基于SKICA的非线性过程缓变故障检测方法研究

针对非线性工业过程缓变型故障的检测问题,提出一种基于累积和核独立元分析(SKICA)的故障检测方法.通过核函数技术将观测数据从非线性空间映射到线性空间,然后对线性空间的数据应用独立元分析算法,提取观测数据中的非线性独立元.为了更好的检测过程中微小变化和缓变故障,进一步应用累积和控制图(CUSUM)的思想.建立累积和非线性独立元并以此构造统计量监控过程变化.在连续搅拌反应器(CSTR)上的仿真结果表明,SKICA方法能够比ICA方法更快的检测出非线性过程中的缓变型故障.     

改进KICA带钢热连轧过程故障检测方法研究

针对传统的FastICA算法对初始权值的敏感性,以及带钢热连轧工业过程数据间呈现非线性和非高斯性的问题,提出一种基于改进的快速核独立元分析(FastKICA)方法进行故障检测.该方法首先对原始数据进行小波包去噪,利用核方法对数据进行特征重构,使数据线性结构化,引入超松弛因子改进FastICA初始权值的选择机制,提取更合理的独立元信号,并且计算相应的统计量和控制限.选用带钢热连轧工业过程实测数据进行仿真,与传统的FastKICA方法相比较,结果证明,基于超松弛因子改进的FastKICA故障检测的方法准确率更高,验证了该方法的有效性和优越性.     

基于核熵成分分析结合独立元分析的故障检测方法

针对工业过程具有多变量、非线性、非高斯等特点,提出了一种基于核熵成分分析与独立元分析的(KECA-ICA)的故障检测方法。首先通过核熵成分分析对数据进行降维,保证了信息量损失最小;然后对熵成分的得分矩阵进行ICA分解,并根据监测量SPE和I2的状态判断系统是否发生故障。通过对TE(Tennessee Eastman)过程的仿真研究,验证了该方法的可行性与有效性,并且对检测效果的鲁棒性能进行了分析。     

基于改进核主元分析的TE过程故障诊断

对于复杂非线性化工过程,传统的核主元分析(KPCA)方法在故障检测方面明显优越于普通的PCA方法,但存在故障辨识效果差的问题,而且实际得到的数据不可避免地带有噪声、随机干扰。针对此,提出一种改进的核主元分析方法,对数据进行小波去噪预处理,利用核主元分析方法进行故障检测,并利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T2和SPE的贡献率,根据每个变量对监控统计量贡献程度的不同,可以辨识出故障源。把上述方法应用到TE(Tennessee Eastman)化工过程,仿真结果表明该方法不仅能够去噪、抗干扰和准确检测故障,而且能够有效辨识故障。     

基于NPCA的后非线性盲源分离方法

提出一种基于非线性主元分析和H∞滤波算法相结合的后非线性盲源分离方法,首先根据后非线性混叠的线性时变模型构造用于求解时变解混矩阵的非线性主元分析代价函数,然后利用H∞滤波算法优化其函数来恢复混合在非线性观测信号中的源信号,该方法仅需要源信号统计独立特性的先验信息。仿真实验结果表明,该方法不仅能以比其他传统方法更好的估计性能分离服从超高斯和亚高斯不同分布的源信号,还能在线动态地实现信号的后非线性盲分离。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

温变工况下螺栓松动检测的独立成分分析方法

导波损伤检测技术的关键在于检测出结构损伤引起的导波信号变化,但环境温度变化也会影响导波传播过程,引起信号改变,导致损伤检测的失败。为了消除温度变化的影响,笔者采用独立成分分析(independent component analysis,简称ICA)方法处理导波响应信号。作为一种盲源分离的算法,ICA能够从混合信号中提取得到独立的未知源信号分量。因此利用ICA方法能将导波的响应源信号从被温度变化干扰的混合信号中分离出来,实现消除温度变化干扰的目的。为验证该方法的可行性,以螺栓连接铝板为对象进行实验,采集不同温度下螺栓全紧及松动状态的导波响应信号,将其经过ICA方法处理后应用到损伤定位算法中。结果表明,应用ICA处理后的导波信号能够成功定位松动螺栓,证实了ICA方法排除温度变化对导波传播影响的有效性。     

EMD和独立分量分析在转盘轴承故障诊断中的应用

提出了一种基于经验模式分解(EMD)和独立分量分析(ICA)相结合的盲源分离方法。首先采用低通滤波对采集到的振动信号进行预处理,其次利用EMD构造多通道测试信号,并通过计算测试信号相关矩阵相邻特征值的最大下降速比估计系统信源数,然后利用峭度指标挑选一组最优测试信号作为Fast ICA算法的输入信号并分离出源信号,最后对源信号进行功率谱分析,获取故障特征频率。模拟试验表明:基于EMD和ICA的盲源分离方法能够较好地分离出源信号,准确获取故障特征频率,具有一定的实际应用价值。     

基于MAF-ICA的工业过程故障诊断

针对复杂工业数据存在自相关的特点,提出一种基于最小/最大自相关因子分析(MAF)结合独立元分析(ICA)的故障诊断方法。首先利用自相关因子分析得到监测量的最大自相关矩阵,该矩阵包含数据信息的空间特征,并且去除了噪声;然后对其进行独立元分析,根据高阶统计信息,提取出独立元;并依据I2和SPE统计量值来判断系统的工作状态;最后采用变量贡献图对故障进行定位。将该方法应用到TE过程,验证了其可行性以及与ICA和MAF相比时的优越性。     

基于粒子群优化MICA的间歇过程故障监测

多向独立成分分析(MICA)能够获取信号的高阶统计量信息,在间歇过程故障监测中得到长足发展。针对Fast ICA算法提取非高斯独立成分时,易受初始点的影响,梯度下降无法收敛到极小点以及算法运行前独立主元个数未知的不足,提出基于粒子群优化的MICA算法。并引入支持向量数据描述(SVDD)算法确定过程监控统计量的置信限,避免了核密度估计带来的"维数灾难"等问题。实验设计由青霉素发酵仿真平台完成,结果显示了本文方法优越于传统MICA方法,能够保证获取非高斯性最大的独立成分,使得对故障的监测更加及时有效。     

基于流形学习的滚动轴承故障盲源分离方法

滚动轴承的故障信号是一种典型的非线性非平稳信号,其信号中常常混有噪声信号及其他干扰成分。提出了一种基于流形学习的滚动轴承故障盲源分离方法,首先,利用经验模态分解(empirical mode decomposition,简称EMD)对单通道模拟信号进行分解,对得到的多通道信号构造其协方差矩阵,计算矩阵的奇异值下降速比得到原始信号数目;其次,利用峭度等指标选择最优观测信号,利用核主成分分析(kernel principal components analysis,简称KPCA)提取信号的流形成分;最后,利用快速独立成分分析(fast independent component analysis,简称Fast ICA)还原得到源信号。该方法不但解决了故障信号的欠定盲源分离问题,还提出了最优观测信号的确定准则,并通过实例验证了方法的有效性。     

基于统计模量分析间歇过程故障检测方法研究

针对间歇生产过程非线性、动态性、多阶段、采样不同步等特点,提出一种基于统计模量分析的故障检测方法.间歇过程统计模量反映原始数据特征,可以有效提取过程的非线性特征,保证了统计模量近似服从高斯分布,并使采样数据在不丢失信息的前提下同步化处理.在统计模量训练集中应用主元分析(PCA)方法进行故障检测,可以满足T2和SPE控制限确定的假设要求,使故障检测的准确性与可靠性得到提高.通过在盘尼西林发酵间歇过程中的应用和与多向主元分析(MPCA)、核主元分析(KPCA)等方法对比,验证了此方法的有效性.     

基于CVA-ICA的机械故障源动态盲分离方法

动态盲源分离问题是多故障源盲分离的一个热点。传统的机械故障源分离方法要求满足统计特征保持稳定,且混合系统保持不变等假设,而忽略了时序信息。针对此不足,结合规范变量分析(Canonical variate analysis,CVA)和独立分量分析(Independent component analysis,ICA),提出一种基于CVA-ICA的机械多故障源动态盲分离方法。该方法的基本思想是将源信号看成状态空间的状态变量,观测信号看成状态空间的输出变量,从而将动态混合盲源分离问题转化为状态空间盲源分离问题,利用规范变量分析作为降维工具来构造状态空间,再利用传统的ICA算法对规范的观测信号进行盲源分离。仿真研究表明,在处理动态混合的盲分离中,提出的方法明显优于静态ICA方法,取得了满意的分离效果。将该方法应用到滚动轴承内圈和滚动体的故障盲分离中,试验结果进一步验证了该方法的有效性。     

独立分量分析在转子多源故障自适应时频分析中的应用

针对短时傅里叶变换(STFT)和Wigner-Ville分布等传统时频分析方法对转子多源故障分析效果不理想的问题,提出了一种基于独立分量分析(Independent Components Analysis,ICA)和自适应时频分析结合的抗干扰转子故障非平稳信号分析方法。该方法首先对采集的信号进行ICA处理得到独立分量,然后对独立分量进行自适应时频分析,提取出故障频率信息,最后对独立分量进行阶比跟踪分析得到的瀑布图,更加充分地验证了试验结果。仿真和试验对转子不平衡和地脚螺栓松动故障进行了研究,分析结果验证了本方法的可行性和有效性。     

基于独立分量分析的高光谱图像端元提取算法

本文提出了一种基于独立分量分析的高光谱图像端元提取算法.独立分量分析是一类解决盲信号分离问题(BSS)技术的总称,而所谓的盲信号分离是在源信号和混合系统未知的情况下,只根据混合信号分离出源信号的问题.在假设端元分布独立的情况下,本文把端元提取问题转化为盲信号分离问题,并利用一种具体的ICA技术--联合对角化算法来解决.最后,通过仿真验证了算法的有效性.     

基于ICA-MPCA的间歇过程监测方法

针对基于多向主元分析(multi-way principal component analysis, MPCA)的间歇过程监测方法需要事先假定变量呈高斯分布的缺陷,提出了一种新的ICA(independent component analysis, ICA)-MPCA多变量间歇过程统计监测方法.该方法先用ICA法从过程信息中抽取非正态分布的特征信号,并确定联合分布的统计置信限;然后对提取非正态特征信号后残余的服从多元正态分布的过程信息进行MPCA分析,从而避免了基于MPCA间歇过程监测方法需假设过程特征信号全部服从正态分布的前提.将该法应用于β-甘露聚糖酶间歇发酵过程监测,结果表明该法不仅能有效地监测出故障,尤其是对过程变量不满足正态分布的情况下,能够准确地对过程进行监测.     

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。     

基于形态成分分析的轴承复合故障诊断

独立分量分析(ICA)已被广泛运用于线性混合模型的盲源分离问题,但却有2个重要的限制:信源统计独立和信源非高斯分布。形态成分分析是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法。介绍了形态成分分析的基本原理,进行了仿真说明,并应用该方法对设置了3种故障的轴承进行故障诊断,最终发现了故障特征,成功判别出了轴承的3种故障,验证了该方法在轴承故障诊断中的有效性。     

独立分量分析在齿轮箱故障诊断中的应用

提出了一种用于齿轮箱故障诊断的信号预处理方法.推导了基于互信息最小化的独立分量分析算法(简称ICA算法),应用确定性混合信号对算法进行了仿真验证,并将该算法应用于齿轮箱振动信号的预处理中.经3种工况下的齿轮箱振动信号的ICA分解结果分析,表明应用ICA技术后,故障信息得到了极大的增强.改变了传统的以降噪为主的故障信息增强思想,为微弱故障的有效诊断提供了一定的技术手段.