基于主成分分析和奇偶向量的动态检测方法

导航系统中冗余IMU传统故障检测方法由于数学模型过于复杂,计算量大,存在较大延时,难以实现实时故障检测,而主成分分析法仅仅应用于静态情况下的故障检测与隔离,针对主成分分析法无法在动态情况下对冗余IMU进行故障检测的缺点,提出了一种基于奇偶空间法改进主成分分析的故障检测算法,该方法利用奇偶向量隔离车辆的动态变量,以消除动态变量对故障检测的影响,再用PCA方法检测数据以实现对车辆传感器信息的实时检测,通过将原始数据集转置到特征平面来形成图案,实现了IMU传感器正常与故障模式的准确分离,提高了冗余IMU故障检测的结果精确性和可靠性。实验结果表明,该方法能够较好检测动态状态下冗余IMU的故障,提高了主成分分析的故障检测性能,可有效消除导航系统运动的负面影响。     

基于PCA的滚动轴承故障检测方法

针对滚动轴承故障检测数据处理的问题,由于机械轴承损坏引起机器的故障,为保障安全,要进行检测.现提出了一种主元分析PCA与统计相结合的方法.首先介绍了基于PCA的滚动轴承故障检测方法的相关理论知识,利用PCA算法将滚动轴承振动信号数据建立模型,并将降维后获得的数据用统计方法即T2和SPE进行处理,从而检测出轴承故障.为了研究上述方法对不同情况下滚动轴承的故障检测效果,选取不同直径、不同采样频率、不同转速、不同负载四种情况下的故障进行实验.实验结果表明,方法能较好地分辨出轴承的正常和故障状态,可以较好地解决滚动轴承故障检测数据处理的问题.     

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.     

基于稀疏动态主元分析的故障检测方法

本文将动态主元分析(Dynamic Principal Component Analysis, DPCA)和稀疏主元分析(Sparse Principal Component Analysis, SPCA)两种方法结合起来,提出一种新的稀疏动态主元分析方法,并将其用于工业过程的故障检测。所提出的稀疏动态主元分析方法通过对过程数据的动态增广矩阵进行稀疏主元的求解,获取稀疏的负荷向量,该方法既考虑到了过程数据的动态特性,又降低了过程数据的冗余度,同时降低了计算负荷,非常适合工业过程的实时故障检测。此外,本文还提出了一种前向选择算法,用于确定稀疏主元中的非零负荷数目。最后,将所提出方法应用于数值例子和田纳西-伊斯曼过程,并将与主元分析、动态主元分析和稀疏主元分析等三种方法相比较,表明所提方法可以获得更好的故障检测效果。     

基于加权核独立成分分析的故障检测方法

针对核独立成分分析故障检测时忽略各独立成分分量对系统故障贡献度的差异, 提出一种基于加权核独立成分分析的故障检测方法. 使用核独立成分分析提取过程变量的独立成分, 根据核密度估计衡量各独立成分分量对系统故障的贡献度, 对各独立成分分量赋予不同权重, 突出包含有用信息的独立成分分量, 引入局部离群因子在特征空间构造统计量进行故障检测. 基于数值仿真和Tennessee Eastman 数据集的仿真结果表明了所提出方法的优越性.

     

互联系统的分散式故障检测与状态反馈控制

由于互联系统内部各模块之间相互联系,因此系统各模块发生故障后容易传播故障。针对非线性互联闭环系统,提出了一种分散式故障检测与状态反馈控制方案。与传统的子系统通信协议相比,假定当只有两个子系统的实际状态与期望状态的误差都超过设定阈值时才发生通信;否则,互联函数采用具有互联关系的子系统的期望状态,有效地隔离了故障的传播。当系统检测到故障后,对子系统的状态进行线性变换,得到分散式状态反馈控制率。将该控制率作用于系统时,系统的状态能够收敛到原点附近的邻域内。最后,通过仿真程序对所提方案进行了验证。     

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。     

基于MRMR的文本分类特征选择方法

特征选择是文本分类技术中重要的处理步骤,特征词选择的优劣直接关系到后续文本分类结果的准确率。使用传统特征选择方法如互信息(MI)、信息增益(IG)、χ²统计量(CHI)等提取的特征词仍存在冗余。针对这一问题,通过结合词频-逆文档率(TF_IDF)和最大相关最小冗余标准(MRMR),提出了一种基于MRMR的特征词二次选取方法TFIDF_MRMR。实验结果表明,该方法可以较好地减少特征词之间的冗余,提高文本分类的准确率。     

基于加权中值的分布式传感器网络故障检测

无线传感器网络中的错误测量数据会导致网络服务质量下降和能量浪费.提出了一种通过融合邻居节点的测量数据来实现故障检测的策略.主要做了以下3项工作:(1) 提出了一种新颖的对邻居节点测量数据进行加权的方法;(2) 提出了一种衡量测量数据之间差距的方法;(3) 提出了基于加权中值的故障诊断策略WMFDS(weighted median fault detection scheme),它同时适用于二进制决策和实数测量值.理论分析及仿真结果表明,即使节点发生故障的概率很高,提出的诊断策略也能得到很高的检测精度和较小的误判率,这表明在无线传感器网络故障检测中应用该方法具有很好的性能.     

LPMVP算法及其在故障检测中的应用

针对数据信息的特征提取和降维问题, 提出一种局部保持最大方差投影 (Locality preserving maximum varianceprojections, LPMVP) 新算法. 该算法综合考虑了主元分析(Principalcomponent analysis, PCA)和局部保持投影(Locality preservingprojections, LPP)算法的优点和不足, 提出了新的优化目标, 使投影得到的低维空间不仅和原始变量空间有相似的局部近邻结构, 而且有相似的整体结构, 因而可以包含更多的特征信息. 在此基础上, 本文使用LPMVP算法把原始变量空间划分为特征空间和残差空间, 分别构造了T2和SPE统计量对过程进行监测, 建立了一种新的故障检测方法. 通过数值例子以及TE过程的仿真研究, 表明了LPMVP算法可以有效地提取数据信息, 同时也体现了较强的故障检测能力.     

基于混合动态主元分析的故障检测方法

针对基于动态主元分析的故障检测方法存在的主元个数较多以及计算效率低等问题,本文提出基于混合动态主元分析(Hybrid Dynamic Principal Component Analysis,HDP-CA)的复杂过程故障检测方法。该方法采用分步策略消除数据之间的自相关和互相关性,提高了故障检测的精度和效率。对TE过程典型故障和热连轧过程中断带故障检测结果表明:HDPCA方法提取的主元个数少于DPCA方法提取的主元个数。并且,基于HDPCA的T2和SPE统计量的检测性能和检测精度都由于基于DPCA的统计量。因此,本文提出的方法可以准确有效地检测出故障。     

基于PCA多变量统计的故障检测与诊断

主元分析(PCA)是一种能够对过程生产进行监测和质量控制的有效方法,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。为了更好地进行故障检测与诊断,介绍了基于PCA多变量统计的故障检测与诊断,给出了广泛应用在多变量统计过程上的T2和Q(或SPE)统计量。利用PCA分析建模可以消除变量间的非线性关联,降低噪声影响。用田纳西-伊斯曼过程TEP(Tennessee-Eastman Process)平台产生仿真数据,并利用Matlab软件建立故障检测与诊断模型。通过T2和Q(或SPE)统计量与其阈值的判断,进行对系统的故障检测与诊断。实验表明,基于PCA的故障诊断方法能够对过程的非正常变化做出反应,也能较正确地找出发生故障的原因以及相应环节。     

基于特征样本的KPCA在故障诊断中的应用

核函数主元分析（KPCA）可用于非线性过程监控.建立KPCA模型首先要计算核矩阵K,K的维数等于训练样本的数量,对于大样本集,计算K很困难.对此提出一种基于特征样本的KPCA（SKPCA）,其基本思想是,首先利用非线性映射函数将输入空间映射到特征子空间,然后在特征子空间中计算主元.将SKPCA应用于监控Tennessee Eastman过程,并与基于全体样本的KPCA作比较,仿真结果显示,二者诊断结果基本相同,然而特征样本只是训练样本中的一小部分,因此减少了K的维数,解决了K的计算问题.     

基于KPCA和CPSO的故障检测方法

提出一种基于核主元分析(KPCA)和混沌粒子优化群(CPSO)算法的非线性故障检测方法。通过核函数完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间来计算主元,构造平方预测误差统计量检测故障是否发生。为避免粒子群算法的早熟现象,利用混沌优化的搜索特性,将CPSO算法应用到KPCA核参数的优化中。变压器故障检测结果表明,与基于PCA、KPCA和 PSO-KPCA的故障检测方法相比,该方法的检测正确率较高。     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.