本文選題：故障診斷 + 多尺度主元分析��； 參考：《化工學報》2017年04期

【摘要】：針對冷水機組同類型不同等級故障的變量變化存在差異會造成誤診斷的問題,提出一種基于多尺度主元分析-核熵成分分析(MSPCA-KECA)的故障診斷策略。MSPCA提取故障特征,其輸出作為KECA分類器的輸入,實現(xiàn)故障的實時監(jiān)測與自動診斷。首先,改進的MSPCA算法通過將小波多尺度分析與主元分析相結(jié)合,篩選故障信息可能存在的尺度直接重構(gòu)并采用PCA提取故障特征,獲取不同類型故障之間差異的同時也保留了同類型但不同等級故障之間的相似性,提高故障診斷的可靠性。之后建立KECA非線性分類器并引入一種新的監(jiān)測統(tǒng)計量——散度測度統(tǒng)計量,使降維后不同特征信息之間呈現(xiàn)顯著的角度差異,易于分類。最后,采用支持向量數(shù)據(jù)描述(SVDD)算法確定新統(tǒng)計量的控制限,以克服無法獲知統(tǒng)計量分布的問題。通過對冷水機組數(shù)據(jù)的仿真研究,驗證了MSPCA-KECA方法的可行性及有效性。
[Abstract]:In view of the problem that the variation of variables of the same type and different grade faults of chillers will lead to misdiagnosis, a fault diagnosis strategy based on multi-scale principal component analysis-kernel entropy component analysis (MSPCA-KECA-KECA-MSPCA-KECA-based) is proposed to extract fault features. The output is used as the input of KECA classifier to realize real-time fault monitoring and automatic diagnosis. Firstly, the improved MSPCA algorithm combines wavelet multiscale analysis with principal component analysis to screen the possible scale reconstruction of fault information and extract fault features using PCA. In order to improve the reliability of fault diagnosis, the differences between different types of faults are obtained and the similarities between the same types but different grades of faults are retained. Then the KECA nonlinear classifier is established and a new monitoring statistic, the divergence measure statistic, is introduced, which makes the difference of angle between the different feature information after dimensionality reduction is significant, and it is easy to classify. Finally, the support vector data description (SVDDD) algorithm is used to determine the control limit of the new statistics, so as to overcome the problem that the distribution of statistics can not be obtained. The feasibility and effectiveness of the MSPCA-KECA method are verified by the simulation of the chiller data.
【作者單位】： 內(nèi)蒙古工業(yè)大學電力學院;北京工業(yè)大學電子信息與控制工程學院;
【基金】：國家自然科學基金項目(61364009,21466026,61640312) 內(nèi)蒙古自治區(qū)自然科學基金項目(2015MS0615)~~
【分類號】：TP277

【參考文獻】

相關(guān)期刊論文 前6條

1 梁晴晴;韓華;崔曉鈺;谷波;;基于主元分析-概率神經(jīng)網(wǎng)絡(luò)的制冷系統(tǒng)故障診斷[J];化工學報;2016年03期

2 李冠男;胡云鵬;陳煥新;黎浩榮;李炅;胡文舉;;基于SVDD的冷水機組傳感器故障檢測及效率分析[J];化工學報;2015年05期

3 張成;李元;;基于統(tǒng)計模量分析間歇過程故障檢測方法研究[J];儀器儀表學報;2013年09期

4 趙春暉;王福利;姚遠;高福榮;;基于時段的間歇過程統(tǒng)計建模、在線監(jiān)測及質(zhì)量預(yù)報[J];自動化學報;2010年03期

5 謝磊;劉雪芹;張建明;王樹青;;基于NGPP-SVDD的非高斯過程監(jiān)控及其應(yīng)用研究[J];自動化學報;2009年01期

6 蔣麗英,王樹青;基于MPCA-MDPLS的間歇過程的故障診斷[J];化工學報;2005年03期

【共引文獻】

相關(guān)期刊論文 前10條

1 谷良;段婕;段敬;;關(guān)于主機監(jiān)控中動態(tài)基線告警管理的研究與實現(xiàn)[J];山西電力;2017年03期

2 胡云鵬;劉佳霓;江達林;曾洋;張嘉偉;;冷水機組故障傳感器數(shù)據(jù)重構(gòu)研究[J];制冷與空調(diào);2017年05期

3 馮立偉;徐濤;;基于局部近鄰標準化和PCA的多工況過程故障檢測方法研究[J];電腦知識與技術(shù);2017年09期

4 劉佳霓;胡云鵬;何帥;汪中才;薛新超;;主元數(shù)量對故障傳感器重構(gòu)精度影響分析[J];建筑熱能通風空調(diào);2017年04期

5 馮立偉;張成;李元;謝彥紅;;基于局部馬氏距離的加權(quán)k近鄰故障檢測方法[J];通化師范學院學報;2017年04期

6 楊澤宇;王培良;;基于核獨立成分分析和支持向量數(shù)據(jù)描述的非線性系統(tǒng)故障檢測方法[J];信息與控制;2017年02期

7 胡云鵬;江達林;汪中才;薛杰文;曾洋;;基于主元分析的冷水機組傳感器故障識別[J];建筑熱能通風空調(diào);2017年02期

8 鄧曉剛;張琛琛;王磊;;基于多階段多向核熵成分分析的間歇過程故障檢測方法[J];化工學報;2017年05期

9 胡云鵬;;基于主元分析的傳感器故障檢測盲區(qū)預(yù)測[J];化工學報;2017年04期

10 齊詠生;張海利;王林;高學金;陸晨曦;;基于MSPCA-KECA的冷水機組故障監(jiān)測及診斷[J];化工學報;2017年04期

【二級參考文獻】

相關(guān)期刊論文 前10條

1 王瑞海;孫鵬;呂振江;湯家升;劉鵬;;概率神經(jīng)網(wǎng)絡(luò)在水泵故障診斷中的應(yīng)用研究[J];煤礦機械;2014年10期

2 胡耀斌;謝靜;胡良斌;;基于神經(jīng)網(wǎng)絡(luò)與小波變換的滾動軸承故障診斷[J];機械設(shè)計與研究;2013年06期

3 胡云鵬;陳煥新;周誠;徐榮吉;;基于小波去噪的冷水機組傳感器故障檢測[J];華中科技大學學報(自然科學版);2013年03期

4 胡云鵬;陳煥新;周誠;楊小雙;徐榮吉;;基于主元分析法的冷水機組傳感器故障檢測效率分析[J];化工學報;2012年S2期

5 賀丁;趙勁松;;基于Hopfield網(wǎng)絡(luò)的時滯分析故障診斷策略[J];化工學報;2013年02期

6 葉永偉;劉志浩;黃利群;;基于PCA的汽車涂裝線設(shè)備信號特征提取[J];儀器儀表學報;2011年10期

7 韓華;谷波;任能;;基于主元分析與支持向量機的制冷系統(tǒng)故障診斷方法[J];上海交通大學學報;2011年09期

8 齊詠生;王普;高學金;陳修哲;;一種新的多階段間歇過程在線監(jiān)控策略[J];儀器儀表學報;2011年06期

9 許潔;胡壽松;;基于KPCA和MKL-SVM的非線性過程監(jiān)控與故障診斷[J];儀器儀表學報;2010年11期

10 王姝;胡學發(fā);趙珍;王福利;;基于MPCA-AR的故障預(yù)測方法研究[J];儀器儀表學報;2009年08期

，

本文編號：1811327