验证,结果显示两型超声波流量计进行的故障智能诊断的故障正确识别率分别达到99.6%和96.5%。还对影响超声波流量计相关故障的关键影响因素进行了分析。     

基于核主成分分析的环境质量综合评价模型

环境质量评价是一个多指标决策过程,考虑到评价指标众多关系复杂,该文运用降维效果显著、能有效解决非线性问题的核主成分分析(KPCA)方法对主成分分析(PCA)综合评价进行改进,建立环境质量综合评价模型。实证研究结果表明该模型能够较客观地反映不同地区的环境状况。     

无人机PCA故障检测与诊断技术研究

无人机（UAV）飞控系统传感器故障检测和诊断常采用基于解析模型的方法,但飞行控制系统（FCS）的精确数学模型往往获取困难。针对此问题,提出了一种UAV-PCA算法。该算法在传统主成分分析（PCA）方法的基础上结合方差敏感自适应阈值的故障检测方法和基于特征方向的故障诊断方法,实现UAV飞控系统传感器的故障检测和诊断。算法不需要系统的数学模型,解决了应用传统PCA方法进行FCS故障检测与诊断时易出现暂态过程虚警和误诊断的问题。仿真结果证明该算法可以快速准确地检测传感器故障,而且可以有效地降低暂态过程虚警和提高诊断结果准确度。     

基于PCA和PNN的发动机故障诊断研究

本文提出了一种基于主成分分析（PCA）和概率神经网络（PNN）的故障诊断方法。该方法首先利用PCA分析建模消除变量之间的非线性关联,降低噪声的影响,在保证数据信息丢失最少的情况下,大大降低了原始数据空间的维数,然后利用概率神经网络对降维后的数据进行模式分类,最后结合某汽车发动机的故障诊断进行仿真研究。仿真结果表明,该方法是有效可行的。