主元分析在变压器故障检测与识别中的应用

针对IEC三比值法进行变压器故障诊断存在缺编码、编码边界模糊和诊断率偏低的问题,提出了采用主元分析和重构贡献图的故障诊断方法。在建立的PCA(Principal Component Analysis)统计过程模型上,构建SPE、T2统计量和重构贡献指标对变压器故障进行检测,并分析了贡献图法和重构贡献法的故障诊断性能。仿真结果表明基于主元分析和重构贡献图的故障诊断方法对数据更敏感,能够有效弥补IEC三比值法的不足,提高故障诊断正确率。     

基于数据变化率和重构贡献图的微小故障诊断方法

针对复杂工业过程的微小故障诊断问题,提出一种数据预处理与重构贡献图相结合的故障诊断方法;为了克服非高斯分布数据对故障检测准确性的影响,通过基于数据变化率的方法对样本原始数据进行预处理后,可以有效地检测过程变量的微小故障,以此建立故障诊断主元分析模型;检测出系统故障后,为了提高故障辨识准确度,采用一种平均残差差值重构贡献图的方法对故障进行辨识;通过正常样本数据和故障数据在残差子空间中的投影,获取两个数值的残差差值向量,计算重构贡献值来确定故障变量;以田纳西-伊斯曼(TE)过程为对象进行了故障诊断仿真实验,并与传统贡献图和重构贡献图方法的辨识准确率相比较,结果表明所提方法具有良好的故障诊断性能。     

基于CTA-DKPCA的化工过程故障诊断

在传统动态核主元分析(DKPCA)中引入循环时间算法(CTA),提出了基于循环时间算法与动态核主元分析(CTA-DKPCA)的故障诊断方法.该方法通过引入循环时间逻辑,对动态数据矩阵分段捕捉故障信息,提升了故障诊断精度与速度,再使用基于重构贡献(RBC)的方法来识别故障变量、诊断故障原因.将该方法应用于田纳西伊斯曼(T...     

基于主元空间统计的传感器故障诊断与重构

针对主元分析故障诊断方法中所采用SPE统计量的局限性,通过分析主元模型的整体框架,提出一种通过T2统计量来研究传感器数据超限的故障检测与重构,确定故障大小与类型,采用迭代法恢复传感器示值的方法。仿真结果表明,该方法对传感器进行故障检测与重构后,其故障幅值完全处于精度范围内,且低于所要求的控制限。     

神经网络在变压器故障诊断中的应用研究

解决溶解气体分析法在变压器故障诊断中准确率不高之难题,采用人工神经网络方法和基于动量因子技术的改进BP网络训练算法,建立了一具有较强的学习能力、泛化能力和适应能力的BP神经网络模型.通过MATLAB仿真实验,结果表明此神经网络能较准确的对变压器故障进行诊断,具有一定的应用及推广价值.     

多元统计方法在故障诊断中的应用综述

在对常用故障诊断方法进行简单介绍的基础上,着重对多元统计方法在故障诊断领域的应用进行综述。针对常规方法在解决非线性、时变动态、故障隔离和辨识等问题的缺陷,总结了不同学者解决这些问题的最新进展。最后给出了多元统计方法在工业过程故障诊断领域可能的发展方向。     

基于多重局部重构模型的连续过程故障诊断

为了提高故障诊断性能, 本文对故障特征随时间发展变化的多样性进行了探讨分析. 本文揭示了故障过程呈现时变特性, 即故障过程在不同时段反映出不同的变量相关性, 提出了一种故障时段划分算法. 该算法将故障划分为不同时段, 在每一个时段中, 故障特征被认为是基本类似的. 在此基础上, 针对不同时段建立了不同的故障分解模型, 并揭示了不同故障状态与正常状态的关系. 通过划分不同故障特征, 可以区分不同的故障特征, 建立更精确的重构模型. 该方法很好地阐述了故障的演变行为特征, 能够更精确地进行故障重构从而确定故障原因. 通过在田纳西伊士曼仿真过程上的应用验证了该方法的可行性及诊断性能.     

粗糙集理论在电力变压器故障诊断中的应用

在变压器油中溶解气体分析的基础上,引入粗糙集理论,对其在变压器故障诊断特征参数属性优化中的运用进行了探索。利用可辨识矩阵算法对决策表进行属性约简,剔除其中不必要的属性,最后给出属性约简的结果。     

粗糙集在电力变压器故障诊断中的应用

电力变压器是一种比较复杂的系统,在实际故障诊断中要想获得完备的实验数据比较困难。针对该问题,提出了一种基于粗糙集的电力变压器故障诊断新方法,即分析搜集到的电力变压器历史故障数据,确定条件属性集和决策属性集;对条件属性集进行约简,去除冗余信息,提取关键信息,得到相应的规则集;利用该规则集对电力变压器进行故障诊断。实例分析验证了该方法的正确性和有效性。     

基于支持向量机的故障诊断

将支持向量机应用于故障的分类诊断,通过实例建立了两类故障分类器和多故障分类器,给出了具体的建立多故障分类器的步骤和仿真结果。最后提出了一种新的方法——基于支持向量机的并行诊断网络。     

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。     

改进卷积神经网络在互感器故障诊断中的应用

低压电流互感器作为电网中的关键设备,已经得到广泛使用.低压电流互感器故障诊断的在线检定也显得十分重要.提出了一种改进的全局平均池化的一维卷积神经网络(1DCNN-SVM)故障诊断模型应用于低压电流互感器在线检定.该方法改进了传统卷积神经网络(CNN)模型的结构,引入全局平均池化而不是全连接网络结构,并在测试阶段使用支持...     

基于核函数的PCA在QAR数据分析中的应用

分析了传统的主成分分析方法的不足,论述了KPCA方法及其时间复杂度高的缺陷。在此基础上,提出基于核函数构造的协方差矩阵的主成分分析,相比 KPCA,该方法具有快的降维速度。实验结果显示：把该方法用于QAR数据具有良好的降维效果和高分类正确率。     

基于二维主元分析的间歇过程故障诊断

传统的多向主元分析(MPCA)已广泛应用于监视多变量间歇过程。在MPCA算法中,三维的间歇过程数据需要转换为高维的二维向量,导致计算量和存储空间大,同时不可避免地丢失一些重要信息。因此,提出一种新的基于二维主元分析(2DPCA)的故障诊断方法。由于每个批次的间歇过程数据是一个二维向量(矩阵),应用以各个批次矩阵为分析对象的2DPCA算法,避免矢量化,存储空间和存储需求小;另外,2DPCA采用各个批次的协方差的平均值来进行建模,能够更加准确地反映出不同类型的故障,在一定程度上增强了故障诊断的准确性。半导体工业实例的监视结果说明,2DPCA方法优于MPCA。     

基于余弦角距离的主成分分析与核主成分分析

PCA和KPCA都是基于欧氏距离提出的,这种距离对离群数据点比较敏感,而余弦角距离对离群数据更为鲁棒,在很多情况下具有更好的性能。充分利用余弦角距离的优势,提出两种新的特征抽取算法——基于余弦角距离的主成分分析（PCAC）和基于余弦角距离的核主成分分析（KPCAC）。在YALE人脸数据库与PolyU掌纹数据库上的实验表明,PCAC比PCA取得了更好的效果,KPCAC也表现出了很好的性能。     

巴氏距离与PCA结合的人脸识别

利用巴氏距离（Bhattacharyya Distance）和PCA（Principal Component Analysis）相结合进行人脸识别研究,提出了使用巴氏距离和PCA相合的算法对特征进行提取。当特征向量维数高时,首先对样本K-L（Karhunen-Loeve）变换进行降维,然后采用巴氏距离特征的迭代算法,得到最小错误率上界。基于ORL人脸数据库的实验表明该方法的识别性能优于LDA、HPCA、HLDA,采用文中的算法可以有效地提高识别率,减少巴氏距离特征计算时间,具有较强的实用性。     

灰关联度在变压器故障诊断中的应用

为了提高传统油中溶解气体分析(DGA)的诊断能力,克服相对关联度诊断变压器故障的不足,探讨了基于关联分析的故障诊断理论,提出了三级关联算法,建立了一种定性与定量相结合的电力变压器故障诊断的三级关联度方法。以5种油中溶解气体：氢气、甲烷、乙炕、乙烯和乙炔的体积分数参数作为特征量,验证了新方法对变压器故障的实际诊断效果。结果表明,该方法不仅能找出故障类型而且能确定故障部位,其有效性超过了传统的相对关联度方法。