核主元分析

摘要： 目前,ZPW-2000型轨道电路故障判别主要依赖人工对数据进行分析,该判别方式效率低、周期较长、对人工依赖程度高。为此,引入了栈式自编码网络(Stacked auto-encoder,SAE)和核主元分析(Kernel principal component analysis,KPCA)的相关理论对ZPW-2000型轨道电路进行故障诊断。首先,根据轨道电路的工作原理和故障特点,建立了KPCA-SAE故障诊断模型。然后,将现场工作人员采集的数据中关键部件的相关参数作为故障特征参数,利用KPCA对故障特征矩阵进行降维降噪处理,避免信息冗余。之后,利用SAE网络对处理后的故障数据进行训练,并采用BP算法对模型参数进行整体优化。最后,在Matlab环境下进行仿真实验。仿真结果表明,所提出的基于KPCA-SAE的轨道电路故障诊断模型是有效可行的,与传统的故障数据人工分析方法及其他智能算法相比,其故障识别准确率更高。

摘要： 针对现代工业过程的非线性和多分布问题,提出一种基于Jarque-Bera test的故障检测方法。首先,对标准化后的原始数据进行Jarque-Bera test,将变量划分为两个部分;其次,对所有的JB统计量做-ln处理,并采用正态置信概率权值进一步划分,从而使原始变量空间划分为正态和非正态分布的两个子空间;再次,在两个子空间分别基于KPCA和kNN算法提取过程的非线性特征,建立故障检测模型;最后,通过数值案例和TE过程仿真实验验证了所提方法的有效性。

摘要： 常压塔塔顶汽油干点与产品质量密切相关,因为常减压蒸馏工艺流程和变量相关性均复杂,所以汽油干点预测很难在线进行。软测量方法是解决这类变量估计和控制预测问题的一种技术途径。在核主元分析(KPCA)算法中引入稀疏主元分析(SPCA)思想,采用稀疏核主元分析(SKPCA)算法对模型的输入变量进行选择,实现了数据的非线性降维,简化了主元结构,增加了主元变量的稀疏性。将选择的稀疏主成分作为最小二乘支持向量机(LSSVM)的输入,建立常压塔塔顶干点软测量预测模型。仿真结果表明,SKPCA-LSSVM模型相对于传统PCA-LSSVM、KPCA-LSSVM方法具有较高的预测精度和性能优越性。

摘要： 针对工业过程中复杂的高维非线性采样数据,提出一种基于核凸非负矩阵分解算法的故障检测方法。利用核函数在高维空间中重构原始数据,并用主元分析法对映射后的数据进行白化预处理;对白化后数据进行凸包非负矩阵分解,同时利用图正则化约束保持数据集在整个分解过程中的固有几何结构不发生改变;建立N^(2)和SPE统计量并计算控制限作为数据状态的判别依据。采用TE过程数据集进行仿真实验,结果表明核凸非负矩阵分解算法对过程数据的故障检测具有较好的效果。

摘要： 针对传统核局部保持投影方法存在不能全面地提取数据特征和故障检测率低的局限性,提出一种基于改进核局部保持投影(MKLPP)的故障检测方法。将核主元分析方法融入到核局部保持投影中,使得到的数据特征不仅包括原始数据的局部信息,而且包含数据的全局信息;引入特征向量缩放,使得低维数据变化波动更加稳定,提高故障检测率。针对MKLPP方法对微小故障不敏感的问题,将多元指数加权移动平均(MEWMA)运用到MKLPP中,提出一种MEWMA-MKLPP故障检测方法。对上述两种方法分别构造T^(2)和SPE统计量进行故障检测。采用TE过程数据进行仿真实验,实验结果表明所提方法可以取得较好的检测效果。

摘要： 对于动态系统,传统的核主元分析(KPCA)方法处理的效果不理想.滑动窗口核主元分析方法能适应动态系统的正常参数漂移,但是该方法处理大量的样本时需要较长的运算时间.因此,提出一种在线压缩核主元分析的自适应过程监控方法.该方法在大量的样本中选定较小的训练集作为初始压缩集进行建模,对在线实时采集的数据进行分析,判断新的样本是否正常.若为正常样本,判断该样本是否加入压缩集中,在加入压缩集的同时自动更新在线KPCA模型.将该方法应用到数值例子和田纳西-伊斯曼(TE)过程,仿真结果验证了该方法的有效性.

摘要： 微小故障由于故障征兆不明显从而很难在故障发生早期对其进行检测.针对该问题,本文提出了一种基于递推规范变量残差和核主元分析(RCVD-KPCA)的微小故障检测方法.首先构造规范变量残差,从中提取数据的线性特征.利用指数加权滑动平均法对规范变量残差进行递推滤波处理,提高规范变量残差对微小故障的敏感程度;然后使用KPCA提取规范变量残差中的非线性主成分作为非线性特征,根据提取的特征提出了两个新的故障检测统计量;此外,利用核密度估计确定故障检测统计量的控制限.由于同时提取了过程数据的线性和非线性特征,有效地提高了非线性动态过程中微小故障的可检测性.以闭环连续搅拌釜式反应器过程为例进行了仿真分析,仿真结果表明本文所提方法具有较好的故障检测性能.

摘要： 基于提速道岔S700K转辙机故障的功率曲线在频域上的多重特征,提出了基于改进多尺度排列熵的多变量支持向量机(structured support vector machine,SSVM)故障诊断方法.首先对S700K转辙机动作功率曲线进行集合经验模态分解和小波分解,获得两类不同时间尺度的模态分量;再利用改进多尺度排列熵计算不同分量的故障特征参数,为了降低计算维度,应用核主元分析理论,在不损失信号重要特征的情况下,取大于95％贡献率的特征值作为故障特征向量;最后,引入基于决策树的SSVM算法,经过小样本训练得到树状最优故障间隔面,从而实现S700K转辙机故障分类.实验结果表明:该方法可有效判定S700K转辙机故障类型,进而提高故障诊断精度和效率.

摘要： 为了能够更加充分地表征振动信号在时域、频域、时频域等多特征参数与滚珠丝杠副润滑失效状态的线性关系,提高滚珠丝杠副润滑失效故障诊断的准确率,提出了基于KPCA和SVM的滚珠丝杠副润滑失效故障诊断模型.提取了滚珠丝杠副在3种润滑状态和5种转速下的振动信号特征,构建了润滑特征混合域特征集,并按照累计贡献率大于90％的标准对特征集进行核主元分析,将筛选出的能够反映滚珠丝杠副润滑失效故障特性的主元作为主要特征量,最后将筛选出的主要特征量输入支持向量机(SVM)内进行训练测试,并在同一转速的条件下作对比试验.结果显示:利用核主元分析法进行主元提取能够有效降低原始数据的维度,并提高模型诊断的准确率;当电机转速为100 rpm时,所建立的基于KPCA和SVM的滚珠丝杠副润滑失效故障诊断模型的诊断准确率高于其他转速下的诊断准确率,准确率为93.33％;这说明该方法在对滚珠丝杠副润滑状态进行诊断时,通过控制电机转速可有效提高诊断的准确率.

摘要： 通过在加工中心上搭建链式刀库主机现场试验台,并在其上开展大量换刀试验,测量得到自动换刀装置到位精度及其对应状态下的振动信号,进而基于测量数据研究一种基于振动特征的自动换刀装置到位精度状态诊断方法,该方法首先需对振动信号进行集合经验模态分解得到IMF(Intrinsic Mode Function)分量,并计算各分量的能量熵值,然后利用核主元分析对能量熵值和时域特征值进行信息融合,并将融合后的数据整合为特征向量,最后利用支持向量机对自动换刀装置到位精度状态进行诊断.实验结果表明,该方法可以实现利用振动信号对自动换刀装置到位精度状态的评估.

摘要： 连续退火生产过程中有着大量的过程变量,如速度、电流、流量等.这些变量数据在适当的时间间隔都可以被采集得到,当它们中有一个变量异常时都会对稳定生产产生影响,造成损失.由于这些变量数目较多、设备及人员有限,实现对每个变量的监控显示及故障趋势判断则受到很大的限制.本文针对连退线多变量情况,采用核主元分析方法对采集到的变量数据进行分析.实际分析结果表明,使用此方法能够实现对连续退火机组设备故障的检测与诊断.

摘要： 本文通过对核主元分析方法的理论研究,提出了一种在核函数参数选取问题上进行优化的方法,通过相似度函数求解最优核参数值.这种方法提出了一种参数选取规则,很大程度上减小了计算量,使其在工业过程的状态监测中的实用性得到进一步提高.通过对采样实验数据的仿真研究,利用不同工作状态下的数据特征较准确地实现了正常与故障工况数据的分离,取得了较好的分类识别效果,证明了这种方法的有效性.

摘要： 为了提高心拍识别的准确率,对心拍识别的分类算法进行了研究,提出基于核主元分析和支持向量机(KPCA-SVM)的心拍分类算法.该算法采用核函数对心拍的特征进行高维变换形成核矩阵;在高维空间下对心拍核矩阵进行主元分析,实现降维与去噪.最后,使用线性支持向量机分类器对降维和去噪后的核矩阵进行分类.为了评估提出算法的有效性,在MIT-BIH-AHA数据集上与核支持向量机及BP(Back Propagation)、径向基函数(RBF)、学习矢量量化(LVQ)等神经网络方法展开对比.实验结果表明:核主元分析可以将核支持向量机的分类准确率提高1.16％,达到了95.98％,且识别准确率高于神经网络方法.得到的结果验证了提出的方法可以有效提高心拍识别的准确率.

摘要： 针对电主轴系统特点,提出基于改进核主元分析的故障检测方法,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.该方法改进传统的核函数的选取方法,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.

摘要： 针对在滚动轴承故障检测和诊断中获取的单通道信息不全面、不准确等问题,提出了全矢经验模态分解(Empirical Mode Decomposition,EMD)和核主元分析(Kernel Principal Component Analysis,KPCA)相结合的方法对滚动轴承的运行状态进行检测,并用全矢Hilbert包络分析发生故障时滚动轴承的故障类型.首先采用EMD对轴承正常状态下的双通道数据进行分解,对各通道IMF依次进行信息融合,将各阶主振矢进行合成,并建立KPCA模型.然后将待检测的样本信号进行全矢EMD融合后输入已构建的KPCA模型,当该模型的T2和SPE统计量超过己设定的控制限时,采用全矢Hilbert包络分析样本信号,并进行特征提取以进行故障诊断.实验结果表明,该方法可以检测出滚动轴承的运行状态,又能准确有效地诊断故障类型.

摘要： 工业污水处理过程具有高度非线性的特点,对水质指标中的生物需氧量(BOD)的实时监测提出了挑战,因此,提出一种基于核主元分析(KPCA)和Bagging算法的集成高斯过程回归(GPR)建模方法.首先,采用核主元分析(KPCA)方法将采集到的污水数据投影到高维空间进行降维处理,提取非线性主元作为模型输入;然后采用Bagging集成学习算法得到若干样本子集,对每一个样本子集建立相应的GPR模型;最后根据贝叶斯后验概率计算得到各子模型的权重,对各子模型的输出进行融合,得到全局预测值.对实际污水处理过程数据的仿真结果表明,本文方法具有良好的预测精度与泛化能力.

摘要： 针对工业系统的非线性特性和动态特性带来的监测困难问题,将核方法(Kernel Method)的两种应用——核主元分析(Kernel Principal Component Analysis,KPCA)和超球面支持向量机(Hypersphere Support Vector Machine,HSSVM)相结合,提出了一种KPCA-HSSVM混合策略.该方法采用HSSVM离线建立故障分类模型;同时采用KPCA建立故障检测模型;并在检测阶段对KPCA检测模型的T2控制限进行动态调整.结合正常类样本的HSSVM分类面、KPCA模型和动态T2控制限,对过程数据在线进行故障检测,若检测出故障则将故障样本输入已建好的HSSVM故障分类模型进行故障类型识别,并输出诊断结果.通过电力变压器仿真模型验证该方法,对故障样本的诊断结果表明该方法能有效地辨识故障.

摘要： 以企业安全生产管理水平等级评价为研究对象,拟将核主元分析(KPCA)与支持向量机(SVM)相结合,提出一种改进的SVM模型—复合KPCA-SVM模型来预测企业安全生产管理水平的等级.本文以中国33家煤矿企业安全生产管理数据作为样本进行复合KPCA-SVM模型的评价结果验证,还分别采用SVM模型、多项式KPCA-SVM模型、高斯KPCA-SVM模型对实例进行了评价,并对这四种方法的预测精度进行了比较.计算机仿真显示,复合KPCA-SVM模型的评价结果优于传统SVM模型、多项式KPCA-SVM模型和高斯KPCA-SVM模型,证实了复合KPCA-SVM模型能够有效地预测企业安全生产管理水平的等级,对企业预防安全事故的发生和提高安全生产管理水平具有借鉴作用.

摘要： 针对工业过程数据的非线性特点可能导致的监控困难,将核方法(Kernel Method)的两种应用——超球面支持向量机(Hyper Sphere Support Vector Machine,HSSVM)和核主元分析(Kernel Principal Component Analysis,KPCA)相结合,提出一种适用于非线性过程的故障诊断方法.该方法采用HSSVM离线建立故障检测模型和故障分类模型;同时采用KPCA离线建立故障检测模型;并在在线检测阶段对KPCA检测模型的T2控制限进行动态调整.结合历史正常数据的HSSVM分类面、KPCA控制限和动态T2控制限,对过程数据进行实时故障检测.若检测出故障则将故障样本输入已建好的HSSVM故障分类模型进行故障类型识别,并输出诊断结果.通过Tennessee Eastman(TE)化工过程仿真模型验证该方法,多种故障模式的诊断结果表明该方法在保证实时性的前提下能有效地辨识故障.

摘要： 基于主元分析的旋转森林没有考虑特征的时序相关性,为此,提出一种基于核典型旋转森林的故障诊断方法,以提高非线性动态过程的故障诊断精度.所提方法通过未知非线性映射将随机森林特征投影到高维线性再生核Hilbert空间,利用典型变量分析提取变量的动态相关信息,得到不相关特征.采用核函数解决非线性映射未知的问题,为了避免传统核典型变量分析存在的核矩阵奇异问题,本文在核主元空间提取典型变量,以训练决策树.该方法考虑了随机森林特征的非线性相关性和动态相关性,增加了决策树之间的差异性,有助于提高故障诊断精度.以田纳西-伊斯曼过程为例对所提方法的有效性进行了验证.

摘要： 本发明公开了一种基于化工TE过程的双主元‑动态核主元分析故障诊断方法，本发明所述方法利用DOD算法确定过程数据的最佳参数阶次，生成的动态矩阵在核主元空间中投影后，先利用R主元方法对高维噪声的抑制能力有效确定正常状态数据在核特征空间的主元个数，并生成故障检测高维空间的T2、SPE控制限；再利用CPV方法最大程度保留故障信息，从待检测数据中确定新的主元个数，重新计算出T2、SPE统计量进行故障的监控与检测。本发明所述的DME‑DKPCA法有效提高了故障检测的识别率，较DKPCA法具有更优良的模型精度。

摘要： 本发明公开一种基于核主元分析的在轨航天器飞轮故障检测方法，针对飞轮不同的控制模式、检测样式，通过传感器相应地采集飞轮转速、力矩等实时状态信息，运用小波阈值法对其降噪，再进行同源扩维；通过核主元分析方法对数据进行高维映射，并根据历史正常数据得到反映偏离训练模型程度的T2、SPE控制限，进而得到综合指标故障控制限；计算实时数据的T2、SPE统计量，进而得到综合指标，根据综合指标是否超限判断有无故障。本发明对部件级的飞轮单机故障和多机故障都能达到较高的准确率，并能定位到故障飞轮；本发明在检测指标展示上更直观，利用工程实践；本发明可扩展性强，具有较大的应用前景。

摘要： 本发明公开了一种基于高效递推核主元分析的非线性时变过程故障监测方法，属于故障检测与诊断技术领域。首先，在田纳西伊斯曼过程仿真器中采集具有非线性和缓慢时变特性且包含故障的数据，将采集的正常数据利用高斯核函数将其投影到高维特征空间并中心化，建立初始的离线监测模型并采用核密度估计函数来确定控制限。然后，当采集到新的过程数据时，通过引入一阶干扰理论方法在离线模型获取的特征值和特征矢量基础上直接更新模型，并将新数据投影到更新的核空间和残差空间计算T2和SPE统计量。当超出其对应的控制限时，认为监测的故障发生，反之，整个过程正常运行。本发明方法主要解决两个问题：1)核主元分析进行非线性时变过程的故障监测会产生较高的误报率；2)基于特征值分解的递推算法计算负荷较高的问题。

摘要： 本发明公开了一种基于随机化核主元分析的大规模非线性过程监控方法，属于工业过程监控与诊断技术领域。本发明主要解决工业大数据背景下，非线性过程快速故障检测问题。包括以下步骤：一、收集过程历史运行数据，并对数据进行标准化预处理；二、根据随机化核主元分析方法提取非线性主元，并确定检测控制限；三、采集在线测量数据，根据训练数据中提取的非线性主元计算在线测量数据的检测统计量，并与检测控制限进行比较，如果超出控制限，则提示过程存在异常。本发明可以提高过程监测的效率，能够快速地检测大规模非线性工业过程中的异常，减少故障造成的损失。

摘要： 本发明提供一种基于修改聚类半监督核主元分析的早期故障检测方法，涉及故障监测与诊断技术领域。该方法通过离线建模与在线监测，同时考虑数据的本身分布信息和数据类别标签信息，并采用修改的聚类假设，运用改进的半监督KPCA方法，先找到早期故障数据，进而进行二次建模，得到偏向于主元的分解函数，找到划分故障与正常的分界，运用该分解函数判定新采集的数据是否属于故障类数据。本发明针对于工业早期故障难以发现和判定的问题，不仅能大大降低误报警，还提高了故障检测的准确性。

摘要： 本发明公开了一种基于化工TE过程的双主元‑动态核主元分析故障诊断方法，本发明所述方法利用DOD算法确定过程数据的最佳参数阶次，生成的动态矩阵在核主元空间中投影后，先利用R主元方法对高维噪声的抑制能力有效确定正常状态数据在核特征空间的主元个数，并生成故障检测高维空间的T2、SPE控制限；再利用CPV方法最大程度保留故障信息，从待检测数据中确定新的主元个数，重新计算出T2、SPE统计量进行故障的监控与检测。本发明所述的DME‑DKPCA法有效提高了故障检测的识别率，较DKPCA法具有更优良的模型精度。

摘要： 本发明涉及故障诊断技术领域，尤其涉及一种基于递推规范变量残差和核主元分析的微小故障检测方法，首先构造规范变量残差,从中提取数据的线性特征，利用指数加权滑动平均法对规范变量残差进行递推滤波处理,提高规范变量残差对微小故障的敏感程度，然后使用KPCA提取规范变量残差中的非线性主成分作为非线性特征,根据提取的特征提出了两个新的故障检测统计量；此外,利用核密度估计确定故障检测统计量的控制限。由于同时提取了过程数据的线性和非线性特征,有效地提高了非线性动态过程中微小故障的可检测性。

摘要： 一种基于局部加权概率核主元分析的工业过程监测方法，属于工业过程监测与诊断方法；首先采集工业生产过程的数据，选择与测试样本相似度较高的正常过程数据作为局部模型的训练数据集，在测试样本周围构建一个局部线性化时变模型；其次，应用期望最大化算法对局部模型中的参数进行估计，得到最优的模型参数集完成局部模型的建立；最后，将模型应用于过程监控，在高维空间中建立样本的统计量，对工业过程进行故障检测；由于局部模型和核函数的应用，使得本方法可以解决数据的非线性、时变统一建模问题以及过程监测等问题；结果表明，该方法不仅能大大降低误报警，还提高了故障检测的检测率和正确率。

摘要： 本发明公开一种基于核主元分析的在轨航天器飞轮故障检测方法，针对飞轮不同的控制模式、检测样式，通过传感器相应地采集飞轮转速、力矩等实时状态信息，运用小波阈值法对其降噪，再进行同源扩维；通过核主元分析方法对数据进行高维映射，并根据历史正常数据得到反映偏离训练模型程度的T2、SPE控制限，进而得到综合指标故障控制限；计算实时数据的T2、SPE统计量，进而得到综合指标，根据综合指标是否超限判断有无故障。本发明对部件级的飞轮单机故障和多机故障都能达到较高的准确率，并能定位到故障飞轮；本发明在检测指标展示上更直观，利用工程实践；本发明可扩展性强，具有较大的应用前景。

摘要： 本发明公开了一种基于核主元分析与神经网络的GIS局部放电模式识别方法，其包括步骤：(1)采用特高频传感器采集GIS设备内部的典型缺陷的局部放电信号；(2)对局部放电信号的幅值进行归一化处理后，绘制局部放电信号的三维PRPS图谱；(3)对三维PRPS图谱进行Gabor变换，得变换子图，提取变换子图的纹理特征向量和形状特征向量，以构成原始特征向量；(4)采用核主元分析法对原始特征向量进行降维处理，获得特征向量训练集；(5)构建多层BP神经网络，使用特征向量训练集训练多层BP神经网络；(6)采用训练好的多层BP神经网络对特高频传感器采集实际检测到的GIS局部放电信号进行识别，输出识别结果。此外，本发明还公开了一种GIS局部放电模式识别系统。