冷轧过程断带故障的诊断研究

在冷轧过程中,断带故障是冷轧工序的主要生产故障之一。针对冷轧过程断带故障的特点,提出一种基于核主元分析(KPCA)非线性特征提取和最小二乘支持向量机(LSSVM)分类的故障诊断方法。此方法采用KPCA理论将冷轧过程原始空间数据映射到高维空间,并在高维空间进行主元分析,从而降维、去相关性,得到冷轧过程非线性特征向量。将降维后的特征主元作为LSSVM输入进行训练和识别,根据LSSVM的输出结果判断冷轧过程工作状态与故障类型。仿真结果表明:基于KPCA非线性特征提取和LSSVM分类的故障诊断方法计算速度快,能有效地提取冷轧过程断带故障特征,识别断带故障类型。     

相对变换主元分析的变压器油击穿电压预测

针对变压器油击穿电压在线测量困难,数据噪声和孤立点影响支持向量机预测精度的问题,提出了基于相对变换(RT)主元分析(PCA)的变压器油击穿电压预测方法。首先,通过相对变换将原始数据空间变换到相对空间,抑制噪声和孤立点对模型精度的影响;然后在相对空间进行主元分析,降低相对空间维数,使提取的主元特征更具有代表性和更大的变化度;最后,将提取的主元作为最小二乘支持向量机(LSSVM)的输入,建立变压器油击穿电压的最小二乘支持向量机预测模型。与LSSVM、RT-LSSVM和PCA-LSSVM的对比实验结果表明,本文提出的方法具有较优的预测精度和泛化能力。     

KPCA和LSSVM在SCR脱硝反应器入口NO_x含量软测量中的应用

SCR脱硝反应器入口NO_x含量及时、准确地测量,对于精确调节喷氨量,控制NO_x排放至关重要。针对NO_x气体分析仪测量滞后的问题,提出了基于KPCA和LSSVM的软测量模型。根据某电厂采集的数据样本规模较大的情况,为了提高NO_x软测量模型的精度,该文首先进行基于相似度函数的样本优选,减少样本冗余信息,简化样本模型。然后对于选取的与反应器入口NO_x有关的18个辅助变量进行核主元分析(KPCA),对样本进行特征提取,降低样本维数,以此作为最小二乘支持向量机(LSSVM)软测量模型的输入,提高软测量模型的精度,对反应器入口NO_x含量的实时、准确测量提供一定的理论依据,为提高反应器脱硝效率打下良好基础。     

改进MKPCA方法及其在发酵过程监控中的应用

针对间歇发酵过程缓慢时变和非线性等特点,提出一种基于滑动窗技术的多向核主元分析(MWMKPCA)方法.该方法结合了核主元分析(KPCA)和滑动窗口技术的优点,其中KPCA能有效解决过程数据的非线性问题,保证数据信息抽取的完整性;而滑动窗口技术能有效避免MKPCA在线应用时预报未来测量值所引入的误差,提高监控性能.对于已判断正常的新批次过程数据,将其加入模型参考数据库进行更新,从而提高间歇过程性能检测的准确性.将该方法应用到工业青霉素发酵过程的监控中,并与MPCA、MKPCA方法的监测性能进行了比较.结果表明:该方法能有效提取过程变量间的非线性关系,降低运行过程的误报率,对缓慢时变的间歇过程具有更可靠的检测性能.     

KPCA和改进SVM在滚动轴承剩余 寿命预测中的应用研究

为解决支持向量机模型在预测滚动轴承剩余寿命时准确率不高的问题,对核主成分分析(Kernel Principal Component Analysis,KPCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)在剩余寿命预测中的应用进行了研究。采用核主成分分析方法融合轴承振动信号时域、频域特征指标并提取第一主成分评估轴承性能退化情况,并将满足要求的多个KPCA主成分作为输入,建立KPCA-LSSVM模型来对轴承剩余寿命进行预测。采用轴承全寿命试验数据对该方法的有效性进行验证,结果表明,该方法提取的轴承性能退化评估指标能够更为全面地表征轴承性能退化情况,建立的KPCA-LSSVM模型可在滚动轴承剩余寿命预测工作中获得良好的预测效果。     

基于CPSO与LSSVM融合的发酵过程软测量建模

发酵过程是一个复杂的时变、非线性、强耦合过程.发酵过程中的关键参量菌体浓度通常难以用传统物理传感器实时在线检测.为了测量该参数,将CPSO算法与LSSVM相结合构建发酵过程软测量模型.模型采用CPSO算法优化LSSVM软测量模型参数,克服了常规交叉验证法选取参数的耗时和盲目性.仿真结果表明,CPSO-LSSVM软测量模型较LSSVM软测量模型更能在较短的时间内获得较高的收敛精度,其平均误差为2.05％,说明该软测量模型可用于发酵过程不可在线测量的菌体浓度的实时在线软测量,并且预测精度高,预测速度快,预测能力强.该软测量建模方法也为发酵过程其他关键参量的实时在线测量提供了新的途径.     

锰硅合金中的锰、硅、磷含量的快速检测方法

建立一种快速测定锰硅合金中主量、次量元素的方法。样品经溶解后,用电感耦合等离子体发射光谱法测定锰硅合金中的硅、磷含量,用自动电位滴定法测定锰硅合金中的锰含量。该方法用于两种标准物质YSBC18603-08和GSB03-1946-2005的实际分析,Mn,Si,P的测定值与标准值吻合,RSD(n=11)为0.147%～1.42%;Mn,Si,P的回收率95.8%～99.64%。与现行国标方法相比,分析周期短,适用于大宗锰硅合金进出口检验的要求。     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

全矢ITD和KPCA结合的滚动轴承故障诊断

针对在滚动轴承故障检测和诊断中获取的单通道信息不全面、不准确等问题,提出了全矢本征时间尺度分解(ITD)和核主元分析(KPCA)相结合的方法以进行故障检测与诊断。首先采用全矢ITD对正常运行状态下的同源双通道原始样本数据进行信息融合,得到全矢融合后的主振矢数据,并建立KPCA模型,克服了单通道振动信号信息不完整的缺点。然后运用KPCA模型对待测样本数据进行在线监控,当该模型的T2和SPE统计量超过已设定的控制限时,采用全矢Hilbert包络分析提取故障数据的特征频率以进行故障诊断。实验结果表明,该方法既能较好地检测出滚动轴承的运行状态,又能准确有效地诊断故障类型。     

基于LSSVM的木材干燥在线建模研究

介绍了最小二乘支持向量机(LSSVM)回归原理,针对木材干燥系统的强耦合、强非线性等特点,提出以LSSVM方法建立木材干燥系统在线模型.模型以干燥实验获取的减速干燥阶段数据为样本,根据实际预测控制需要,建立木材干燥系统的在线预测模型,并进行在线预测.仿真结果表明,基于LSSVM的木材干燥在线模型能够实时反映系统当前状态,在线更新训练样本,滚动优化模型结构并预测系统下一步输出,模型结构简单,泛化能力强,预测精度高,能够满足实际干燥控制的需要.     

基于KPCA的SBR过程监视

序批式反应器生化污水处理系统（SBR）具有复杂的生化反应机理，其固有的严重非线性、持续时间有限、非稳态运行等给其过程监视带来特殊困难。核主元分析（KPCA）方法通过集成算子与非线性核函数计算高维特性空间的主元成分，有效捕捉过程变量中的非线性关系。将KPCA技巧应用到序批式反应器生化污水处理系统，建立了基于KPCA的SBR污水处理过程在线监视策略。在监视暴风雨事件等典型的SBR过程异常状态时，统计指标变化灵敏，诊断及时。与线性PCA相比，显示出更高的过程监视性能。     

基于KPCA子空间虚假邻点判别的非线性建模的变量选择

特征变量选择技术是非线性系统建模过程中降低信息冗余和提高精度的有效方法。提出一种结合核主成分分析法(Kernel principal components analysis,KPCA)与虚假最近邻点法(False nearest neighbor,FNN)的变量选择法。引入核方法,将非线性原始数据映射到线性空间,再采用主成分分析法有效合理地消除因子之间的多重共线性,受混沌相空间虚假最近邻点法的启示,通过计算原始数据在KPCA子空间中投影的距离,判断其对主导变量的解释能力,由此进行变量的选择该方法用氢氰酸生产工艺工程中的非线性模型验证,并与全参数模型进行比较,结果显示该方法有良好的变量选择能力。因此,该研究为非线性系统建模的变量选择方法提供一种新方法。     

基于MI-LSSVM的水泥生料细度软测量建模

针对水泥生料细度软测量模型难以建立的问题,考虑到输入变量选择易受时延的影响,提出一种基于互信息和最小二乘支持向量机(MI-LSSVM)的软测量建模方法。该方法采用互信息表征变量间的相关性,进而解决水泥生料细度软测量建模中的时延问题,并在此基础之上,提出双向选择算法获取输入变量,将得到的输入变量应用于最小二乘支持向量机中,建立水泥生料细度软测量模型,最后应用水泥厂的实际数据对基于互信息和最小二乘支持向量机的水泥生料细度软测量模型进行仿真。结果表明该方法预测精度高、泛化能力强。     

基于KPCA-SOM网络的列控RBC系统故障诊断方法

无线闭塞中心(RBC)系统是CTCS-3级列控系统的核心设备,在现场其故障分析主要依靠人工完成,诊断结果不精确、效率低。因此,提出了基于one-hot模型、核主元分析(KPCA)和自组织映射(SOM)网络的RBC系统智能故障诊断方法。首先,通过人工选取的故障特征词库和故障追踪记录表构建基于“one-hot”模型的故障文档矩阵;其次,利用核主元分析方法对故障文档矩阵进行降维降噪处理,避免信息冗余;最后将处理后的数据输入至SOM网络,训练生成KPCA-SOM故障分类模型。通过与BP神经网络算法、SOM网络算法比对分析,KPCA-SOM智能诊断方法可有效地对列控RBC系统常见故障类型进行区分,并且在准确率和处理效率上进一步优化提升。     

Moving window KPCA with reduced complexity for nonlinear dynamic process monitoring

This paper proposes an improved Reduced Kernel Principal Component Analysis (RKPCA) for handling nonlinear dynamic systems. The proposed method is entitled Moving Window Reduced Kernel Principal Component Analysis (MW-RKPCA). It consists firstly in approximating the principal components (PCs) of the KPCA model by a reduced data set that approaches “properly” the system behavior in the order to elaborate an RKPCA model. Secondly, the proposed MW-RKPCA consists on updating the RKPCA model using a moving window. The relevance of the proposed MW-RKPCA technique is illustrated on a Tennessee Eastman process.