基于小波包PCA的故障传感器数据重构方法

讨论了基于小波包的多尺度主元分析方法应用于故障传感器数据重构问题。传统的基于小波包的多尺度主元分析在进行传感器故障诊断时没有建立数据重构模型,在相关传感器信号进行小波包分解的基础上,在最佳数的所有节点上建立主元分析模型,将主元分析模型的重构结果组合后再进行小波逆变换,从而实现故障传感器的数据重构。最后,利用试车台液氢供应系统的传感器数据仿真了几种典型传感器故障,并对设计模型实现数据重构的实用性和有效性进行了验证。     

基于MSPCA的传感器故障诊断与数据重构

讨论了基于多尺度主元分析的故障传感器数据重构问题。传统的多尺度主元分析方法没有建立故障传感器数据重构模型,在相关传感器信号的所有尺度上建立主元分析模型进行传感器故障诊断的基础上,将主元分析模型的重构结果组合后进行小波逆变换,设计了能够实现故障传感器数据重构的多尺度主元分析模型,从而实现故障传感器的数据重构。最后,利用试车台液氢供应系统的传感器数据仿真了几种典型传感器故障,并对设计模型实现数据重构的实用性和有效性进行了验证。     

基于KPCA的监控系统传感器异常诊断方法

针对监控系统数据异常时,故障检测准确性不高的问题,提出一种基于监控系统传感器异常的核主元分析(KPCA)检测方法.利用平方预报误差(SPE)统计量和均方贡献值法进行故障检测和故障源的定位,改善了主元分析(PCA)应用于非线性系统故障检测准确性低的问题.分别利用基于KPCA和PCA的故障检测模型进行仿真比较.实验结果表明:KPCA提高了非线性监控系统传感器异常诊断的准确性.     

基于主元空间统计的传感器故障诊断与重构

针对主元分析故障诊断方法中所采用SPE统计量的局限性,通过分析主元模型的整体框架,提出一种通过T2统计量来研究传感器数据超限的故障检测与重构,确定故障大小与类型,采用迭代法恢复传感器示值的方法。仿真结果表明,该方法对传感器进行故障检测与重构后,其故障幅值完全处于精度范围内,且低于所要求的控制限。     

基于SKPCA的卫星整流罩空调系统传感器故障检测研究

针对卫星整流罩空调系统对传感器故障检测的高可靠性的要求,在分析常见故障模式的基础上,采用了基于统计量核主元分析（ SKPCA）的故障检测方法,建立整流罩空调系统传感器故障检测模型,对整流罩空调系统传感器容易出现的偏置故障进行了验证实验。实验结果验证了SKPCA方法在整流罩空调系统传感器故障检测中的正确性和有效性。     

利用主元方法进行传感器故障检测的行为分析

主元分析方法(PCA)是基于多元统计分析的过程监测和故障诊断手段。在假设过程只存在传感器故障的情况下，系统地分析了PCA方法在传感器典型故障下的检测行为。首先导出了Hoteuing T^2和Q两个检测统计量在传感器不同故障下的变化关系和规律，然后从理论上给出了每个传感器故障的可检测性条件。最后通过火电厂锅炉过程中传感器故障检测实例验证了所得到的结论。     

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。     

一种基于数据重构的KPCA故障识别方法

针对核主元分析(KPCA)方法只能实现故障检测,但无法实现故障变量识别的问题,提出一种基于数据重构的KPCA故障变量识别方法。采用改进的数据重构方法对各参数进行重构,然后利用故障识别指数对监控参数进行故障变量识别。通过对某型涡扇发动机进行实验的结果表明,该方法能够准确识别故障变量,从而有助于维护人员分析故障原因,初步确定可能的故障源,大大缩短故障定位及排故的时间,可预防重大事故的发生。     

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.     

基于动态主元分析法的传感器故障检测

提出了一种基于动态主元分析的传感器故障检测方法.利用数据矩阵前t时刻和当前时刻的数据,建立多变量多时刻的自回归统计模型.计算主元数据矩阵,建立动态主元模型.以测量速度最慢的传感器的测量周期为统一采样周期,4个连续采样周期为一个诊断周期,建立动态三维测量矩阵,采用残差的平方预报误差的指数加权移动平均(Squared prediction error-Exponentially weighted moving average,SPE-EWMA)模型检测传感器故障.在只存在传感器故障的前提下,模拟发动机开车过程中几种典型的渐变性故障和突变性故障,实验结果表明,算法实时跟踪了各种检测指标的变化,准确检测出故障传感器.     

基于流形学习的局部保持PCA算法在故障检测中的应用

提出一种新的基于流形学习的数据降维及特征提取方法:局部保持 PCA 算法(LPPCA).通过在 PCA 的优化目标中融入流形学习的思想,不仅使投影得到的低维空间和原始样本空间具有相似的全局结构,并且保持了相似的局部近邻结构,克服了传统 PCA 方法只关注全局结构特征而忽略局部流形特征的缺陷,同时给出了 LPPCA 在故障检测中的应用方法. S-Curve 和 Swiss-roll 曲面数值仿真和 TE 过程仿真验证了算法的有效性和优越性.     

基于概率密度PCA的多模态过程故障检测

为了提高故障检测和分类能力,提出基于概率密度PCA的多模态过程故障检测算法。对各模态的训练数据建立PCA模型,计算各个模型的控制限和匹配系数。根据匹配系数计算各模态统一的控制限。对新来的数据,运用概率密度确定其模态。新来数据向对应模态的模型上投影并计算统一的统计量,比较统计量与控制限进行多模态过程故障检测。把该方法应用到数值例子和半导体过程中,仿真结果表明,该算法在分类及多模态过程故障检测方面具有很高的准确性。     

多元指数加权移动平均主元分析的微小故障检测

主元分析(principal component analysis,PCA)是一种有效的数据分析方法,在故障诊断与状态监测方面已得到广泛应用.多元指数加权移动平均–主元分析(multivariate exponentially weighted moving average principal component analysis,MEWMA–PCA)方法用于解决PCA不能有效检出微小故障的问题.本文深入研究了MEWMA–PCA中EWMA影响主元分析进行故障检测的机制,导出了MEWMA–PCA可检出微小故障的原因.本文确定了MEWMA–PCA中遗忘因子λ、单传感器故障幅值和迟延时间三者的关系,并进行了数值仿真和火电厂磨煤机组运行状态的仿真实验.实验结果验证了MEWMA–PCA中EWMA提高PCA的监测性能的机制,并给出了根据系统实际要求来选取合适的遗忘因子值,从而在规定的时间内检出微小故障的实例.     

基于声表面波传感器阵列的气体鉴别算法研究

声表面波(SAW)传感器阵列具有体积小、功耗低、反应灵敏等优点,在食品检测、环境治理、气体鉴别等领域有广泛的应用前景。结合声表面波传感器阵列的原理及特点,建立和优化了声表面波传感器阵列的数学模型,并对数据进行预处理、主成分分析（PCA）以及BP神经网络分析处理,实现了对气体的鉴别分类,取得了好的实验结果。     

时段划分的多向主元分析间歇过程监测及故障变量追溯

针对间歇过程的多时段特性,提出一种生产过程操作时段划分方法.该方法利用反映过程特性变化的负载矩阵以及主成份矩阵的变化实现了间歇过程子时段的两步划分.提出了基于加权负载向量夹角余弦的负载矩阵相似性度量以及基于加权奇异值变化的奇异值矩阵相似性度量方法,以更客观的反映负载矩阵以及奇异值矩阵的相似性,进而更准确的判断过程特性的变化.根据同一操作子时段的过程特性,其负载矩阵和奇异值矩阵相似性较大的特点,实现了生产过程的子时段划分.将基于子时段划分的多向主元分析(MPCA)建模应用于三水箱系统的在线监测和故障变量追溯,实验结果验证了该方法的有效性.     

基于Adaboost和PCA的嵌入式人脸识别方法

针对传统的Adaboost算法和主成分分析(PCA)算法用于人脸识别时在环境与姿态等非约束性条件下识别率大大降低以及要求训练样本符合高斯分布的缺陷,提出了一种融合Adaboost和PCA的与或关联决策方法.一方面,在需要安防模式时开启或决策,拒绝近似全部负样本的请求,最大限度保证识别的正确率;另一方面,在需要访客模式时开启与决策,以减少正样本的丢失.在Samsung 2440嵌入式Linux平台上采用该方法进行人脸检测时,基于2种决策方法,分别满足各自阈值.实验结果表明:该方法在嵌入式平台运行稳定,适合推广于智能家居控制与楼宇自动化控制.     

Sensor fault detection, isolation and reconstruction using nonlinear principal component analysis

State reconstruction approach is very useful for sensor fault isolation, reconstruction of faulty measurement and the determination of the number of components retained in the principal components analysis (PCA) model. An extension of this approach based on a Nonlinear PCA (NLPCA) model is described in this paper. The NLPCA model is obtained using five layer neural network. A simulation example is given to show the performances of the proposed approach.