主成分分析和超限学习机的模拟电路故障诊断

为提高模拟电路故障诊断特征信息提取的完整性,实现故障模式分类的准确性,达到网络训练测试的快速性,提出了一种基于主成分分析（Principal Components Analysis,PCA）和极限学习机（ELM）相结合的模拟电路故障诊断新方法。在OrCAD16.3中通过设置仿真模拟电路元器件参数及其容差,获得电路各状态的MonteCarlo样本数据,经PCA降维提取特征信息以获得最优的特征模式,继而采用ELM对故障进行分类识别。以Sallen-Key带通滤波器电路为实例进行仿真研究,结果表明该方法具有特征提取效果好,神经网络训练学习速度快,故障诊断效率高,泛化性能好等特点。     

基于主元分析和集成神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见突发型故障,提出一种基于主元分析(PCA)和权重提升(WB)算法训练人工神经网络集成的瓦斯传感器故障诊断方法.利用PCA方法提取故障特征,得到的特征向量作为神经网络的训练样本;利用WB算法依次训练多个神经网络分类器;由集成神经网络得到待测样本的故障诊断结果.仿真实验表明:该方法对测试样本的识别正确率在98.5％以上,能够显著提高瓦斯传感器故障诊断的诊断精度和泛化能力.     

神经网络集成的城市道路状态判别模型研究

针对城市道路交通状态影响因素多、判别难的特点,在分析K-均值聚类算法和概率神经网络（PNN）的基础上,利用多源检测信息的互补性,提出一种基于快速全局聚类分析的概率神经网络集成模型,通过聚类提高集成网络间的差异度,同时利用主成分分析（PCA）优化概率神经网络结构,仿真实验表明该模型与传统的集成方法Bagging相比,能够利用更简单的网络结构,快速有效地识别出城市道路交通状态,为交通预警和诱导策略的制定提供数据依据。     

基于主成分分析和自组织神经网络的柴油机故障诊断方法

提出了一种新型的柴油机故障诊断方法,该方法使用主成分分析（ PCA）法对故障样本降维,有效提取故障样本主要特征,在此基础上,将其作为输入使用自组织映射（ SOM）神经网络进行训练得到故障识别网络。400组模拟故障数据的测试表明,两者结合的方法能有效提高网络的训练速度,获得满意的故障识别率。     

主成分分析法与概率神经网络在模拟电路故障诊断中的应用

模拟电路故障的多样性使得神经网络训练样本数量增加,BP网络结构趋于复杂,训练速度降低;针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了基于主成分分析(PCA)与概率神经网络(PNN)相结合的模拟电路故障诊断方法;通过主成分分析法(Principal Component Analysis)提取特征数据进行降维处理,再结合概率神经网络(Probabilistic Neural Networks)对电路故障进行分类;实例说明采用PCA和PNN结合对故障数据处理,可以大大的提高故障诊断分类的准确性。     

基于信息融合的神经网络模拟电路故障诊断研究

针对目前神经网络模拟电路故障诊断中存在的难点,提出了基于信息融合思想的多神经网络故障诊断方法;该方法测试电路中节点电压信号、供电电流信号,利用小波变换对检测信号进行预处理,基于主成分分析对特征矢量进行降维,根据模拟电路的不同故障模式分别建立诊断神经网络,用概率统计数据融合方法从多个神经网络中选出最优网络用于诊断故障;通过电路实例验证了新故障诊断方法的有效性,实验结果表明新方法可有效提高故障诊断性能。     

基于VxWorks下PNN故障诊断的冗余容错系统

针对航天测控系统的可靠性需求,提出了一种紧凑型PCI总线测控系统的冗余容错设计方案。系统下位机采用了基于VxWorks嵌入式操作系统来保证实时性,并在VxWorks系统中实现了高可用热插拔技术用于提高系统的冗余容错性能。提出了利用基于概率神经网络（PNN）的故障诊断方法对热冗余设备进行在线故障诊断。仿真与实验验证的结果表明,该系统具有良好的冗余容错性能,该设计方法可以有效提升系统的可靠性。     

CRH2型动车组列车信息传输网络流量建模与预测

针对CRH2型动车组列车网络流量数据日益复杂的特性,提出了一种将主成分分析法(PCA)与后馈神经网络(BP网络)相结合的网络流量建模预测思路。基于已搭建好的CRH2型列车通信仿真平台,对该仿真网络各条链路进行流量采集。为了降低分析的复杂度,流量数据先进行PCA降维预处理分析,再将数据输入到BP神经预测网络模型进行仿真预测。经验证,该思路能有效拟合列车主体网络流量的变化趋势,为CRH2型动车组通信网络的故障诊断分析提供了一定的参考。     

PSO优化BP神经网络齿轮箱故障诊断

针对目前齿轮箱系统在利用神经网络故障诊断时存在正确识别率低和依靠经验选择参数的问题,提出了基于粒子群优化BP网络的齿轮箱故障诊断方法。简要介绍利用齿轮振动原理提取特征参数建立故障模型,该模型以齿轮箱特征向量为输入、故障类型为输出,详细分析了通过BP神经网络、概率神经网络和粒子群优化BP神经网络实现齿轮箱故障诊断。仿真结果表明,BP神经网络对齿轮箱故障诊断收敛速度慢,故障识别率为82%;概率神经网络的模型故障诊断识别率依据经验选取spread值决定,故障识别率最大为98%;粒子群优化后的BP神经网络故障诊断分类识别率为100%且自适应能力强。     

ANFIS模糊神经推理机在故障诊断中的应用

传统的故障诊断专家系统大多是基于知识的故障诊断系统，有一定的局限性。模糊神经网络技术的引入，给故障诊断专家系统带来了新的思路，将模糊理论与神经网络融合，利用神经网络来实现系统的模糊逻辑推理，建立了一种基于模糊系统（FS）与神经网络（NN）融合的系统故障诊断方法，并利用MATLAB中的ANFIS模糊工具来实现其模糊神经推理过程，通过对系统进行仿真，得到了比较满意的结果，实例表明，该工具用于故障诊断的模糊推理是高效可行的     

Multimode process monitoring with PCA mixture model

For multimode processes, Gaussian mixture model (GMM) has been applied to estimate the probability density function of the process data under normal-operational condition in last few years. However, learning GMM with the expectation maximization (EM) algorithm from process data can be difficult or even infeasible for high-dimensional and collinear process variables. To address this issue, a novel multimode process monitoring approach based on PCA mixture model is proposed. First, the PCA technique is directly applied to the covariance matrix of each Gaussian component to reduce the dimension of process variables and to obtain nonsingular covariance matrices. Then the Bayesian Ying-Yang incremental EM algorithm is adopted to automatically optimize the number of mixture components. With the obtained PCA mixture model, a novel process monitoring scheme is derived for fault detection of multimode processes. Three case studies are provided to evaluate the monitoring performance of the proposed method.     

BA-PNN-based methods for power transformer fault diagnosis

This paper presents a machine learning-based approach to power transformer fault diagnosis based on dissolved gas analysis (DGA), a bat algorithm (BA), optimizing the probabilistic neural network (PNN). PNN is a radial basis function feedforward neural network based on Bayesian decision theory, which has a strong fault tolerance and significant advantages in pattern classification. However, one challenge still remains: the performance of PNN is greatly affected by its hidden layer element smooth factor which impacts the classification performance. The proposed approach addresses this challenge by deploying the BA algorithm, a kind of bio-inspired algorithm to optimize PNN. Using the real data collected from a transformer system, we conducted the experiments for validating the performance of the developed method. The experimental results demonstrated that BA is an effective algorithm for optimizing PNN smooth factor and BA-PNN can improve the fault diagnosis performance; in turn, and the machine learning-based model (BA-PNN) can significantly enhance the accuracies of power transformer fault diagnosis.     

PCA-SDG在TEP多源故障诊断中的应用

针对传统基于SDG(符号有向图)的故障诊断方法对每个变量节点状态和高低阈值难以确定,且对各个变量单独统计,不考虑变量间相互关系的缺点,提出一种PCA(主元分析)与SDG相结合的故障诊断方法,并将其用于多源故障诊断中。将PCA得到的出现故障征兆的变量在SDG模型上进行反向推理,找到故障源。通过TEP仿真实验验证,表明该方法能够及时有效地检测出单个或多个故障,提高了诊断的准确性与分辨率。     

基于概率神经网络的TE过程故障诊断

概率神经网络(PNN)-径向基网络的重要变形,它的学习速发快,很适合于故障检测问题,但是当网络输入样本过大时,网络的计算就会很复杂,计算速度就会很缓慢.本文提出用主元分析(PCA)对过程数据进行降维,然后将处理过的数据作为网络输入,这样使网络的计算速度得到了提高.最后将提出的方法用于田纳西伊斯曼过程(Tennessee...     

基于电子鼻的山核桃陈化时间检测

选取人工陈化山核桃(0 d、2 d、4 d和6 d)和自然陈化山核桃(0 y、1 y和2 y)作为研究对象,采用德国PEN2便携式电子鼻进行检测,在主成分分析(PCA)的基础上,采用概率神经网络(PNN)模式识别方法建立山核桃陈化时间鉴别模型,模型参数Spread和主成分数通过交互验证的方法优化。结果标明,PCA基本可...     

Sensor and actuator fault isolation by structured partial PCA with nonlinear extensions

Partial PCA based on principal component analysis (PCA) with ideas borrowed from parity relations is a useful method in fault isolation (J. Gertler, W. Li, Y. Huang, T.J. McAvoy, Isolation enhanced principal component analysis, AIChE Journal 45(2) (1999) 323–334). By performing PCA on subsets of variables, a set of structured residuals can be obtained in the same way as structured parity relations. The structured residuals are utilized in composing an isolation scheme for sensor and actuator faults, according to a properly designed incidence matrix. To overcome the limitations of PCA, nonlinear approaches based on generalized PCA (GPCA) and nonlinear PCA (NPCA) are proposed. The nonlinear methods are demonstrated on an artificial 2×2 system while simulation studies on the Tennessee Eastman process illustrate the linear method and some extensions.     

基于鲁棒ICA-PCA的TE故障诊断*

针对复杂工业过程混合分布的问题,提出了鲁棒ICA-PCA(Independent Component Analysis-Principal Component Analysis, ICA-PCA)的故障诊断的新方法。由于实际工业过程数据不可避免的带有大量干扰,为降低数据粗差的影响,首先采用小波去噪算法提高建模数据质量,然后利用鲁棒ICA-PCA算法提取过程的非高斯和高斯信息,并构建了三个统计量进行故障的监控。最后把上述方法应用到田纳西-伊斯曼(Tennessee Eastman,TE)化工过程。仿真结果表明,相比于传统PCA算法、ICA-PCA等算法,鲁棒ICA-PCA方法能够有效的检测故障的发生,该方法具有较好的鲁棒性和灵敏性。     

基于概率神经网络的高速公路事件检测

针对高速公路事件检测这一非线性分类问题,提出一种基于概率神经网络的事件检测方法。阐述了概率神经网络的结构与训练算法,分析了事件对交通流的影响规律,并合理地选取了概率神经网络的输入量,用高速公路管理部门提供的样本数据进行了仿真研究。仿真实验表明,基于概率神经网络的事件检测方法具有学习速度快、泛化能力好、检测准确率高等优点,具有良好的应用前景。