主元分析方法的故障可检测性研究

主元分析（PCA）是一种有效的多元统计过程监测方法，PCA监测方法不依赖于过程的精确数学模型，这使得其难以对故障的可检测性问题进行系统的研究，基于故障子空间的描述方式，本文在主要元子空间的残差子空间中分别讨论了PCA故障可检测性的充分和必要条件，并提出了临界故障值的概念，通过对双效蒸发过程的仿真故障检测，表明所获得的结果能较好地刻画PCA的故障检测行为。     

多尺度主元分析方法在化工过程故障检测中的应用

由于化工生产过程是一个非常复杂、多变的过程，生产系统在长期运行和生产负荷中会不可避免地发生各种故障，降低生产效率，导致设备损坏、生产停滞，甚至会危及操作人员的自身安全，因而过程故障监测已成为化工生产中安全保护系统的重要组成部分。主元分析方法（PCA）已广泛应用于监视多变量过程，但是传统的PCA只适于分析故障或干扰仅存在于某一固定尺度或频率段上的数据。实际过程中获取的数据，不仅故障可能发生在不同的时一频范围内，而且统计过程的能量或功率谱也可能随着时间或频率的改变而改变。     

主元分析法在MIMO系统中的故障检测与诊断研究

针对多输入多输出对象应用多元分析方法实现系统的故障检测与诊断,能够有效克服机理分析法诊断的缺点,既可以消除各变量之间的关联,也减小外界噪声的影响。通过对多变量液位控制进行试验验证,主元分析法能够有效地对生产过程进行监测,并准确及时地分析判断系统中发生的故障。     

基于主元分析的传感器故障检测与诊断

介绍主元分析方法在温度传感器故障检测与诊断中的应用。通过计算实际测量值和故障重构值及它们值的统计特性来识别故障类型；通过改进故障判别指数SPE及SVI，提高了故障检测与诊断的准确率。     

应用主元分析方法改进BP算法及其在故障诊断中的应用

提出了一种应用主元分析方法对神经网络输入参量进行处理的方法，以主元分析为理论基础，通过对输入的高维参量的线性组合以及向低维空间投影的方法，既降低了输入的维数，同时又提高了输入参量对特征的敏感性，并通过一个故障诊断应用的实例证明了该方法的可行性。     

多变量统计分析方法在制冷故障检测与诊断中的应用研究

研究了多变量统计分析方法在制冷装置故障检测和诊断中的应用。对ASHRAE资助下的一组实验数据进行预处理,对其进行故障检测和故障诊断。对于故障检测,可利用平方预测误差(Q统计量)等统计控制变量来判断系统是否在正常运行状态。而对于故障诊断,第一次尝试采用各变量对于平方预测误差的负荷结合各变量的变化率来得到其对于平方预测误差异变的贡献率。从而快速利用变量的变化方向和程度判断故障类型。从结果分析,这种方法可以在众多变量中过滤掉不显著的变化,迅速找到故障主因。利用多变量统计分析方法可以实现对制冷装置的运行状态进行实时监控和诊断。     

主元分析法在原油储罐监控系统中的应用

为了确保安全生产,实时监控原油集输过程中的变量,基于主元分析方法研究原油储罐各参数的变化规律,建立了主元回归模型,分析影响原油储罐正常运行的主要因素,对生产过程工艺参数的不正常状态实现有效的识别.通过现场数据验证表明本文基于主元模型和采用统计量检测故障的方法,对过程参数发生异常的现象具有较精确的分辨能力,可获得比较满意的结果.     

基于改进多尺度核主元分析的化工过程故障检测与诊断方法研究

针对化工过程数据的多尺度性和非线性特性,提出了改进多尺度核主元分析法.先利用小波变换分析测量数据的多尺度特性,然后采用核主元分析算法进行在线故障检测,对检测到的故障采用核函数梯度算法实现在线故障诊断,根据每个监控变量对统计量T~2和SPE的贡献程度,绘制贡献图,用于故障的分离.在监控过程中为解决核矩阵计算困难,引入特征向量选择方法.TE过程的仿真结果表明它能有效实现故障检测、故障诊断,与主元分析方法相比,显示出更高的过程监控能力.     

应用小波变换信息融合诊断航空发动机故障

研究了小波变换的信息融合技术以及将其应用在振动信号处理、故障诊断方面较传统方法的优越性.在分析的理论基础上.对某型航空发动机用不同传感器采集的振动信号进行信息融合,然后提取出噪声掩盖下振动信号中的故障信息,根据航空发动机整机振动的典型故障特征频率,判断该发动机是否发生故障.     

核函数主元分析及其在故障特征提取中的应用

提出了基于核函数主元分析的故障特征提取方法。该方法利用计算原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析，得到原始特征的非线性主元．以所选的非线性主元作为特征子空间，并应用转子试验台的故障数据对该方法进行了检验。结果表明，核函数主元分析更适于提取故障信号的非线性特征，它提取的故障特征对故障具有更好的识别能力，并对分类器具有较强的鲁棒性。     

基于PCA-SVM集成阀门故障诊断方法研究

提出了一种基于主元分析和支持向量多分类器的故障诊断方法.该方法首先对工业故障数据进行主元分析提取数据集特征并降低数据维数,再把故障特征数据通过支持向量多分类器进行模式分类,最后通过特征分类诊断故障.在DAMADICS阀门模型上进行了仿真,并利用Lublin Sugar Factory工业故障数据进行了验证.仿真结果表明该方法可以快速准确地检测与诊断故障.     

指数加权动态核主元分析法及其在故障诊断中应用

核主元分析法能充分利用核函数来解决非线性问题,具有很好的非线性逼近能力,但传统的核主元分析不能处理动态问题。在分析核主元分析法的基础上,提出一种新的指数加权核主元分析算法,建立一个多变量加权自回归统计核主元模型,选择Q统计量来判断系统是否发生故障,给出指数加权核主元分析法诊断故障的具体计算步骤。对液压泵进行了试验,利用小波包对液压泵端盖的振动信号进行处理,提取由13个时域和时频域特征量构成的故障特征矢量。试验结果表明,与传统的核主元分析法相比,新方法能实时更新主元模型和控制限Qa,合理地利用实时动态信息,能较好地处理动态问题,通过计算比较选择合适的加权因子,能获得良好的故障诊断效果,该方法是可行而有效的。     

基于改进型滑动窗主元分析的盾构液压系统故障诊断研究

将主元分析的分层理论应用于盾构机液压系统的故障诊断,首先阐述了盾构液压系统的PCA分块思想,将盾构液压系统整体分成多个子系统,然后对每一个子系统采用改进型滑动窗算法进行分析,最后以盾构拼装机液压系统为仿真对象进行了仿真分析,仿真结果证明了该算法的有效性。     

基于主成分分析的特征频率提取算法及应用

通过研究主成分分析(principal component analysis,简称PCA)中有效特征值与信号频率和幅值之间的关系,发现有效特征值的数量是由原始信号中频率成分的个数决定,与幅值、频率和相位的大小无关。信号中每个频率产生两个有效的特征值,且幅值决定协方差矩阵C的特征值在其分布图中的排列顺序。提出了一种基于PCA的特征频率提取算法,该算法可实现对单个或多个特征频率的准确提取。将此方法应用于大型转子系统轴心轨迹的提纯上,效果优于谐波小波和小波包算法。     

基于形态分量分析的希尔伯特变换在滚动轴承故障诊断中的应用

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号处理方法。滚动轴承故障信号具有振幅呈指数衰减与环境噪声大的特点。通过构建一个对冲击信号敏感的字典,利用形态分量分析对轴承故障信号的时域形态特征进行最优化稀疏表示,得到滚动轴承冲击信号。并对形态分量分析后的冲击信号进行希尔伯特变换,得到明确的故障特征频率及其倍频。仿真分析与实验结果表明：该方法具有良好的降噪功能,能够准确地提取滚动轴承故障信号中的早期冲击特征。     

核主元分析在透平机械状态监测中的应用

讨论了核主元分析(K erne l P rinc ipa l Com ponen t A na lys is,简称KPCA)原理,提出了基于KPCA的透平机械状态监测方法。该方法在低维特征空间利用内积核函数,实现原始空间到高维空间的非线性映射以及对高维映像数据的主元分析,从而在低维空间得到原始特征的非线性主元,并根据非线性主元构建特征子空间,实现特征提取和对透平机械状态的分类识别并监测其状态变化。对仿真数据及透平机械在正常、重负荷状态下试验数据的研究表明,KPCA分类效果比主元分析好,能有效地识别出透平机械的不同状态,并能及时监测到状态发生的变化。     

改进多线性主成分分析网络及其在滚动轴承故障诊断中的应用

针对实测滚动轴承振动信号通常存在噪声干扰,具有非线性和非平稳特性,而多线性主成分分析网络(MPCAnet)在处理复杂非平稳数据时存在非线性拟合能力差、特征聚类性一般的问题,通过引入核变换,提出了一种改进的多线性主成分分析网络,增大了训练样本间的差异度,进一步提高了MPCAnet在处理非线性数据时的泛化能力和分类精度.通...