改进的基于数据重构的KPCA故障识别方法

核主元分析(KPCA)方法相对于主元分析(PCA)方法在非线性过程监测方面具有一定的优势,但是KPCA很难找到由特征空间到原始空间的逆映射函数,这给基于KPCA的故障诊断带来了很大的障碍.为此,在KPCA故障数据重构方法的基础上,对故障识别指标进行改进.改进后的方法既能够识别单变量引起的故障,又能识别多变量引起的故障,而且减少了指标计算过程中的运算量,避免了传统故障识别方法只能实现单变量故障追溯的缺陷.将提出的故障识别方法在田纳西过程中进行了仿真研究,结果表明所提方法的有效性.     

核主成分支持向量机模型在蒸发预测中的应用

核主成分分析(KPCA)法具有很好的非线性特征提取能力,利用KPCA提取输入数据的特征信息,并将特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-SVM预测模型.通过实例检验表明,具有非线性特征提取的ISSVM模型的预测效果优于没有特征提取的LSSVM模型.与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好.     

基于时频特征和PCA-KELM的液压系统故障诊断

为了解决液压系统泄漏、堵塞和气穴等多类型故障下特征提取和模式识别困难的问题,提出基于时频特征和PCA-KELM的液压故障智能诊断新方法。首先利用统计分析和总体平均经验模态分解方法,构造高维混合域初始特征向量,从不同特征指标、不同分析角度对不同种类液压故障进行表征和刻画;然后通过主成分分析对多维初始特征向量进行降维和特征二次提取,将高维相关变量转化为低维独立的主特征向量;最后利用PCA主元构造的主特征向量输入核极限学习机网络中,实现故障类型的识别。实验结果表明,混合域初始特征向量能全面准确地描述故障特征,PCA提取的主特征向量摒弃了冗余信息且简化了分类器结构,KELM网络诊断速度快、分类准确率高。     

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.     

基于声学特征的埋地管道堵塞故障的聚类识别方法

针对在实际工程应用中埋地排水管道不同程度的堵塞难以检测的问题,提出了一种基于声学特征的管道堵塞故障类型的聚类识别方法.首先对管道中采集的声学信号进行声压级变换,以增加不同故障类型之间的区分度,其次对声压级信号进行总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),利用皮尔逊相关系数选取前4个IMF分量并提取中心频率和能量占比作为聚类特征,之后采用主成分分析法(Principal Component Analysis,PCA)对特征向量进行降维,最后通过FCM((Fuzzy C-means))和GK(GustafsonKessel),GG(Gath-Geva)3种聚类学习方法对特征向量进行堵塞故障的聚类和识别.实验结果表明,该方法能有效识别排水管道内不同程度的堵塞故障,具有一定的工程实用价值.     

基于KPCA和LSSVM的氧化铝粉流量预测

针对氧化铝粉流量需在线精确测量,在线分析仪表成本较高和测量滞后的问题,提出了一种将核主元分析(KPCA)和最小二乘支持向量机(LSSVM)两种方法相结合的软测量混合建模方法,通过核主元分析(KPCA)提取数据非线性主元,并利用最小二乘支持向量机(LSSVM)建立氧化铝粉流量预测模型,预测结果表明该模型具有更好的非线性数据处理能力,运算速度快、跟踪性能好以及泛化能力强等优点,能满足氧化铝粉流量的在线测量要求.     

KPCA-LSSVM方法在视频时间序列预测中应用

为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.     

改进的KPCA在入侵检测特征提取中的研究

特征提取是入侵检测的关键,特征提取的本质就是变换。针对传统核主成分分析(KPCA)在入侵检测应用中对模式分类问题所提取出的特征组合的不足,提出了一种基于信息度量改进的KPCA算法。数据集使用广泛地使用的KDDCUP99安全审计数据集,用训练样本的各特征向量的类内聚集程度和类间离散程度所组成的信息度量来代替传统KPCA中的累积贡献率,选取有利于检测出异常的特征组合。实验结果表明,改进的KPCA方法在较低的维数下就具有较明显的分类效果。     

基于小波包的开关电流电路故障诊断

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性.     

基于优化支持向量机的带钢延伸量软测量研究

带钢退火过程中存在多变量非线性主导因素和数据噪声,难以用数学模型精确描述退火炉内带钢的延伸量.针对这一问题,提出基于核主元分析(KPCA)与免疫粒子群(ICPSO)优化最小二乘支持向量机(LSSVM)的炉内带钢延伸量软测量方法.采用ICPSO算法避免了粒子群算法易陷入局部最优的缺陷,利用ICPSO对LSSVM进行参数寻优,通过KPCA去除样本噪声,提取输入数据样本中的非线性主元信息,建立ICPSO-LSSVM软测量模型.此方法用于退火炉内带钢延伸量预测,通过现场生产数据仿真实验进行非线性函数估计;对比其他几种现有算法,实验结果表明本文方法具有较高的预测精度.     

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.     

质量预测及故障诊断建模过程中非线性特征提取

工业生产的质量预测及故障诊断建模过程中所涉及的特征数目大、复杂性高、非线性突出,造成了模型维数过高、时间复杂度高、计算精度下降.针对上述问题,提出了一种基于核主成分分析和粗糙集的特征提取方法,首先使用核主成分分析进行特征提取,再对提取出的特征用粗糙集进行约简,介绍了该方法的原理和具体实现步骤.并以某玻璃厂锡槽作业工艺为背景进行仿真实验,应用实际生产数据建立支持向量机的故障诊断模型,将应用核主成分分析、粗糙集及所提方法提取出的特征输入SVM诊断模型.对比三种方法的实验结果表明,基于核主成分分析和粗糙集的特征提取方法提取出的特征更优.     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

基于M-WDLS和PCA的转子故障诊断方法

针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.     

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.     

经验模式分解模糊特征提取的支持向量机混合诊断模型

为解决机械故障小样本模式识别问题，有效地提高分类的准确率，提出了一种基于经验模式分解模糊特征提取的支持向量机混合诊断模型．该模型通过对信号进行经验模式分解，提取信号的本征模式分量并转化为模糊特征向量，对机器故障进行诊断，然后将模糊特征向量输入到多分类的支持向量机中，实现了对机器不同故障类型的识别．将该模型应用于汽轮发电机组的3种工作状态的识别中，测试结果表明，同原有的未经过任何特征提取以及经过小波包模糊特征提取的2种多分类支持向量机方法相比，该模型将分类准确率从原有的53．33％和86．67％提高到100％，有效地改善了分类的准确性．同时，该模型还为汽轮发电机组的故障确诊提供了有力依据．     

基于PCA和KPCA特征抽取的SVM网络入侵检测方法

提出一种新颖的基于特征抽取的异常检测方法,应用主分量分析(PCA)和核主分量分析(KPCA)抽取入侵特征,再应用支持向量机(SVM)检测入侵。其中PCA对输入特征做线性变换,而KPCA通过核函数进行非线性变换。利用KDD 99数据集,将PCA-SVM、KPCA-SVM与SVM、PCR、KPCR进行比较,结果显示:在不降低分类器性能的情况下,特征抽取方法能对输入数据有效降维。在各种方法中,KPCA与SVM的结合能得到最优入侵检测性能。     

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.     

基于特征评估和神经网络的机械故障诊断模型

为了克服在无先验知识的情况下，人为选择时域无量纲指标作为故障敏感特征的盲目性，提出了一种基于特征评估和径向基函数（RBF）神经网络的机械故障诊断模型．该模型分别采用小波包和经验模式分解方法对原始振动信号进行分解，分别提取原始信号和各分解信号的时域无量纲指标组成联合特征，然后对联合特征进行评估，计算评估因子，并根据评估因子的大小选取敏感特征作为RBF神经网络的输入，实现对机器不同状态的自动识别．实验结果和工程应用表明，这种集成了小波包、经验模式分解、特征评估方法和RBF神经网络的机械故障诊断模型能够精细地获取故障信息，从大量的故障特征中筛选出敏感特征，因而减小了网络规模，提高了分类准确率，具有很强的鲁棒性．