一种基于KPCA的非线性故障诊断方法

介绍了一种非线性故障检测方法———核主元分析法(KPCA),通过核函数来完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间.在特征空间中使用PCA计算主元,构造T2和SPE统计量检测过程故障的发生.提出了一种KPCA贡献图计算方法,根据测量变量和非线性主元的相关性,计算测量变量的贡献量绘制贡献图,用于故障变量的分离.仿真结果表明,KPCA方法可以比PCA方法更加迅速的检测到故障的发生,利用KPCA贡献图可以较好的辨识出故障变量.     

基于小波包和KPCA的时频域故障检测方法

针对故障检测技术中存在的非线性和信息遗漏问题,在深入分析核主元分析法的基础上,提出了一种新的基于小波包和核主元分析法（KPCA）的时频域故障检测方法.利用小波包对原始信号进行预处理,提取包含时域和频域特征参数构成的特征向量,应用KPCA进行故障检测,同时对液压泵也进行了故障检测.试验结果表明,时域和频域特征参数构成的特征向量很好地反映了故障的特征,与PCA相比,KPCA的主元数目可选择范围宽,该方法对液压泵故障检测有良好的效果.     

基于集成主成分分析的故障检测方法

针对核主成分分析(KPCA)和主成分分析(PCA)的一些不足,提出一种基于集成主成分分析的故障检测方法。该方法将PCA与KPCA结合,利用KPCA描述过程的非线性信息并提取核主成分,再利用PCA对原始信息和核主成分一同提取线性主成分,通过构造统计量T2和SPE(或Q)进行故障检测。在TE(Tennessee-Eastman)过程上的仿真研究表明,本文提出的方法较PCA和KPCA有更高的故障检测精度。     

基于KPCA-SVM的相关和独立变量故障检测方法

实际工业过程中有一些独立于其他变量的过程变量，为能够分别检测独立变量与相关变量，提出一种基于核主成分分析（kernel principal component analysis,KPCA）和支持向量机（support vector machine,SVM）相结合的相关和独立变量故障检测方法，记为KPCA-SVM．首先，应用基于互信息的变量划分策略，通过计算变量之间的互信息将过程变量划分为相关变量和独立变量．然后，在相关变量空间和独立变量空间分别建立KPCA和SVM模型对测试数据进行监测．与传统KPCA和SVM算法相比，KPCA-SVM方法结合了KPCA在检测相关变量和SVM方法在检测独立变量上的优势，提高了KPCA和SVM方法的故障检测性能．最后，将KPCA-SVM方法应用于田纳西-伊斯曼（Tennessee-Eastman,TE）工业过程进行故障检测，并与KPCA、核熵成分分析（kernel entropy component analysis,KECA）和SVM方法进行比较．仿真结果表明，KPCA-SVM方法具有较好的检测效果，对于多种故障的检测效果有所提升，其中对于微小故障5的检...     

基于粒子群优化的核主元分析的故障检测方法

目的提出使用粒子群优化(PSO)方法进行核参数优化,获得混合核KPCA的故障检测方法.方法引入多项式核函数和高斯径向基核函数的混合核方法,使用PSO对各参数同时进行优化,得到最优的混合核函数,再与PCA相结合,得到基于PSO优化的KPCA.结果根据混合非线性主元特征计算出的T2和SPE统计量,实现故障检测.并且其故障检测率高于径向基KPCA,时间成本低于多项式KPCA.结论通过田纳西-伊斯曼(TE)测试过程以及电主轴系统的应用实例说明了KPCA方法的可行性与实用性.     

间歇过程的KPCA恒值判定故障诊断模型

为了研究主元分析故障诊断模型在非线性时变过程中应用的局限性和降低基于非线性主元分析的过程监控方法的计算复杂度,将核变换理论引入非线性空间的数据特征提取中,提出了一种基于核主元分析(KPCA)恒定值检测的故障监测模型.该模型通过恰当的选取核函数的参数值,达到对过程故障的恒定值检测,而且与其它非线性算法相比计算复杂度低.通过啤酒发酵过程的故障检测实验验证了该方法能够及时地检测出过程故障,对缓慢时变的间歇过程具有实时性和准确性.     

KPCA-RVM组合建模方法及其在软测量中的应用

提出了一种核主元分析(KPCA)和关联向量机(RVM)相结合的组合建模方法。KPCA - RVM采用KPCA对原始自变量进行非线性变换并提取主成分,形成特征自变量;采用 RVM,对 KPCA变换后的样本数据进行回归建模,并根据模型的预报能力自适应的确定参与回归的最佳特征变量个数,消除冗余信息干扰,获得强非线性表达能力且预报性能良好的模型。并将KPCA - RVM应用于 PTA装置对羧基苯甲醛(4 - CBA)含量的软测量建模,结果表明该方法预测精度高于PCA - RVM和RVM。     

基于改进的小波核主元分析故障检测

研究了基于核主元分析的非线性系统故障检测问题.提出了一种改进的小波核主元分析的故障检测方法.该方法首先对数据进行小波去噪预处理,然后再利用小波核函数,将非线性的输入空间转换到线性特征空间.在特征空间使用主元分析,结合SPE统计量和T2统计量对非线性系统进行故障检测.仿真结果表明:该方法能够提高故障检测性能.     

基于分步动态核主元分析的故障诊断方法

目的研究复杂工业系统动态、非线性特点,提出分步动态核主元分析（KernelPrincipalComponentAnalysis,KPCA）的故障诊断方法．方法该方法首先构造增广矩阵,然后将增广矩阵分成一系列子矩阵,将各子矩阵的构建一个新的数据增广矩阵,并对每个子矩阵使用KPCA提取变量数据的非线性空间相关特征,最后通过监测统计量监测出系统故障,用贡献度的方法识别发生故障变量．结果该方法改进了传统的动态方法,引入分步动态的定义,并且能充分考虑工业过程中的非线性和动态性,更精确的描述Y--,Ak过程特性,更精确的监测复杂工业系统的故障,并准确的识别出故障变量．结论对热连轧过程中活套故障诊断的仿真结果表明：基于分步动态KPCA的故障诊断方法能准确有效地诊断出故障,并识别出产生故障的原因．     

基于特征空间降维的溶剂脱水分离过程监控

针对传统化工过程中检测变量具有的非线性和非高斯性等特点,提出将改进的核主元分析（KPCA）和支持向量数据描述（SVDD）相结合的化工过程故障诊断方法.根据Mexican hat小波在提取非线性非平稳信号细微特征方面的优势,将该小波函数引入到KPCA中以增强核函数的非线性映射和抗噪能力.在映射后的特征空间中进行均值聚类分析,选择每个聚类中展现特征中心的数据,使运算复杂度明显降低,提高了监控实时性.采用SVDD描述经过聚类降维后的特征空间分布,提出新的监控指标描述过程的非高斯特性.将该方法应用在一个实际的溶剂脱水化工精馏过程中,仿真结果验证了该方法能够及时有效地检测系统产生的故障.     

逆PCA方法及其在故障检测与诊断中的应用

针对主元分析方法的特点，提出一种逆主元分析方法，具体采用二次投影逆主元方法，以实现故障发生时，主元空间向故障变量的投影．首先，对负荷矩阵进行方差最大正交旋转，以使某一个或某几个主元能够与某一特定子系统相对应，实现第一次投影；然后，在子系统内部进行故障诊断，实现二次投影．该方法提高了PCA方法的检测灵敏度和诊断效能．     

SKPCA⁃LSSVM模型在汽油干点预测中的应用

常压塔塔顶汽油干点与产品质量密切相关,因为常减压蒸馏工艺流程和变量相关性均复杂,所以汽油干点预测很难在线进行。软测量方法是解决这类变量估计和控制预测问题的一种技术途径。在核主元分析（KPCA）算法中引入稀疏主元分析（SPCA）思想,采用稀疏核主元分析（SKPCA）算法对模型的输入变量进行选择,实现了数据的非线性降维,简化了主元结构,增加了主元变量的稀疏性。将选择的稀疏主成分作为最小二乘支持向量机（LSSVM）的输入,建立常压塔塔顶干点软测量预测模型。仿真结果表明,SKPCA?LSSVM模型相对于传统PCA?LSSVM、KPCA?LSSVM方法具有较高的预测精度和性能优越性。     

一种基于RBF神经网络的非线性PCA故障检测方法

针对传统PCA(主元分析)故障诊断方法在非线性过程应用中存在的缺点,提出了一种基于RBF(径向基)神经网络的非线性PCA故障检测方法。首先,提出一个由两个RBF网络构成的非线性统计模型,其中第一个网络用于建立输入变量到主元的非线性映射,第二个网络实现逆映射来重构原始数据。其次,用主元曲线算法来解决网络训练数据的获取问题。最后,给出了使用基于RBF网络的非线性PCA方法进行故障检测的步骤,并通过一个三阶非线性系统的仿真实例验证了该方法的有效性。     

基于核主元分析和模式匹配的非线性性能监控和故障诊断

利用核主元分析非线性性能监控的优势,并将相似度分析引入故障诊断领域,提出了基于核主元分析和模式匹配技术相结合的性能监控和故障诊断方法。针对PCA相似度分析存在的问题,对该方法进行了改进。由于KPCA方法具有较好的非线性特性提取能力,因此首先利用KPCA法计算数据的非线性主元,然后计算不同数据集之间的非线性主元相似度;并将主元相似度、非线性主元相似度和基于距离的相似度赋予不同的权值构成综合相似度指标来进行模式匹配。TE过程仿真试验验证了该方法在非线性性能监控与故障诊断中的有效性。     

基于KPCA-MLR的烟气轮机非线性故障预测

针对烟气轮机振动信号的非线性、非平稳特性,提出了一种核函数主元分析(KPCA,Kernel Principal Component Analysis)和多层递阶(MLR,Multi-Level Recursive)预测模型相结合的烟气轮机非线性故障预测方法。首先,采用非线性数据模型KPCA对烟气轮机运行状态进行故障检测;然后,采用非线性预测模型MLR分别对故障检测指标T2和SPE统计值进行趋势预测。仿真结果表明,KPCA完全适合于烟气轮机的故障检测,具有处理非线性、非平稳数据的能力,并且MLR模型预测精度较高。     

动态核主元分析在无人机故障诊断中的应用

飞行控制系统作为无人机(unmanned aerial vehicle, UAV)的核心子系统,对其进行故障诊断可以大大提高无人机的安全性和可靠性。在无人机数学模型未知或者不确定的情况下,数据驱动的故障诊断方法比基于模型的方法更实用。考虑无人机飞行控制系统是典型的非线性动态系统,采用一种非线性主元分析方法对其进行故障诊断。利用数据建立无人机飞行控制系统正常状态下的动态核主元模型,通过T²和SPE两种统计量实现故障检测;故障发生后,利用重构贡献图的方法进行故障分离。仿真试验证明,该方法能对典型的无人机执行器和传感器故障进行有效监测和诊断。与动态主元分析相比,动态核主元分析方法对微小故障更为敏感。     

一种改进的多模态过程故障检测方法

针对传统单模态故障检测方法对多模态工业过程故障检测准确率和效率低的问题,提出将变分模态分解(VMD),独立主元分析(ICA)和核主成分分析KPCA相结合的联合故障检测方法 VMD-IKPCA应用于多模态故障检测。首先,在对样本数据进行模态聚类之后,应用VMD对多模态过程数据进行滤波、降噪处理,通过ICA对处理过后的数据进行主元提取并应用KPCA对提取的主元变量进行故障检测。该方法的有效性通过多模态TE过程的故障检测进行验证,并与传统KPCA方法进行比较。实验结果表明,VMD-IKPCA对多模态过程故障检测有效性好,准确率高。     

基于KPC-kNN方法的批次过程故障诊断

为克服FD-kNN算法的计算量和存储量特别大,PC-kNN主元仅仅能体现过程中线性信息的不足,提出一种基于KPC-kNN的故障诊断方法.在KPCA提取非线性信息后,在核主元空间里应用kNN算法,计算k个最近样本的距离平方和作为统计指标,使用核密度估计方法计算训练空间的控制限.半导体工业实例的实验结果验证了所提方法的有效性.     

基于KPCA的结构振动信号特征提取研究

本文提出基于核主元分析（Kernel Principal Component Analysis,KPCA）的结构振动信号特征提取方法。通过对原始信号进行KPCA分析得到非线性主元,根据非线性主元的累计贡献率确定非线性主元个数,然后根据结构信号在不同损伤状态下的KPCA特征构造结构特征指标,由此判断结构相对于基准状态是否发生了损伤。试验结果表明,该方法在基准状态为无损状态和小损伤状态下都能很好的判断结构是否发生损伤,用于结构损伤识别特征提取是有效的。     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.