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.     

一种适用于高维非线性特征数据的聚类算法及应用

针对高维数据聚类分析中数据之间具有多种非线性特征关系,导致数据分布不均、传统相似性度量失效及结果类中心难以精准表征等问题,提出了一种基于核主元分析(KPCA)与密度聚类(DBSCAN)的高维非线性特征数据聚类分析技术。首先,为有效提取高维数据的非线性特征,利用KPCA理论将原始数据映射到更高维数据空间,利用主元分析获得数据变化的方向集合,并进行降维分析;然后,通过重新定义数据样本在主元空间的相似性距离对传统DBSCAN聚类方法进行改进,并利用3δ统计理论对各簇中心的进行表征,从而实现高维数据的精确分类与类中心知识表达。以实际高血压患者群体聚类问题为例对方法进行了有效性验证,实验表明,所提方法可以有效获取原始数据的非线性特征,实现患者个体特征群体的有效划分及簇类中心知识的表达,解决传统DBSCAN聚类方法对高维数据不适用的问题。     

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SPA间歇过程故障诊断的MKNPE算法

非线性特性是工业过程的显著特性,特别是间歇过程有着更强的非线性,而且传统方法只是对数据的协方差矩阵进行分解,忽略数据高阶统计量信息,从而无法充分提取非线性过程的有效信息导致诊断效果不佳.针对以上问题,提出了基于统计量的多向核邻域保持嵌入算法.该算法首先引入统计量模式分析方法(SPA)将样本数据投影到统计量样本空间中,可以更充分地提取非线性数据的高阶统计量信息;然后在统计量空间中通过核函数将统计量样本映射到高维核空间,用以解决数据的非线性;最后在高维核空间中应用邻域保持嵌入算法充分提取数据的局部结构来对间歇过程进行监控,检测到过程故障后用变量贡献图法诊断出故障变量.通过青霉素发酵过程验证了该算法对强非线性的间歇过程故障诊断是有效的.     

KPCA与LTSA融合的转子故障数据集降维算法

针对核主成分分析(kernel principal component analysis,KPCA)和局部切空间排列算法(local tangent space,LTSA)在降维过程中无法兼顾保持数据全局结构特性和局部结构特性的问题, 利用核函数的可线性叠加性质,提出一种将KPCA算法与LTSA算法融合的非线性降维算法.该算法能使故障数据集经过降维后同时保持数据样本间的全局距离关系和局部邻域关系.应用验证表明:本算法可以准确地提取故障数据集中所包含的全局与局部结构特征模式,使故障分类的结果更明晰、更准确、更有效.     

基于非线性映射的特征提取技术研究

从特征提取角度出发，分析了曲元分析法(CCA方法)的非线性映射算法原理，研究了曲元分析在高维数据本征维数提取中的应用，在此基础上提出了基于非线性映射曲元分析法的设备状态特征提取技术，对仿真和齿轮故障数据的研究表明，该方法能提取出对模式识别敏感的特征集，可有效用于机械设备的故障模式分类识别。     

基于核状态空间ICA的非线性动态过程故障检测方法

针对工业过程的非线性和动态特性,提出一种基于核状态空间独立元分析的故障检测方法.采用核规范变量分析法将非线性动态过程数据映射到核状态空间,得到去相关的状态数据.对状态数据的各时延协方差矩阵进行加权求和得到状态数据的时序结构矩阵,进而建立ICA统计模型,从状态数据中提取独立元特征数据,并构造监控统计量检测过程故障.在Tennessee Eastman过程上的故障检测结果表明,相比于传统的基于动态核主元分析的故障检测方法,该方法更加灵敏地检测到故障的发生,提高故障检测率.     

基于核向量空间模型的专利分类

提出了一种利用核函数改进向量空间的新模型：核向量空间模型，该模型利用Mercer核，把输入空间的样本映射到高维特征空间，在高维特征空间中按向量空间模型操作。然后用核向量空间模型实现专利分类．理论分析及在专利分类中的实验表明，所提出的模型比经典向量空间模型有更高的正确分类率。     

基于高维映射感知器网络的机器学习分类方法

利用Rosenblatt感知器网络的权值学习方法,提出一种解决线性不可分样本的多类分类方法.该方法不需要考虑使用何种核函数,将高维坐标值作为分类信息的函数,直接解决非线性多类分类问题.对双螺旋线数据分类应用的结果表明:基于高维映射感知器网络的多类分类机器学习方法可以有效解决非线性数据的分类问题,并能够提高分类效率和准确度.     

WKICA算法在多光谱遥感特征提取中的应用研究

多光谱遥感图像具有高度冗余、非线性化的特点。对其进行有效的特征提取是完成精确目标分类的前提。基于核方法强大的非线性映射能力,提出一种小波核独立成分分析WKICA算法。WKICA算法结合小波核函数近似正交,能够对复杂非线性信号进行逐步逼近的优势,有效提高了核独立成分分析KICA算法的求解精度。将其应用在多光谱遥感图像特征提取中,并对预处理条件下的图像采用不同的监督分类方法进行分类实验。实验结果表明,在WKICA算法预处理条件下,能够更有效的滤除图像噪声,相比较传统的特征提取算法,能够获取更加精确的图像分类效果。     

Volterra核函数在齿轮裂纹故障识别上的应用

针对非线性条件下齿轮裂纹故障信号微弱以及受输入量变化的影响,进而给故障精准度带来的严峻考验,提出利用二阶Volterra核函数从系统整体角度分析裂纹故障与非线性因素变化之间的内在联系。利用时间序列辨识齿轮裂纹故障二阶Volterra核函数,分析谱图中反映齿轮运行状态的非线性信息。结果表明:二阶Volterra核函数考虑了输入因素对系统诊断精度的影响,对齿轮箱因工况改变而引起的非线性因素的变化反映十分敏感,从而解决了传统齿轮边频带故障诊断理论的模糊性和不确定性问题,可以将其应用于齿轮裂纹故障诊断。     

基于ITD和模糊聚类的齿轮箱故障诊断方法

为提高齿轮箱故障诊断的准确性与效率,针对其振动信号非线性和非平稳性的特点,提出将固有时间尺度分解(ITD)和模糊聚类(FCM)相结合的齿轮箱故障诊断方法。首先对齿轮箱振动信号进行固有时间尺度分解,提取包含主要故障信息的前4个固有旋转分量(PRC),求取PRC的特征能量作为故障特征向量。然后利用模糊C-均值聚类算法对齿轮箱故障进行识别与诊断,并将该方法应用到现场齿轮箱的诊断中。结果表明,诊断结果与实际情况完全相符,该方法比经验模式分解与模糊聚类相结合的方法具有更高的计算速度和精度,为齿轮箱故障诊断提供了一种新的有效方法。     

基于参数优化变分模态分解与支持向量机的齿轮箱故障诊断

齿轮箱故障振动信号具有非线性、非平稳的特点,在故障早期难以实现故障特征的提取和故障类型的识别。本文提出磷虾群算法（krill herd algorithm, KHA）-变分模态分解（variational mode decomposition,VMD）-多尺度排列熵（multi-scale permutation entropy,MPE)与支持向量机(support vector machine,SVM)相结合的齿轮箱故障类型识别算法。首先对采集到的齿轮箱振动信号利用KHA优化的VMD进行分解,选取有效分量进行重构,然后求取其MPE作为特征向量,最后将特征向量输入SVM进行故障类型的识别。通过实测数据的分析表明,故障类型识别准确率达到了99.14%,该方法在机车车辆、发电机组等装备的齿轮箱状态监测和故障诊断中具有一定的参考价值。     

基于多方法结合应用的齿轮箱故障特征提取研究

基于振动信号分析的齿轮箱故障诊断的关键是实现对信号中故障特征的提取.由于在工程实际中采集到的齿轮箱振动信号含有较强的噪声干扰,所以单一的信号分析方法难以实现对故障特征的提取.因此将两种或两种以上方法相结合应用于齿轮箱振动信号的处理成为当前的研究趋势.为研究将不同方法相结合应用于齿轮箱故障信号特征提取的优势,对大量文献的研究成果进行了归纳整理.综合分析发现:将多种方法结合应用于齿轮箱振动信号特征提取,可有效避免单一方法的局限性,充分发挥不同方法的优势.总结了在齿轮箱故障诊断领域中分别以频谱分析为基础和以非线性理论为基础的将不同信号处理方法结合应用于齿轮箱故障特征提取的现状,最后针对多种方法结合应用于齿轮箱故障诊断的发展趋势提出了建议.     

基于EMD关联维的齿轮箱齿轮状态振动辨识

论述了经验模式分解(EMD)的理论和特性，以及关联维数及其特性，并根据实际齿轮箱振动信号的非平稳特征和简单监测征兆的需要，引入分别适于非线性非平稳信号分析和表征系统观测序列非线性、不规则程度的经验模式分解和关联维数，提出用EMD关联维来辨识齿轮箱振动信号，结果表明：当齿轮处于不同状态时，与齿轮故障密切相关的内在模式函数的关联维数明显不同，EMD关联维方法可以作为齿轮故障的特征提取工具。     

基于ARIMA风电机组齿轮箱故障趋势预测方法研究

针对齿轮箱计划外停机和意外故障导致的风电机组安全运行问题,提出了一种基于ARIMA模型的故障趋势预测方法;方法可以处理具有非线性和非平稳性特征的齿轮箱运行状态监测数据,用以时间序列的自相关分析为基础的模型预测状态监测时间序列数据的趋势变化;选择生产现场采集到的齿轮箱油泵出口压力SCADA数据和运行实例验证了方法的有效性,实验结果的拟合效果令人满意;研究结果表明方法能够适应齿轮箱运行状态监测数据随时间的变化特征,反映出一定的运行状态变化趋势,具有较好的预测精度和较大的应用范围,对风电机组其他部件的故障趋势预测具有一定的应用参考价值。     

基于信息融合的风电机组齿轮箱轴承故障诊断

针对风电齿轮箱轴承故障问题,提出一种基于信息融合将BP神经网络与D-S证据理论相结合的风电轴承故障诊断方法。首先基于大数据,挖掘SCADA(supervisory control and data acquisition)系统中与风电齿轮箱轴承故障有关的振动、温度、电流、转矩和转速信号等故障特征;然后将各信号故障特征量作为神经网络输入,将神经网络的输出归一化作为证据理论基本概率分配值(BPA值),为解决各证据之间冲突问题,采用一种基于加权的方法来改进各条证据,以减小冲突;最后利用组合规则将各条改进的证据融合,得出最终诊断结果。研究基于某风场2 MW风电机组的实际运行数据,结果表明:随着融合信号维度的增加,最终诊断结果的准确率也逐步提高,融合多维信号的可靠性明显高于单一信号。     

基于深度置信网络的齿轮箱智能诊断方法

针对油田现场强背景噪声干扰下,难以实现齿轮箱故障精确诊断的问题,提出基于深度置信网络(Deep Belief Network,DBN)的齿轮箱智能诊断方法。首先运用变分模态分解(Variational Mode Decomposition,VMD)对齿轮箱振动信号分别进行分解；然后依据互相关准则对小于阈值的模态运用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)进行降噪滤波处理,并对降噪后的信号进行重构；最后构造故障特征集,实现基于DBN的故障特征自适应挖掘与故障模式智能识别。对现场的齿轮箱故障诊断表明,本文提出的方法具有自适应性,能显著提高故障分类准确率,为保障油田设备安全可靠运行提供了依据。     

基于核Fisher判别分析的粮虫特征压缩方法

针对粮仓害虫种类多、类别之间相似度比较高的特点,提出基于核Fisher判别分析的粮虫特征压缩方法.利用高斯径向基核函数,对特征选择后的10维原始数字特征进行核Fisher判别分析,即通过非线性变换将样本数据从输入空间映射到高维特征空间,然后在高维特征空间进行特征提取.从粮虫分类效果方面,将KFDA法与FDA法、PCA法和KPCA法3种方法进行了比较分析.应用KFDA法提取的前4个特征,由最近邻分类器对粮仓中常见的9类粮虫进行分类,验证集的识别率为93.33%.结果表明:KFDA法对粮虫特征的非线性比较敏感,在有效降低特征维数的同时,还提高了类别之间的可分性.