基于独立元分析的数据重构方法及应用

在工业系统采集数据的过程中，因为种种原因会发生数据遗失的现象。为了更好的对工业过程进行分析评估、优化及监控，往往需要重构遗失的数据。主元分析法（PCA）常用于重构遗失数据，但是由于PCA要求观测数据服从正态分布，而实际工业系统获得的数据往往很难满足条件。因此提出一种基于独立元分析（ICA）的数据重构方法。首先使用在正常运行情况下获得的原始数据建立ICA模型，然后利用相关的监控统计量规则来重构遗失的数据，最后通过在TE过程上的仿真应用，验证了该方法的可行性及与PCA相比较的优越性。     

一种基于核独立元分析的非线性过程监控方法

独立元分析(ICA)在线性过程监控中得到了成功的应用,但是实际工业过程大部分是非线性的.在利用核ICA(KICA)建立过程非线性模型的基础上,根据核技巧,给出了一种高维空间分离矩阵的排序和独立元个数的选择方法,并将监控指标扩展到高雏空间,从而提出-种基于KICA的非线性过程监控方法,解决了ICA对非线性过程监控效果不理想的缺点.以田纳西一伊斯曼过程(TE过程)为例,对比了KICA与ICA的监控效果,结果证明了该方法的优越性.     

独立分量提取的在线算法及其应用

独立分量分析(ICA)根据信源统计独立特性对观测信号进行盲分离运算，由于其独特的分离性能而受到广泛关注，但目前其实现的算法普遍采用批处理的形式。文章探讨了在线ICA算法，并将其应用于脑电信号伪迹消除中，实验结果表明，丈中所提出的在线ICA算法具有良好的稳健性和盲源分离性能。     

一种基于动态独立子空间分析的过程监控方法

独立元分析(ICA)是近年来盲信号分离领域的热点问题,传统的ICA方法只能寻找信号与信号间的独立元,对信号组与信号组之间的独立性分析却无能为力.独立子空间分析法(ISA)则通过寻求矢量峭度最大化,对信号组之间进行独立性研究.根据这一理论提出动态独立子空间分析过程监控方法,针对过程变量自相关问题,构建时间序列子空间,随采样时间动态更新子空间数据,对其进行独立性研究,达到过程监控的目的.以TE过程为背景的仿真研究,验证了该方法的有效性.     

独立分量分析联合最小二乘的DOA估计

研究了线性均匀阵列的信号波达方向(direction of arrival, DOA)估计问题。提出了一种基于独立分量分析(independent component analysis, ICA)联合最小二乘(least square, LS)处理的DOA估计新方法。通过天线阵列因子的虚部,建立新的信号接收模型,并以此进行ICA应用的可行性分析,将获取源信号的幅值转化为LS问题进行求解。设计了方法的实现步骤,推导了新方法用于DOA估计的角度公式,指出天线阵元间距应满足的条件,在提高精度方面可采用细估计对粗估计的更新来实现。仿真表明,所提方法具有较好的低信噪比性能、角度分辨力较高以及所需数据长度较短,为DOA估计问题提供了一种新的解决方式。     

基于EMICA-KRR的长输管道压力监测与泄漏定位方法

为解决长输管道压力监测过程中泄漏突发,难以实时预警并精确定位的问题,提出一种基于集成改进独立分量分析(EMICA)和核岭回归(KRR)的管道泄漏故障检测与定位方法.首先,建立基于EMICA算法的故障检测模型,提取并分离压力数据中的高斯信号和非高斯信号并构造相关统计量,实现故障信号分离与主分量选择;然后,根据EMICA模型获得的故障信号,进一步构造基于KRR算法的故障诊断模型,拟合数据得出故障信号压力变化幅值,实现泄漏信号的选择与泄漏故障的定位;最后进行TE(田纳西-伊斯曼)过程的数值仿真实验以验证算法的性能.仿真结果表明:EMICA-KRR算法拥有更良好的信号分离能力,可以准确识别泄漏故障信号并精确定位管段失效位置,克服了传统方法的低效、延时等缺点.     

基于ICA的工业过程监控方法及其在TEP中的应用

针对工业过程的监控,论文采用独立分量分析(ICA)方法提取过程的独立分量,并把正常工况下的独立分量构成特征子空间,将待监测的数据投影到该子空间,提出以投影系数的变化作为监控指标的监控方法.仿真应用表明独立分量分析能够提取有效的TEP状态特征,监控指标可以有效的对系统进行监控.     

基于JADE算法的数据库公开水印算法的研究

数据库技术具有广阔的应用,数据库水印就成为一个研究热点。提出一种基于独立分量分析(ICA)的公开数据库水印方法。其思想是:首先对水印图像经过ICA处理得出若干个独立分量水印,利用迭代混合的方法嵌入水印,再利用盲源JADE算法提取水印,达到用较少的载体代价就可以嵌入水印信息的目的。理论分析和仿真实验结果表明该算法是有效的。     

独立分量分析的一种剖析方法及其搜索算法

给出了独立分量分析(ICA)问题可解性的一种直观解释,并设计了直接的搜索算法.首先通过分析二维ICA问题,将输出信号分量的峰度作为ICA最优化问题的目标函数,分析了目标函数的波形随源信号之间耦合程度不同而变化的规律,以直观的图示解释了最大化输出信号非高斯性的ICA准则,且具有严格的数学意义.通过4点比较,将目标函数定位于某确定子区间,在读子区间上,目标函数是单峰函数,峰值点为全局极大值点,且为ICA问题的解.用快速搜索法进行了ICA求解,并将算法推广到多维ICA问题的求解.对算法进行了双通道图像分离、多通道语音分离的数值实验.     

基于非线性主元子空间的故障模式识别方法

针对多元统计过程监控中的故障源识别问题,提出一种非线性主元子空间方法识别故障模式.该方法对不同类型的故障数据进行核主元分析,获得描述数据主要变化的非线性主元子空间,以此为基础构造故障模式分类器.考虑到核主元分析的计算复杂性,提出一种基于特征样本的非线性主元子空间算法,使用基于克隆选择原理的免疫算法提取特征样本用于故障模式识别.在Tennessee Easlxnan过程上的仿真结果说明,非线性子空间方法能够比线性子空间方法更有效的识别故障模式.     

复杂电子系统测点与诊断策略的优化方法

针对复杂电子系统故障诊断知识获取过程中测试节点和诊断策略的确定问题,提出了一种可行的工程方法。该方法利用系统的分层结构模型的可达矩阵计算节点对应的故障隔离权值,通过选择权值大的节点对矩阵进行分割,找到最优故障隔离节点。通过计算节点提供的信息量,确定最佳测试节点,最终确定最优故障诊断策略。它是基于仿真技术的故障知识获取方法研究中实现高效、准确、快捷的故障征兆获取的关键技术;也是在实际诊断过程中实现快速准确利用知识、确定故障部件的关键技术。给出了主要步骤,并通过实例进行了验证。     

基于故障树的复杂装备模糊贝叶斯网络推理故障诊断

复杂装备的小批量、个性化定制属性,注定了其生命周期过程中存在着相对较多的不确定性,故障隐患必不可免,故障诊断尤为重要.因此,提出基于故障树的复杂装备模糊贝叶斯网络推理故障诊断模型.首先,通过分析复杂装备的结构组成,建立复杂装备的故障树模型.其次,利用故障树转化法,构建基于故障树的贝叶斯网络拓扑结构.然后,针对复杂装备结...     

可靠性仿真在模糊故障诊断中的应用

针对模糊故障诊断中传统模糊关系矩阵确定方法不能动态适应具体设备运行状态变化等缺点,提出了基于故障树的可靠性仿真方法,用于确定模糊关系矩阵。该方法首先利用元器件的失效分布数据和设备深层原理性知识建立故障树,进行可靠性仿真,然后根据仿真结果和具体设备的历史故障信息动态计算模糊关系矩阵。给出了该方法的具体应用步骤。实际诊断结果表明,该方法可以有效地提高模糊故障诊断的准确性与针对性。     

基于回归型支持向量机的液压舵机故障诊断

利用回归型支持向量机（SupportVectorRegression，SVR），设计了一个液压舵机的故障诊断系统。利用系统的可测参量，建立了基于SVR的液压舵机的全局故障检测模型。在仿真过程中发现，此方法能对电液伺服阀、位移传感器和伺服放大器的各种故障进行诊断，诊断准确度高，适用于闭环控制系统的故障检测，仿真结果验证了该方法的有效性。     

基于拉普拉斯特征映射的故障模式识别方法

拉普拉斯特征映射算法能有效提取高维非线性数据中嵌入的低维流形特征.将其引入到设备故障诊断领域,应用于故障模式识别问题,提出了一种基于拉普拉斯特征映射的故障模式识别新方法.运用基于拉普拉斯特征映射的非线性降维算法直接对原始故障信号进行学习,提取出数据内在的流形特征,极大地保留了信号中内含的整体几何结构信息,有效克服了常规模式识别方法仅能获得局部线性结构的不足,明显改善了故障模式识别的分类性能.仿真和工程实例结果表明了所提方法的可行性和有效性.     

基于Petri网的民航飞机故障诊断工作流模型

针对民航飞机结构和故障机理复杂的特性,建立了基于Petri网的民航飞机故障诊断工作流模型。该模型将工作流技术引入民航飞机故障诊断领域,指出民航飞机工卡可反映故障诊断过程,并总结了民航飞机工卡记录的工作流程。分析该模型的性质说明可以进行简化、合并等操作。以水平安定面铰链磨损检查的转化和简化工作为例,说明了方法的有效性。     

基于置信规则库的并发故障诊断方法

针对具有不确定性的并发故障诊断问题,提出基于属性权重和权衡分析的置信规则库(belief rule base, BRB)诊断方法。以属性权重大小来表示属性与特定故障模式之间的相关性,设计能够反映故障模型约束的基于差分进化的优化算法,通过相邻故障模式置信度与预设阈值的权衡分析完成对并发故障诊断。该方法仅需构造单个置信规则库来有效处理各种不确定性信息,与已有研究方法相比极大地降低了建模复杂度。诊断结果不仅能得到故障的并发情况,还可分辨故障的主次关系,并且建模和推理过程开放,可解释性强。最后以船用柴油机的并发故障诊断作为实例,验证了所提方法能够有效的诊断出并发故障并且模型具有较好的稳定性。     

基于孪生深度神经网络的风电机组故障诊断方法

为有效提取风电SCADA (supervisory control and data acquisition)中时序数据故障特征,同时考虑一维卷积神经网络(one-dimensional, convolutional neural network,1-D CNN)提取局部时序特征和长短时记忆网络(long short-term memory networks, LSTM)提取长期依赖特征优势,提出一种基于1-D CNN-LSTM的风电机组故障诊断方法;针对故障样本稀缺问题,基于孪生神经网络架构(siamese network),提出一种基于孪生深度神经网络siamese 1-D CNN-LSTM的风电机组故障诊断方法,依靠少量样本数据对机组故障特征进行有效提取。结果表明：1-DCNN-LSTM优于其他现有深度学习方法;当训练样本不足时,所提出的siamese 1-D CNN-LSTM可以显著提升故障诊断结果。     

基于EMD与关联维数的故障诊断AR模型

提出了一种基于EMD和关联维数的转子系统故障诊断方法。该方法用EMD将转子系统振动信号分解成若干个基本模式分量IMF,对包含主要故障信息的IMF分量建立AR模型,AR模型自回归参数的关联维数作为特征量神经网络识别转子系统的工作状态和故障类型。对实验数据分析的结果表明,该方法能有效地应用于转子系统的故障诊断。