基于粒子群优化的核主元分析的故障检测方法

目的提出使用粒子群优化(PSO)方法进行核参数优化,获得混合核KPCA的故障检测方法.方法引入多项式核函数和高斯径向基核函数的混合核方法,使用PSO对各参数同时进行优化,得到最优的混合核函数,再与PCA相结合,得到基于PSO优化的KPCA.结果根据混合非线性主元特征计算出的T2和SPE统计量,实现故障检测.并且其故障检测率高于径向基KPCA,时间成本低于多项式KPCA.结论通过田纳西-伊斯曼(TE)测试过程以及电主轴系统的应用实例说明了KPCA方法的可行性与实用性.     

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.     

基于差分进化和核主元分析的燃气轮机故障检测

燃气轮机气路部件的状态检测参数具有极强的非线性,其故障特征难以提取,而利用传统核主成分分析(KPCA)进行故障检测难以对核参数进行科学取值,从而降低故障检测的准确性.针对该问题,论文提出了基于优化混合核的核主元分析故障检测算法(DE-KPCA).首先建立动态权值混合核函数,通过调节核函数的权重比实现全局映射和局部映射优化组合.以样本检测精度作为优化目标,对混合核参数进行逐次优化.最后构造了基于优化混合核函数的主元异常状态检测方法,实现对燃气轮机气路故障的在线检测.本文通过对双轴涡喷发动机气路故障仿真的验证,证明了该方法相较传统KPCA检测,能够实现核参数的科学取值且对燃气轮机气路故障检测具有更高的准确性和实用性.     

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.     

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.     

基于核独立元分析的非线性工业过程故障诊断

复杂工业过程的数据具有非高斯、非线性特性,在进行故障检测时,利用核独立元分析(kernel independent component analysis, KICA)方法能有效解决这一问题。然而,由于在处理数据时使用了核函数,无法将线性的贡献图方法直接用于故障诊断,因此采用一种基于改进KICA结合非线性贡献图的方法,对非线性工业过程进行故障检测与诊断。该方法利用基于超松弛因子的FastKICA方法建立监控模型,得到检测故障信息。在发生故障后,通过非线性贡献图法诊断故障变量。最后,选用带钢热连轧工业过程实测数据进行仿真,通过与传统贡献图方法比较,结果表明此方法能够对非线性数据进行有效可靠的故障检测和故障诊断,验证了非线性贡献图的有效性。     

基于核函数主元分析的SVM建模方法及应用

为有效克服线性建模方法在非线性建模方面的不足,将核函数思想引入到主元分析方法(PCA)中,有效提取实验数据中的非线性特征信息,并将其作为支持向量机(SVM)的输入变量,建立工业过程软测量模型。该方法应用于丙烯腈聚合过程中转化率的预报,结果表明:该方法的预测精度优于PCA-SVM方法和KPCA-NN方法。     

工业过程核概率主元模型建立及监控指标

概率主元分析(PPCA)能够根据过程变量的预测误差及其主元的白化值实现对过程的监控。但是PPCA只适合线性过程,而对非线性过程的监控效果不理想。为克服上述缺点,提出一种基于核PPCA(KPPCA)的过程监控方法,定性讨论了KPPCA模型的参数和主元个数选择问题,构造了高维空间的SPE和T2监控指标。该方法利用核函数将非线性数据映射到高维空间,去除了过程的非线性,然后利用PPCA对满足线性关系的过程变量映射值进行监控。仿真结果验证了该方法对非线性过程监控的优越性。     

动态核概率主元分析模型及其应用

核概率主元分析(kernel probabilistic principal component analysis,KPPCA)能够有效去除过程的非线性.但是KPPCA仅构造了生产过程的静态线性关系,处理具有较强动态特性的实际工业生产过程效果较差.为克服上述缺点,提出一种基于动态KPPCA的过程监测方法,利用核函数将经过压缩的动态增广数据映射到高维空间,然后利用PPCA对满足线性关系的过程变量映射值进行监测.仿真结果表明:该方法监测指标对故障的灵敏度高,误报率和漏检率较小,故障状况与正常状况很明显的分离开来.     

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.     

基于核主成分分析的人脸识别

核主成分分析方法是主成分分析的改进算法,其采用非线性方法提取主成分.把核主成分分析应用到人脸识别中,利用核主成分分析方法选择合适的核函数在高维空间提取人脸图像的主成分.核主成分分析与传统主成分分析相比,可以得到更好的适合分类的特征.基于ORL人脸库,识别核主成分分析提取出的主成分的相关性系数.实验结果表明,核主成分分析不仅实现了降维,而且能取得比传统主成分分析更好的识别性能,正确识别率为92.5%.     

基于核函数主元分析的机械设备状态识别

研究了核函数主元分析在机械故障模式分类中的应用，通过计算原始空间的内积核函数实现原始数据空间到高维数据空间的非线性映射，再对高维数据作主元分析，求取更易于分类的核函数主元，实验表明，核函数主元分析更适于提取故障信号的非线性特征，能有效区分不同的故障模式，可以应用于机械设备的状态识别。     

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.     

基于集成核熵成分分析算法的工业过程故障检测

针对核熵成分分析算法(kernel entropy component analysis, KECA)为不同的故障选择相同的核参数影响检测效果的问题,提出了一种基于集成核熵成分分析(ensemble kernel entropy component analysis, EKECA)算法的工业过程故障检测方法。首先,选取一系列具有不同宽度参数的核函数将非线性数据投影到核特征空间,选取Rényi熵值贡献较大的特征值和特征向量,得到转换后的得分矩阵,建立多个KECA子模型;然后,将测试数据投影到各KECA子模型上,计算各KECA子模型的统计量,得到检测结果;最后,将各KECA子模型的检测结果利用Bayesian决策进行概率换算,利用集成学习法计算检测结果统一的统计量,判断其是否超出控制限,并将该算法应用于数值例子和TE过程。仿真结果表明,与传统的EKPCA,KECA等算法相比,所提方法有效提高了故障检测率,降低了误报率。新方法解决了传统KECA算法中不同故障核参数的选择问题,为提高KECA算法在非线性工业过程故障检测中的性能提供了参考。     

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.     

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.