基于规范变量分析的动态多变量过程故障诊断

主元分析法(PCA)和部分最小二乘法(PLS)是目前应用较普遍的故障检测方法,但是这两种方法都不能解决变量中存在自相关的问题,而化工过程测量变量之间往往存在互相关和强自相关;规范变量分析(CVA)法能有效地解决上述问题,应用于过程故障检测的效果明显优于PCA和PLS;但目前的研究大都限于故障检测上,在此基础上进行故障诊断的研究很少,因此提出了结合CVA统计模型和SPE统计量,再利用贡献图的方法,实现对Tennessee-Eastman过程的故障诊断;仿真结果表明了所提出方法的有效性.     

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。     

基于规范变量分析的子空间辨识方法及应用

现代控制理论的研究如滤波、预测、控制等大多建立在系统的状态空间模型形式上,而传统辨识方法需要预先参数化,并且计算比较复杂。本文深入研究和推广一种基于规范变量分析（CVA）的子空间辨识方法,并引入一种新的Akaike信息判据来获得系统阶次,求解过程简单,结果精确。由于此法直接由数据确定系统状态,避免了预先参数化;在计算上,主要依赖于奇异值分解（SVD）,也不会遇到与传统方法有关的数值困难。仿真研究结果表明,引入新的系统阶次求解方法后能很精确的辨识出系统模型,具有十分广阔的应用前景。     

1种基于遗失数据重构的软测量方法

提出1种遗失数据重构思想下的软测量方法:先采用主元分析(PCA)离线建立所有变量(包括难测变量)的主元模型,实际应用时,将实时的难测变量看作遗失数据,通过遗失数据重构方法估计出难测变量,增加了软测量方法的灵活性.更进一步,在重构遗失数据时,使用马氏距离取代欧几里德距离作为指标,更准确地反映了过程变量之间的相关关系,由此...     

鲁棒核主元分析的数据重构

针对野值点噪声对样本均值和协方差估计带来的不利影响,在线性鲁棒M 位置估计方法的基础上,结 合了核原理来估计协方差,提出了一种新型的鲁棒KPCA 算法．将所提出的算法应用于数据重构仿真实验,仿真测 试结果表明当样本数据中存在野值点噪声时, 由所提出的鲁棒KPCA 算法实现样本数据重构时,要比KPCA 具有更 高的重构精度, 抗野值点噪声性能更强．     

鲁棒核主元分析的数据重构

针对野值点噪声对样本均值和协方差估计带来的不利影响,在线性鲁棒M位置估计方法的基础上,结合了核原理来估计协方差,提出了一种新型的鲁棒KPCA(核主元分析)算法.将所提出的算法应用于数据重构仿真实验,仿真测试结果表明当样本数据中存在野值点噪声时,由所提出的鲁棒KPCA算法实现样奉数据重构时,要比KPCA具有更高的重构精度,抗野值点噪声性能更强.     

基于核规范变量分析的非线性故障诊断方法

提出一种基于核规范变量分析（KCVA）的非线性过程故障诊断方法．该方法使用核函数完成非线性空间到高维线性空间的映射,避免了高维空间中的数据处理和非线性映射函数的使用．在线性空间中使用规范变量分析（CVA）来辨识状态空闻模型,从数据中提取状态信息．3个监测量（Tr^2,Ts^2,Q）用来进行故障检测,同时使用贡献图分离故障变量,并判断故障原因．在CSTR系统上的仿真结果表明,KCVA方法比主元分析法（PCA）和CVA方法能更灵敏地检测到故障的发生,更有效地监控过程变化．     

基于特征的三维变量设计模型及形体重构

本文提出了一个适用于微机的基于特征的三维变量设计模型及形体重构方法。通过引入特征及约束的概念使变量设计成为可能而特征树的应用克服了以往利用CSG树进行三维变量设计的不足。该方法保存的信息还能用于后序加工。     

一种基于DIOCVA的过程监控方法

传统基于典型变量分析的过程监控方法无法判断故障是否影响产 品质量.为此,本文提出一种基于动态输入输出典型变量分析(Dynamic input-output canonical variate analysis, DIOCVA)的过程监控方法.该方法利用典型变量分析提取数据之间的相关性,并进一步考虑方差信息和时序相关性, 将过程数据和质量数据映射到5个子空间:输入输出相关子空间,不相关输入主元子空间, 不相关输入残差子空间,不相关输出主元子空间和不相关输出残差 子空间.所提方法能够精细区分影响质量的过程故障和不影响质量的过程故障.以Tennessee Eastman过程为例对所提方法的有效性进行了验证.     

数据场典型相关分析及其在图像分割中的应用

针对数据场环境下多维数据的低维特征提取问题,本文将数据之间的相互作用纳入其相关性求解中,提出一种基于数据场的典型相关分析(Data field based canonical correlation analysis, DFCCA)方法. DFCCA提取的特征具有良好的分布特性,原空间上相隔较远的数据点对的特征聚集在一个较小区域内,而相邻数据点对的特征却有规律地分布在其他点所聚集区域的周围.此特性使得DFCCA具有较好的边界辨识能力,将其应用于图像分割的实验结果表明, DFCCA提取的复杂图像边界具有较好的保真度.     

基于CCA和数据引力场模型的社交媒体信息置信度评估方法

近年来,微博平台作为社交媒体载体之一,已经成为新闻信息传播的重要工具.然而,微博平台自身特性决定了其无法提供避免谣言或是虚假信息传递的有效机制.针对这一问题,建立一套完整的算法框架来判断微博的置信度.首先,从不同视角对微博数据提取特征,并将这些多视角的特征通过典型相关分析法（Canonical Correlation Analysis,以下简称CCA）映射到共同子空间中.接下来,从物理学的重力场理论中获得启发,设计一种新的判别学习算法-数据引力场模型（Data Gravitational Field,以下简称DGF）并从大量信息中判别出错误信息或虚假信息.实验表明,这种信息置信度自动检测方法能够达到较高的准确率和召回率.同时,相比较于其它学习算法,数据引力场模型也有更好的表现.     

Graph‐Based Wavelet Representation of Multi‐Variate Terrain Data

Terrain data can be processed from the double perspective of computer graphics and graph theory. We propose a hybrid method that uses geometrical and vertex attribute information to construct a weighted graph reflecting the variability of the vertex data. As a planar graph, a generic terrain data set is subjected to a geometry‐sensitive vertex partitioning procedure. Through the use of a combined, thin‐plate energy and multi‐dimensional quadric metric error, feature estimation heuristic, we construct ‘even’ and ‘odd’ node subsets. Using an invertible lifting scheme, adapted from generic weighted graphs, detail vectors are extracted and used to recover or filter the node information. The design of the prediction and update filters improves the root mean squared error of the signal over general graph‐based approaches. As a key property of this design, preserving the mean of the graph signal becomes essential for decreasing the error measure and conserving the salient shape features.     

小波去噪和数据融合及在线监测系统中的应用

准确测量电力设备的各种运行参数,是电力设备在线监测系统进行故障诊断的重要前提,为了从被噪声干扰的各个传感器测量中获得更准确的测量结果,文中提出了一种基于小波去噪和数据融合的多传感器数据重建算法,数据重建的结果更精确地描述原信号,且算法具有计算量少、速度快等特点,并首次将红外测温仪应用于测量变压器绕组的温度在线监测系统中,现场数据的处理验证了该算法的正确性。     

基于广义均值的鲁棒典型相关分析算法

典型相关分析(canonical correlation analysis,CCA)是一种寻求同一对象的两组变量之间最大相关性的多元统计方法,其基于L2范数的最小均方误差(mean square error,MSE)的准则函数对于野值点非鲁棒。广义均值不仅在理论上被证明是鲁棒的,而且在聚类和对象识别等应用中获得了有效性验证。将广义均值应用于CCA,提出了一种基于广义均值的鲁棒CCA(CCA based on generalized mean,GMCCA),成功克服了CCA对野值点敏感的不足。一方面,通过抑制野值点对准则函数的影响,达到鲁棒的效果。另一方面,GMCCA避免了高维小样本导致协方差矩阵奇异的问题。在多特征手写体数据库(multiple feature database MFD)、人脸数据库(ORL)和对象图像数据库(COIL-20)上的实验结果验证了该算法的有效性。     

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。