基于核主元分析的凝汽器系统故障诊断

采用核主元分析方法建立核主元模型,提取凝汽器系统的非线性冗余信息,在输入空间对数据进行重构,此重构的数据与原始样本数据具有残差,采用序贯概率比对残差进行检验能够及时发现凝汽器系统的故障,并通过综合分析可定位故障源.结合某台600MW机组凝汽器系统的故障进行诊断仿真验证结果表明,该方法能够准确识别故障,所建的故障诊断模型具有一定的准确性和实用性.     

采用核主元残差空间分析方法诊断传感器故障

将核主元的高维特征空间分为主元空间和残差空间,提出了1种基于残差空间的故障分离算法,其约简了反映主元空间的分项,使计算量大幅降低.应用该方法诊断传感器故障具有不受残差污染,易于实现等优点.对某600 MW机组回热系统测量数据进行分析结果表明,基于核主元残差空间分析传感器的故障诊断方法能够及时诊断出不同类型传感器的故障,即使在多个传感器同时出现故障时,也能够准确诊断出故障,并能够及时地分离出故障传感器.     

电站关联规则的主元分析挖掘方法及传感器故障检测

提出了基于主成分分析的相似关联规则的数据挖掘方法,并利用最小二乘支持向量回归方法对传感器进行故障检测。通过主成分分析寻找具有相似关联规则的参数,利用参数间的相似关联关系,建立最小二乘支持向量回归模型,通过该模型生成残差对传感器进行状态监测和故障定位,并对故障数据进行重构,代替故障数据。通过某300 MW机组数据实例分析,表明该方法能准确快速地寻找具有较高相似关联规则的参数,并能给出可信的重构数据,具有一定的实用性。     

基于主分量灰色关联分析的凝汽器故障诊断

凝汽器的故障往往是由多种原因引起的,不同故障表现出的征兆又具有相似的特征,多种征兆的相关性造成了分析数据的困难.文中采用主分量分析法(PCA)对影响凝汽器故障的多种参数进行综合优化,将多个诊断用特征参数的信息融合到几个主分量上,各主分量之间没有明确的映射关系和明确的作用原理.提出了凝汽器灰色故障诊断系统,运用灰色关联度对诊断样本进行诊断.最后将主分量分析和BP神经网络相结合进行凝汽器的故障诊断,与所提方法进行了比较,仿真实例表明将主分量灰色关联分析法引入凝汽器故障诊断中是可行的,诊断结果可靠.     

基于二次维数约简的油中溶解气体浓度预测

针对变压器油中溶解气体浓度的检测问题,提出基于二次维数约简的油中溶解气体浓度预测模型。首先,采用互信息变量选择方法选取预测模型的输入变量;然后,对输入变量进行相空间重构,采用核主元分析对重构相空间进行特征提取,达到数据降维、滤除数据噪声、消除变量间相关性的目的,并用Renyi熵信息测度确定核主元分析的模型参数;最后,将核主元分析提取的主元变量作为核极限学习机的输入,建立变压器油中溶解气体浓度的预测模型。与灰色预测模型、仅变量选择的预测模型、仅特征提取的预测模型的对比实验结果表明,所提出的基于二次维数约简的油中溶解气体浓度预测模型具有较优的预测精度和泛化能力。     

基于改进类均值核主元分析的控制系统传感器故障检测

针对复杂控制系统数据维度大、变量之间的耦合性高的特点,采用了一种基于粒子群优化的类均值核主元分析的故障检测方法。首先利用粒子群优化高斯径向基核函数的参数,避免其设置的盲目性,然后利用优化后的类均值核主元分析法将输入数据样本映射到高维特征空间中,构建类均值矢量进行主元分析,完成对控制系统传感器的故障检测。类均值矢量包含了原数据的全部信息,且维数低于故障类别,能够实现数据的无损失降维。实验结果表明,与传统核主元分析相比,该方法能有效提高控制系统传感器故障检测的准确性。     

基于KPCA和LSSVM的过热器异常诊断

为提高过热器系统异常识别准确率,对核主元分析以及最小二乘支持向量机在过热器异常识别分类中的应用进行研究,提出了一种改进KPCA-LSSVM的过热器异常工况识别策略.采用核主元分析算法对获取到的过程数据提取主成分,并选择贡献度最大的主成分输入LSSVM中进行建模,建立KPCA-PSO-LSSVM分类模型对主汽温故障进行识...     

基于小波包的多尺度主元分析在传感器故障诊断中的应用

由于传统的基于小波变换的多尺度主元分析(MSPCA)方法在检测高频类故障时的分辨能力不足，该文提出了基于小波包的MSPCA模型，并应用于传感器的故障诊断。首先对传感器数据进行正交小波包分解，得到小波包最佳分解树。根据最佳树的各个节点系数在对应的尺度上建立主元分析模型，根据这些主元分析模型在残差子空间利用平方预报误差统计量进行传感器故障检测，采用传感器有效度指标对故障传感器进行分离。最后以火电厂锅炉系统的传感器为例对设计的模型进行了验证，通过对传感器周期性干扰故障这种高频故障的诊断实例验证了基于小波包的MSPCA方法的有效性，其检测性能要优于基于小波变换的MSPCA模型。     

基于XGBoost-KDE的风机主轴承温度预测与故障预警方法

风力发电机主轴承的故障诊断是提高其可靠性和可用性的关键。为及时发现风机主轴承故障,提出一种基于XGBoost-KDE的风机主轴承温度预测与故障预警方法。选用数据采集与监视控制（SCADA）系统中相关的特征参数作为输入变量,对风机正常工况下的主轴承温度进行预测,得到预测值和正常工作时运行数据的残差;之后运用非参数核密度估计（KDE）法确定残差预警阈值,结合滑动窗口分析法实现风机主轴承故障预警。以某2 MW等级风电机组为研究对象,采用SCADA系统中的运行数据做验证,实验结果表明,该方法可以对风机正常工况下的主轴承温度实现97.6%的精准预测,并对主轴承故障时产生的温度曲线波动做出反应,提前近1个月对风机主轴承故障进行有效预警。     

基于改进核主元分析法的三电平逆变器故障检测

核主元分析法能够有效利用提取的主元信息对系统运行情况进行评价,但实际应用中存在有效数据信息"淹没"的问题。为更好地实现三电平逆变器开关管故障检测,对传统核主元方法进行改进,增加灵敏度分析,分别计算各变量对故障统计量的贡献值,由此引入贡献值权重矩阵对逆变器故障特征进行加权,加权后的数据可以消除由不同量纲和噪声对数据造成的影响,同时可以反映故障数据的主要特征。基于此,计算不同开关管故障情况的权重矩阵,并对故障情况进行检测,降低了系统的数据处理量,提高了故障检测的准确性。实验结果验证了所提方法的有效性。     

基于核主元分析和邻近支持向量机的汽轮机凝汽器过程监控和故障诊断

提出了基于核主元分析(KPCA)和邻近支持向量机(PSVM)的汽轮机凝汽器过程监控和故障诊断新方法，将数据先用核主元法进行分析和处理，即通过非线性变换将样本数据从输入空间映射到高维特征空间，然后在高维特征空间中进行特征提取，若数据的Hotelling'sT2和Q统计量超过控制限，说明有故障发生，则计算样本的非线性主元得分向量，并将其作为输入值送入已训练好的邻近支持向量机进行故障类型识别。该方法可以有效地捕捉变量间的非线性关系，过程监控和故障诊断效果明显好于PCA-PSVM法。汽轮机历史故障特征数据集仿真试验证明了该方法的有效性。     

基于向量投影的数据检验PCA方法

提出了一种基于向量投影的数据检验PCA方法，该方法在对测量参数相关性分析的基础上，采用主成分分析进行建模，提取了其中的主要特征信息，实现了高维复杂数据的降维，通过数据重构可对各测量数据进行正确的估计，采用向量投影的方法对重构残差向量进行变换，通过得出的两类结构化残差可对故障仪表进行正确的检测与定位。以国产200MW机组为具体对象，给出了该方法的算例和检验结果。     

基于支持向量回归的凝汽器真空软测量

汽器真空对机组运行的经济性和安全性均产生很大的影响,而影响凝汽器真空的因素较多,并且相互之间具有较强的耦合性.分析了影响凝汽器真空的因素,建立了基于支持向量回归的凝汽器真空的软测量计算模型,利用某200 MW机组的数据,对模型进行了验证.结果表明,采用支持向量回归算法得到的凝汽器软测量计算模型具有较好的泛化能力和稳定性,同时在凝汽器真空测点发生故障时能够准确计算真空值.为凝汽器真空冗余测量和故障诊断提供一种更简单的方法.     

核主元分析在高压断路器故障诊断中的应用

核主元分析(KPCA)方法作为一种先进的人工智能算法,在处理非线性问题上具有极大的优势。为此,将KPCA用于高压断路器的故障诊断中,通过选取合适的核函数将原始数据映射到特征空间,之后在特征空间内计算主元,依据平方预测误差(SPE)统计量对故障数据进行分类诊断,以提高高压断路器故障诊断的准确率。为验证该方法的有效性,用KPCA法对高压断路器在线监测系统采集到的现场正常及非正常数据进行分析计算,并利用Matlab仿真依据计算得出的统计量值对故障数据进行诊断。实验结果表明,该方法应用于高压断路器能够取得较好的故障诊断效果。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析（PCA）和粗糙集理论结合继而构建决策树的故障诊断方法。该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策。测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析(PCA)和粗糙集理论结合继而构建决策树的故障诊断方法.该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策.测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率.     

基于偏最小二乘法的气动执行机构故障诊断研究

气动调节阀是工业生产中重要的控制装置,其故障诊断技术越来越受到重视。基于DAMADICS平台建立气动阀门仿真模型,利用DABLib模块生成故障数据。提取故障数据的主元向量,构建PLS模型,将多变量的高维空间影射到低维空间,对数据进行压缩和标准化处理。借助Hotelling T2和SPE统计检测法对平台生成的测试数据与实际数据的残差进行分析。仿真结果表明,该方法实现了对阀门故障的诊断和分类,效果明显。     

基于自适应滑模观测器的新能源汽车驱动系统电流传感器微小故障诊断EI北大核心CSCD

为及时准确地检测出新能源汽车永磁同步电机驱动系统电流传感器微小故障,该文提出一种基于自适应滑模观测器的微小故障诊断方法。该方法首先构建含有电流传感器微小故障的驱动系统混合逻辑动态模型,其次利用状态增广和非奇异坐标变换对电流传感器微小故障进行故障重构,然后设计收敛速度快且能够抑制高频抖振的自适应滑模观测器以精确估计系统重构状态,最后采用系统重构状态实际值与观测值残差作为检测变量并利用范数设计自适应阈值。该文提出的方法不仅能诊断微小故障和显著故障,而且可以检测从微小故障演变为显著故障乃至失灵的整个过程,准确性高、鲁棒性强。实验结果验证了所提诊断方法的准确性和鲁棒性。     

基于霍金斯指标的传感器数据有效性验证

在基于主元分析的故障检测方法中，由于霍金斯 指标能够很好地检测到平方预测误差(Q)指标所无法检测到的传感器故障，因此有必要对 指标检测到传感器故障的情况进行故障分离和重构的分析。利用故障重构方法，提出了采用基于 指标的传感器验证指标(cSVIH)进行传感器故障分离的方法，形成基于 指标进行传感器故障检测、分离和重构的一整套策略。电厂数据仿真实验验证了 指标对部分传感器进行故障检测优于Q指标的理论和基于 指标的故障检测、分离和重构方法的有效性。最后提出联合使用Q指标和 指标的故障检测框架。     

基于LMD-XGBoost和KPCA的燃气轮机转子故障预警研究

针对燃气轮机转子运行环境恶劣且故障多发的特点,为了及时有效地识别转子的异常运行状态,提出基于极端梯度提升(Extreme Gradient Boosting, XGBoost)和局部均值分解(Local Mean Decomposition, LMD)与核主元分析(Kernel Principal Component Analysis, KPCA)相结合的燃气轮机转子故障预警方法。首先采用自适应小波阈值法对来自SIS系统的振动数据进行降噪处理,通过对比普通小波阈值法的降噪效果,验证了该方法对于转子振动数据降噪的有效性和优越性;然后构建基于LMD-XGBoost的转子振动信号混合预测模型,提取实时振动信号分解得到的特征分量并进行预测与重构;再通过LMD-KPCA模型计算故障监测指标T 2和SPE,利用正常工况下的振动数据求取故障监测指标的阈值,输入混合预测信号计算出故障监测指标的统计量,通过设置故障监测指标超过阈值线的比例作为最终预警判据。通过上海某燃气电厂转子故障案例表明,该混合预警方法可实现转子故障早期预警,具有实际工程应用价值。