考虑个体差异效应的高拱坝测点群变形监控

针对水压-温变-时效（hydraulic-seasonal-time，简称HST）模型监控高拱坝变形的不足，以变形规律相似的测点群为对象，搭建一种新的监控模式。首先，依据面板数据格式，建立水压、温变和时效面板模型；其次，引入固定效应（fixed effect，简称FE）和随机效应（random effect，简称RE）表征个体差异效应，据此构建HST-FE/RE面板模型；然后，通过建立置信椭球，借助典型小概率原理，提出测点群变形监控准则；最后，结合某实际工程，检验方法的可行性和有效性。结果显示：HST-FE/RE复相关系数及剩余标准差分别为99.875%和0.016 34，拟合性能比HST更优；HST-FE/RE变形预测相对误差波动平稳，最大值为3.28%，精度高于HST；置信椭球准则对典型小概率变形的辨识比置信区间准则严格。相较于常规方法，本方法性能提升较大，更适用于高拱坝变形监控。     

改进PCA算法及其在转子特征提取中的应用

针对传统主成分分析(principal component analysis, 简称PCA)方法中有效主成分的选择依赖于先验知识的缺点,提出利用协方差矩阵特征值差分谱的概念来描述有效主成分与次要成分的特征值差异性。首先,通过理论推导得出奇异值与特征值之间关系,即奇异值与特征值之间存在平方关系;其次,利用差分谱理论进一步研究了Hankel矩阵方式下PCA信号处理原理;最后,提出一种基于差分谱理论的PCA算法,通过仿真信号验证该算法的有效性。研究结果表明,根据协方差矩阵特征值差分谱的最大峰值位置可自动选择有效主成分的个数,且通过不同谱峰之间的分量信号的组合可以提取出不同的频率成分。将此PCA算法用于大型滑动轴承试验台转子的轴心轨迹提纯,提纯效果优于传统PCA算法。     

改进PCA算法及其在转子特征提取中的应用

针对传统主成分分析(principal component analysis,简称PCA)方法中有效主成分的选择依赖于先验知识的缺点,提出利用协方差矩阵特征值差分谱的概念来描述有效主成分与次要成分的特征值差异性。首先,通过理论推导得出奇异值与特征值之间关系,即奇异值与特征值之间存在平方关系;其次,利用差分谱理论进一步研究了Hankel矩阵方式下PCA信号处理原理;最后,提出一种基于差分谱理论的PCA算法,通过仿真信号验证了该算法的有效性。研究结果表明,根据协方差矩阵特征值差分谱的最大峰值位置可自动选择有效主成分的个数,且通过不同谱峰之间的分量信号的组合可以提取出不同的频率成分。将此PCA算法用于大型滑动轴承试验台转子的轴心轨迹提纯,提纯效果优于传统PCA算法。     

基于Kernel‑MCCA特征融合的齿轮故障诊断方法

针对转速波动工况下齿轮故障难以辨识的问题,提出了一种基于核函数的多重集典型相关分析方法（kernel?multiset canonical correlation analysis,简称Kernel?MCCA）,实现基于多传感信息的特征层融合,并将其应用到转速波动工况下的齿轮断齿、点蚀、磨损以及剥落故障的辨识。首先,将多传感器采集的振动信号进行小波包分解,计算能量特征矩阵;其次,利用多重集典型相关分析进行特征层融合,构建的融合特征输入到K近邻（K?nearest neighbor,简称KNN）分类器中并输出诊断结果;最后,利用齿轮振动实验台进行实验研究。结果表明,笔者所提的特征融合方法比单传感器方法识别准确率提高了5%左右,比传统的多重典型相关分析特征融合方法识别准确率提高了2%左右,可有效解决转速波动下齿轮故障状态辨识问题。     

基于QPSO⁃HMM的滚动轴承故障程度辨识

综合量子粒子群优化算法（quantum particle swarm optimization,简称QPSO）的全局搜索能力与隐马尔科夫模型（hidden Markov model,简称HMM）良好的时间序列分类能力,提出一种基于QPSO?HMM的滚动轴承故障程度辨识方法,并利用实测振动信号对该方法的性能进行验证。首先,采用变分模态分解对实测振动信号进行分解,并用奇异值分解进行信号特征提取;其次,利用QPSO算法和样本信号对HMM进行训练;最后,将测试信号输入训练得到的HMM中进行滚动轴承故障程度辨识。结果表明,该算法解决了HMM的参数估计局部最优化问题,对滚动轴承不同故障程度的辨识准确率较高。     

基于FPCA的机器人运动灵活性增强综合评价

面向机器人的多种单一运动灵活性指标,基于主成分分析(principal component analysis,PCA)方法对其综合运动灵活性进行分析和评价,评价结果受奇异位形处指标极端值的影响。进而将模糊集引入PCA,使用模糊主成分分析(fuzzy principal component analysis,FPCA)方法进行机器人灵活性综合评价。通过调节模糊隶属函数,吸收奇异位形及其附近的极端值,突出主要信息,提高分析结果的准确性和可信度,提高机器人灵活性的综合评价的效果,从而提出一种基于多种性能指标的含奇异位形的机器人任务优选的新方法。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

基于动态PCA与改进SVM的航空发动机故障诊断

为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机（support vector machine,简称SVM）在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。     

基于过程辨识的大客车操纵稳定性模型估计

以试验数据为依据,通过过程辨识对大客车操纵稳定性模型进行了估计.在辨识中大客车模型采用带外加输入的自回归滑动平均模型描述,根据修正的最终预报误差准则估计模型阶次,利用Matlab/System Identification环境综合多种因素最终确定了模型.通过使用自相关函数检验法进行检验,结果表明模型合理,方法可行.     

多PCA模型及SVM-DS融合决策的服务机器人故障诊断

针对轮式服务机器人驱动系统故障诊断问题,提出一种基于多主成分分析(principal component analysis,简称PCA)模型及支持向量机和DS证据理论(support vector machine and dempster-shafer,简称SVM-DS)融合决策的故障诊断方法,分别利用正常状态和故障状态下的传感器数据建立多个PCA模型。利用正常状态下的PCA模型实现故障的检测。传感器数据经多PCA模型特征提取后作为SVM的输入向量,实现故障的初步分离。基于混淆矩阵定义SVM的全局及局部可信度,并依据可信度值和故障初步分离结果完成基本概率分配函数的赋值,以实现SVM和DS证据理论在故障分离中的有效结合。实验结果表明,本研究方法能灵敏检测到机器人驱动系统故障的发生,故障分离平均正确率达92.6%,与传统单PCA模型的方法相比有更高的正确率和稳定性。     

基于流形学习的滚动轴承故障盲源分离方法

滚动轴承的故障信号是一种典型的非线性非平稳信号,其信号中常常混有噪声信号及其他干扰成分。提出了一种基于流形学习的滚动轴承故障盲源分离方法,首先,利用经验模态分解(empirical mode decomposition,简称EMD)对单通道模拟信号进行分解,对得到的多通道信号构造其协方差矩阵,计算矩阵的奇异值下降速比得到原始信号数目;其次,利用峭度等指标选择最优观测信号,利用核主成分分析(kernel principal components analysis,简称KPCA)提取信号的流形成分;最后,利用快速独立成分分析(fast independent component analysis,简称Fast ICA)还原得到源信号。该方法不但解决了故障信号的欠定盲源分离问题,还提出了最优观测信号的确定准则,并通过实例验证了方法的有效性。     

基于EWT-FastICA的斜拉桥监测挠度温度效应分离

考虑桥梁挠度中的温度效应和长期挠度成分将会一定程度影响到桥梁的安全评估,提出基于经验小波变换（empirical wavelet transform,简称EWT）结合快速独立分量分析（fast independt component analysis,简称FastICA）方法对温度效应和长期挠度进行分离。首先,利用经验小波变换分离出日温差效应;其次,考虑年温差效应与长期挠度频率相近难以分离,因此运用经验小波变换自定间隔把傅里叶频谱上年温差和长期挠度部分划分成多个区间,并在每个区间内构造相应的小波滤波器,将单通道的挠度信号转化成无虚假模态的一系列本征模态函数（intrinsic mode function,简称IMF）;然后,把多通道的IMF矩阵运用主成分分析（principal component analysis,简称PCA）降维;最后,将降维后的信号采用FastICA处理,实现桥梁挠度年温差和长期挠度的分离。数值仿真结果以及桥梁实测数据研究结果均表明：该方法能有效地分离挠度监测信号中的温度效应和长期挠度,且分离效率高。     

基于ICA与深度学习的发动机气路系统状态监测

为提升航空发动机气路系统状态监测的有效性,提出一种采用深度学习并结合独立分量分析（independent component analysis,简称ICA）的新方法,对航空发动机气路系统的健康状态进行了监测技术研究。首先,对实际采集的航空发动机气路系统健康监测参数进行预处理,对预处理后的参数数据采用独立分量分析方法进行处理,提取代表当前状态的特征系数矩阵;其次,由提取的特征矩阵创建深度学习状态监测模型;最后,由创建的状态监测模型对航空发动机气路系统健康状态进行监测。为验证所提方法的有效性,采用典型神经网络与支持向量机分别对由主成分分析（principal components analysis,简称PCA)和ICA构建的特征矩阵进行了状态监测研究。结果表明,采用ICA和深度学习相结合的状态监测方法,可以更好地实现对航空发动机气路系统的状态监测,有良好的应用与推广前景。     

基于流形-奇异值熵的滚动轴承故障特征提取

提出一种基于流形-奇异值熵的滚动轴承时频故障特征提取方法。首先,在HHT(Hilbert-Huang transform,简称HHT)时频分析基础上,应用二维流形方法提取信号流行成分以达到对轴承故障特征进行降维和提取敏感参量的目的;然后,定义了奇异值熵来定量衡量不同故障状态下流行成分的差异;最后,将流形奇异值向量与概率神经网络相结合,有效实现了轴承故障样本分类。与一般的考虑欧式空间全局范围最优值的主分量(principal component analysis,简称PCA)方法及以向量为研究对象的一维流形方法不同,该方法直接以二维信息为研究对象,避免了一维流形算法需将二维信息转化为向量带来的信息损失,与PCA方法相比更能发现隐藏在高维数据流形结构中的局部数据特征。工程信号分析验证了该方法的有效性,为准确提取滚动轴承故障特征提供了一种可靠手段。     

基于PCA-NCC的经编鞋面数量统计和质量检测算法

针对目前经编鞋面数量统计和质量检测过程中人工成本高、效率低等问题，提出一种基于主成分分析（PCA）和归一化互相关匹配（NCC）相结合的机器视觉方法。首先采用主成分分析方法，生成不同款型鞋面的模板库PCA模型；然后，求解PCA模型与待检测鞋面特征向量最小欧氏距离，选取与待检测鞋面布匹对应的鞋面模板；随后，引入奇异值分解，提高PCA模型的检测速度和适用范围；最后，应用归一化相关匹配法，检测鞋面是否存在质量问题，并统计合格经编鞋面的数量。为验证该方法的可行性，搭建鞋面布匹检测平台，构建100种不同款型的标准鞋面模板库，对3种不同款型的鞋面进行数量统计实验。将实验结果与人工结果进行比对，结果表明：合格经编鞋面的数量统计平均正确率达96.7%，检测速度较人工提高3～4倍，满足工业生产中的实际需求。     

直齿轮系齿根裂纹损伤程度检测方法

为了实现直齿轮系裂纹损伤程度的检测,提出一种基于主成分分析(principal component analysis,简称PCA)及灰色理论相结合的方法。首先,建立直齿轮系动力学模型,通过仿真获得不同裂纹损伤程度下直齿轮系振动信号,基于现代信号分析方法(包括时域方法和频域方法),提取振动信号中齿轮损伤变化敏感的多个故障行为特征参数;其次,通过PCA方法与灰色关联分析算法对多维特征参数进行优化、降维;最后,用关联度表征裂纹损伤程度从而实现对直齿轮系裂纹故障的程度检测。由动力学模型的仿真数据的分析表明,运用笔者提出的PCA及灰色理论相结合的方法检测直齿轮系裂纹故障比直接对特征参数定阈值的检测方法关联度数值提高了16%,从而证明了该方法的有效性。     

基于PCA的多元质量控制与诊断方法研究

给出了一种基于PCA（Prinoipal Component Analysis）的多元质量控制与诊断方法;基于Matlab计算平台,给出了该方法的辅助程序实现,包括过程数据预处理、PCA模型构建、多元质量控制图、主成分单变量控制图和原始单变量控制图的绘制;提出了一种基于PCA的多元质量控制与诊断的过程模型,结合电子装配行业表面贴装工艺中焊点质量控制进行了实例研究.     

基于流行-IMF奇异值熵的转子故障特征提取方法

针对转子振动信号的非平稳性以及微弱故障特征难以提取的问题,提出一种基于集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)的奇异值熵和流形学习算法相结合的故障特征提取方法。首先,对原始振动信号进行EEMD分解,得到若干本征模态函数(intrinsic mode function,简称IMF)分量,根据峭度 欧式距离评价指标选取故障信息丰富的敏感分量,组成初始特征向量,求其奇异值熵;其次,利用近邻概率距离拉普拉斯特征映射算法（nearby probability distance Laplacian eigenmap,简称NPDLE）对奇异值熵组成的特征矩阵进行降维处理;最后,将得到的低维特征子集输入到K-近邻(K-nearest neighbor,简称KNN)中进行模式辨识。用一个双跨度转子实验台数据集和Iris仿真数据集对所提方法进行了验证,结果表明,IMF奇异值熵和NPDLE相结合的方法可以有效地实现转子故障特征提取,提高了故障辨识的准确性。     

基于云理论及GG聚类的滚动轴承故障辨识方法

为了探讨不同特征对区分滚动轴承故障状态贡献的大小,在特征层面上使轴承的定性概念与定量数据建立关联,以达到敏感特征提取的目的,将云理论引入到滚动轴承的特征筛选中,并将所提方法结合GG(Gath-Geva,简称GG)聚类应用于滚动轴承的故障辨识。首先,对滤波消噪后的振动信号提取高维原始特征集,建立滚动轴承在不同运行状态下的云分布模型;然后,利用正向云发生器分别求出不同样本下各特征对轴承状态的确定度,设定阈值筛选原始特征集中对轴承运行状态贡献度大的特征,计算其出现的概率并作为权值,提出一种基于云理论加权特征选择方法,筛选出敏感特征集;最后,利用主成分分析（principal component analysis,简称PCA）对敏感特征集降维并输入至GG聚类中,完成故障辨识。实验结果表明,相较于传统的特征选择方法,所提算法在聚类评价指标及故障辨识率上具有明显的优势。     

电动负载模拟器摩擦模型参数辨识方法

为实现电动负载模拟器的高精度控制,针对负载模拟器运行中受到的摩擦力影响问题,提出基于改进布谷鸟算法（improved cuckoo search algorithm,简称ICSA）的摩擦模型参数辨识方法。首先,搭建了电动负载模拟器试验样机,建立了动力学数学模型,并引入一种连续摩擦模型代替传统不连续摩擦模型;其次,将布谷鸟算法（cuckoo search algorithm,简称CSA）进行改进,在辨识中自动调整判定概率和步长的数值,提高了收敛速度和收敛精度;然后,通过逐点试验的方法得到了负载模拟器角速度范围为［-1,1］rad/s的摩擦力数据,并利用ICSA算法对摩擦力模型进行辨识;最后,进行了验证试验。试验结果表明： ICSA算法能准确快速地辨识出连续摩擦模型的6个参数,且收敛速度快、准确性高;当迭代达到最大迭代次数时,ICSA算法的目标函数值较CSA算法减小了45.2%。