基于免疫核主元分析的故障诊断方法

针对核主元分析(KPCA)中的复杂运算和故障分离问题,提出一种基于免疫核主元分析(immune-KPCA,IKPCA)的故障诊断方法.该方法使用小波变换技术对数据进行预处理,然后利用基于克隆选择原理的免疫算法对建模数据进行压缩,提取特征样本建立核矩阵以降低运算复杂程度.在IKPCA监控统计量检测到故障后,基于灵敏度分析思想构造贡献图分离故障变量.在连续搅拌反应釜(CSTR)仿真过程上的应用结果表明,本文提出的方法能够显著地降低核矩阵的计算量,比传统的PCA、KPCA方法更有效地检测过程故障,而且能够正确地识别故障变量.     

KPCA在凿岩台车控制系统传感器故障诊断中的应用

传感器状态对于凿岩台车的作业有着极其重要的影响,对其展开故障诊断十分必要.核主成分分析(KPCA)方法通过集成算子与非线性核函数计算高维特征空间的主元成分,有效捕捉过程变量中的非线性关系,将其用于传感器4种常见故障的诊断,先用Q统计量进行故障监测,再用T2贡献量百分比变化来识别故障.仿真和实际应用结果表明:KPCA方法具有很好的故障监测与诊断能力.     

基于改进核主元分析的故障检测

针对电主轴系统特点,提出基于改进核主元分析(KPCA)的故障检测方法,引入混合核函数的定义,将多项式核和径向基核的混合核方法与主元分析方法(PCA)相结合,解决采用单一核函数诊断故障时的高误诊率问题.首先对数据进行预处理,然后使用混合核函数对数据矩阵进行映射,映射到高维特征空间,使非线性数据变量变为线性数据变量,并使用PCA提取变量数据的高维空间相关特征确定主元个数,最后根据混合非线性主元特征计算出的T2和Q统计量,实现在线故障检测.该方法改进传统核函数的选取方法,充分考虑工业过程中的非线性,更精确地描述工业过程特性,可以准确、有效地检测出电主轴系统故障.对田纳西-伊斯曼(TE)过程以及电主轴系统的应用实例证明该方法的可行性.     

基于KPCA-LSSVM的发动机PT燃油系统故障诊断

为有效解决PT燃油系统进油油路堵塞、滤清器泄漏、喷油器油路堵塞等多种典型故障诊断问题,提出了基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的故障识别方法。首先计算油压信号的时域特征集,然后采用KPCA对原始多维初始特征向量进行特征提取,最后将经过KPCA提取的主特征向量输入经多种群遗传算法(MPGA)优化的LSSVM中实现故障类型的识别。实验结果表明,KPCA提取的主特征向量有效表达了原始故障的特征信息,相比于传统的BP神经网络和未经参数优选的LSSVM等分类模型,基于KPCA-LSSVM的故障识别方法速度更快、分类准确率更高。     

基于核主元分析的湿法烟气脱硫系统的故障诊断

提出一种基于核主元分析(KPCA)的故障诊断方法,通过提取集成算子与非线性核函数计算后映射到高维空间的主元成分,有效地捕捉过程变量的非线性关系.对华能福州电厂烟气脱硫过程采集的数据进行传感器完全失效、偏差等故障实验仿真,结果表明,KPCA具有很好的故障诊断能力.     

基于改进的KPCA的TOFD图像缺陷识别方法

针对TOFD D扫描图像缺陷提出一种新的缺陷识别方法.该方法首先采用KPCA(核主元分析算法)进行特征提取,并采用微粒群算法(PSO)自动优化核参数δ,最后用SVM分类器完成特征识别.在134幅TOFD缺陷图像中,分别采用(PCA+SVM)、(KPCA+SVM)和(PSO-KPCA+SVM)三种方法进行试验,试验结果表明,所提出的方法识别正确率更高.     

基于核主元分析和支持向量机的结构损伤识别研究

为了提取有效的损伤特征并提出实用的损伤识别方法,本文利用核主元分析(KPCA)良好的非线性特征提取和支持向量机(SVM)在非线性映射、分类方面的优秀性能,提出了一种基于非线性特征提取的支持向量机损伤识别方法.首先采用粒子群算法(PSO)来优化KPCA的核参数,然后运用优化后的KPCA进行损伤特征提取,最后用SVM进行模式分类并输出识别结果.为了验证所提方法的有效性,通过一个12层钢混框架模型进行损伤识别,并重点研究了KPCA的核参数优化模型及可分性分析、噪声程度、不同特征提取方法、神经网络模型对该方法性能的影响.研究发现:本文所提出的方法不仅能有效地提取损伤特征和降低数据维数,而且具有较高的损伤识别和抗噪能力、泛化能力,且鲁棒性很强.     

KPCA-KPLS方法在pH中和过程建模中的应用

针对化工过程中的具有严重非线性、不确定性、时变性的复杂pH中和过程系统建模问题,提出一种基于核主元分析(KPCA)与核偏最小二乘(KPLS)相结合的建模方法.在高维特征空间内,该方法通过KPCA有效地提取输入数据的非线性主元,利用KPLS方法将输入变量投影在潜在变量上,再用输入与输出变量之间的协方差信息提取潜在特征建立pH中和过程模型.为验证其有效性,将KPCA-KPLS方法应用到弱酸强碱中和过程、强酸强碱中和过程实例中,并与核偏最小二乘、核主元分析_支持向量机(KPCA-SVM)、核极限学习机(KELM)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)、SVM等方法进行比较.实验结果表明:KPCA-KPLS方法具有很高的动态建模精度.     

改进的主元分析法在连铸结晶器过程监测中的应用

将改进的主元分析(PCA)方法应用于连铸结晶器的过程监测.基于板坯连铸结晶器摩擦力实测数据进行仿真分析,结果表明,改进的PCA避免了Q统计量的保守性,从而能够更有效地识别过程故障与工况改变引起的T2统计量的变化.与传统的PCA方法相比,改进PCA具有更强的故障检测能力.     

可变窗自适应核主元分析的化工过程故障诊断算法

针对核主元分析法(KPCA)处理非线性时变化工过程故障诊断易产生误报的问题,提出一种基于可变窗技术的快速自适应核主元分析(AKPCA)故障诊断算法.该算法在过程监控中当大量的数据块来临时,分别对KPCA模型进行迭代更新和复旧处理,通过计算SPE和T2统计量来调节滑动窗的尺寸,从而实现KPCA模型的进一步更新,克服了传统的自适应KPCA方法只能够处理某个时刻的一个观察点数据的缺点,能够有效地排除异常样本影响,从而提高时变过程性能检测的准确性.将该方法应用于酮苯脱蜡过程的监控中.与KPCA、滑动窗KPCA(MWKP-CA)的监测性能进行比较,仿真结果表明该方法能够很好地降低过程故障的误报率,对非线性时变的化工过程具有更可靠的检测性能.     

Nonlinear fault diagnosis method based on kernel principal component analysis

To ensure the system run under working order, detection and diagnosis of faults play an important role in industrial process. This paper proposed a nonlinear fault diagnosis method based on kernel principal component analysis (KPCA). In proposed method, using essential information of nonlinear system extracted by KPCA, we constructed KPCA model of nonlinear system under normal working condition. Then new data were projected onto the KPCA model. When new data are incompatible with the KPCA model,it can be concluded that the nonlinear system is out of normal working condition. Proposed method was applied to fault diagnosis on rolling bearings. Simulation results show proposed method provides an effective method for fault detection and diagnosis of nonlinear system.     

基于核主元分析与支持向量机的监控诊断方法及其应用

为了及时反映密闭鼓风炉冶炼过程状态,实现对密闭鼓风炉炉况的监控与诊断,提出核主元分析和多支持向量机分类的相结合的过程监控与故障诊断方法.其原理是:首先,用核主元分析方法提取过程数据特征,建立核主元分析的监控模型;然后,将代表过程特征的核主元送入多支持向量机分类器中,利用"一对其余"算法对故障进行诊断与分类.实验结果表明,所提出的方法与传统的主元分析方法相比,整个样本集的可分性变大,分类正确率提高,能更准确地诊断炉子的各种故障,可有效地用于密闭鼓风炉冶炼过程的故障诊断.     

基于双核独立元分析的化工过程故障诊断算法研究

由于化工生产过程数据具有强非线性和非高斯性特征,提出了核主元分析与核独立元分析相结合的可用于化工过程故障诊断的双核独立元分析算法,该算法利用核主元分析的非线性核函数把数据从原空间映射到高维特征空间进行白化预处理,再用核独立元分析算法进行独立元分析,在特征空间中获得故障监控统计量,计算控制置信限,达到有效的故障诊断.提出的算法应用在连续搅拌反应釜过程中,结果表明,该算法对化工过程故障诊断能有效提高准确度、降低漏报率和误报率.     

Nonlinear Statistical Process Monitoring and Fault Detection Using Kernel ICA

A novel nonlinear process monitoring and fault detection method based on kernel independent component analysis (ICA) is proposed. The kernel ICA method is a two-phase algorithm: whitened kernel principal component (KPCA) plus ICA. KPCA spheres data and makes the data structure become as linearly separable as possible by virtue of an implicit nonlinear mapping determined by kernel. ICA seeks the projection directions in the KPCA whitened space, making the distribution of the projected data as non-gaussian as possible. The application to the fluid catalytic cracking unit (FCCU) simulated process indicates that the proposed process monitoring method based on kernel ICA can effectively capture the nonlinear relationship in process variables. Its performance significantly outperforms monitoring method based on ICA or KPCA.     

基于改进的FCM和KPCA的多光谱图像特征提取方法

分析了PCA和KPCA对于提取多光谱图像非线性特征的不足,提出了一种基于改进的FCM和KPCA的多光谱图像特征提取方法。首先利用改进的FCM进行聚类分析,然后将获得的聚类中心作为输入样本,进行KPCA,从而得到主成分图像。试验结果表明,文中提出的方法具有良好的特征提取性能,可有效地提取多光谱图像的非线性特征。     

基于高斯受限玻尔兹曼机的非线性过程故障检测

针对非线性工业过程,提出了一种基于高斯受限玻尔兹曼机(GRBM)模型的故障检测方法.该方法从海量过程数据中提取出GRBM隐层特征信息,通过隐层特征再构建出重构数据,并依据重构误差在残差空间中构建检测统计量,形成了非线性过程故障检测算法.仿真结果表明,基于GRBM的故障检测方法不仅比传统的核主元分析(KPCA)方法具有更好的故障检出率,并且针对大数据量问题具有更强的处理能力.     

Comparison between PCA and KPCA methods in comprehensive evaluation of robotic kinematic dexterity

Due to the correlation and diversity of robotic kinematic dexterity indexes, the principal component analysis （PCA） and kernel principal component analysis （KPCA） based on linear dimension reduction and nonlinear dimension reduction principle could be respectively introduced into comprehensive kinematic dexterity performance evaluation of space 3R robot of different tasks. By comparing different dimension reduction effects, the KPCA method could deal more effectively with the nonlinear relationship among different single kinematic dexterity indexes, and its calculation result is more reasonable for containing more comprehensive information. KPCA＇ s calculation provides scientific basis for optimum order of robotic tasks, and furthermore a new optimization method for robotic task selection is proposed based on various performance indexes.