排序方式: 共有24条查询结果,搜索用时 0 毫秒
1.
针对Kalman预测在非线性系统故障预报中预测误差较大的问题.提出一种基于支持向量机预测新息的Kalman预测方法.根据未知非线性系统的典型变量分析子空间模型进行Kalman预测.采用支持向量机时间序列预测算法预测未来时刻的新息,利用新息进行Kalman单步和多步预报.在连续搅拌反应器上的仿真研究表明:所提出方法能准确地预测较长时间段内故障过程的劣化趋势,预知可能发生的故障,使操作人员有时间采取必要措施消除故障隐患. 相似文献
2.
对分布于沿海地区的软弱淤泥类土在不同压时长度的室内固结系数试验结果进行对比,分析讨论了压时长度对淤泥类土固结系数的影响。 相似文献
3.
传统统计局部核主元分析(statistical local kernel principal component analysis, SLKPCA)在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析(weighted statistical local kernel principal component analysis, WSLKPCA)的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼(Tennessee Eastman, TE)化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。 相似文献
4.
针对传统基于输出协方差矩阵的性能监控方法未充分考虑过程变量与输出变量之间的相关性问题,提出一种基于偏最小二乘(Partial least squares,PLS)交叉积矩阵非相似度分析的性能监控与诊断方法,用于多变量模型预测控制(Model predictive control,MPC)系统.首先,考虑模型预测控制系统的控制结构,构造包含预测误差的增广过程变量与输出变量相关性的PLS交叉积矩阵,通过非相似度分析方法将交叉积矩阵的非相似度比较转化为转换矩阵特征值的比较.然后提取转换矩阵中表征最大非相似度的l个特征值构造实时性能指标,对MPC系统进行性能监控.检测到性能下降后,进一步利用转换矩阵的特征值诊断性能恶化源.Wood-Berry二元精馏塔上的仿真结果表明,所提方法能够有效地提高监控性能,并准确地定位性能恶化源. 相似文献
5.
“电工电子学”课程学习与生产调研 总被引:1,自引:0,他引:1
为了激发非电类专业学生对"电工电子学"课程的学习兴趣,本文提出一种基于生产调研的课程学习方法。笔者从备课和教学组织两个方面探讨了生产调研环节的建构方案,并以化学工程与工艺专业为例进行具体讨论。生产调研环节能够引导学生了解本专业对电工电子技术的需求,有利于提高学习兴趣。 相似文献
6.
7.
基于双层局部KPCA的非线性过程微小故障检测方法 总被引:1,自引:0,他引:1
针对传统核主元分析(KPCA)方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析(double-level local kernel principal component analysis,DLKPCA)的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。 相似文献
8.
针对容量再生现象影响锂离子电池健康状态预测(SOH)建模精度的问题,提出一种经验模态分解(EMD)的能量加权高斯过程回归(EWGPR)方法。该方法将容量再生现象看作是锂离子电池容量衰减过程的能量凸现,利用EMD分解获得样本的能量分布情况,根据能量情况计算每个样本的权重,进而建立基于能量加权高斯过程回归的锂离子电池SOH预测模型。基于NASA锂电池数据集的仿真实验结果表明,EWGPR方法比基本GPR算法具有更高的精度和适应性,单步预测和多步预测的均方根误差(RMSE)分别减少了3%和10%。 相似文献
10.
针对传统核主元分析(KPCA)方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析(double-level local kernel principal component analysis,DLKPCA)的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。 相似文献