基于主元空间动态模型的故障检测方法

建立了一种基于主成分分析的主元空间线性动态模型,将主成分分析的得分变量视为由高斯白噪声驱动的线性动态模型输出,可有效去除主元得分向量的动态相关性,动态模型参数可以通过期望最大化方法迭代辨识。分别在主元残差空间和主元空间线性动态模型上建立监控统计量,从而实现对动态过程的故障检测。通过数值仿真验证,该算法故障检测的检测率和误警率均表现良好。     

采用模糊RBF神经网络的直升机旋翼不平衡故障诊断

提出一种利用模糊径向基函数(Radial basis function,RBF)神经网络进行直升机旋翼不平衡故障诊断的方法,建立了用于直升机旋翼不平衡故障识别的模糊诊断模型。基于直升机旋翼不平衡故障模拟实验,对采集于旋翼配重不平衡、桨距不平衡、后缘调整不平衡和正常状态下的试验台体振动信号进行功率谱分析,并采用主分量分析(Principal component analysis,PCA)的方法进行故障特征提取。采用模糊RBF神经网络诊断模型对旋翼不平衡故障进行了故障分类识别,同时分析了不同主分量累计贡献率和模糊子空间对故障分类精度的影响,并与RBF神经网络的诊断模型、支持向量机(Support vector machine,SVM)诊断模型进行了故障识别效果对比。结果表明,模糊聚类RBF神经网络的诊断方法对旋翼不平衡故障具有更好的识别能力。     

SAR图像小波域多尺度模型

针对面向ATR应用的SAR图像压缩需要将图像压缩与图像自动分析相结合,本文研究小波域SAR图像MAR模型并应用于图像鉴别.与SAR复图像分辨单元相干平均形成多尺度图像序列建立多尺度模型不同,本文对SAR对数检测图像小波变换形成多尺度图像序列建立MAR模型.通过实例辨识了SAR图像中自然杂波(草地)与人造物(战略目标)模型,应用该模型推导了小波域多分辨率判别,对MSTAR图像鉴别实验验证了模型的有效性.其中db2小波域多分辨率判别鉴别性能好而计算复杂度低.小波域多分辨率判别可用在图像压缩有损量化前鉴别出人造物与自然杂波.     

基于小波变换和支持向量机的开关电流电路故障诊断新方法

针对开关电流(Switched current,SI)电路的故障诊断和定位问题，为进一步提高故障诊断准 确率，提出了基于小波变换和粒子群优化(Particle swarm optimization，PSO)支持向量机 (Support vector machine，SVM)的开关电流电路故障诊断新方法。该方法首先对节点电流 信号进行蒙特卡罗分析，然后通过小波分解计算分形维数，再利用核主元分析（Kernel pri ncipal component analysis，KPCA）降低特征值维数，实现最优故障特征的提取。最后通 过PSO SVM完成对各种故障模式的分类。对六阶切比雪夫低通滤波器进行了仿真实验验证， 获取了较高的故障诊断准确率，与其他方法进行比较，实验结果显示了本文方法的优越性。     

基于多尺度方法的飞行器结构强度分析

建立了一套飞行器结构多尺度分析方法,能够较为高效、准确地分析飞行器结构的力学行为,确定危险区域以及研究损伤模式。采用层次多尺度法,分别建立了飞行器整体结构、局部舱段结构、单钉连接模型三种有限元模型,对飞行器结构进行分析。建立了宏观变量与细观响应之间的信息传递和反馈。对三向正交碳/碳机织复合材料的宏观刚度和强度性能进行了预测,建立了宏观损伤起始包络线。采用协同多尺度法对单钉连接模型进行渐进损伤分析。研究表明该方法具有良好适用性,能够较为准确地分析结构的损伤模式,为飞行器结构设计提供参考。     

基于高斯混合模型和变量重构组合法的故障诊断与分离

提出了一种将变量重构与高斯混合模型结合的故障诊断与分离的方法。首先建立过程数据的高斯混合模型,解决了监控过程的测量数据不服从单峰的高斯分布所带来的问题,然后进行故障数据变量重构,估计未知参数并采用最大期望算法来估测均值与协方差矩阵。在此基础上建立统计模型进行故障的诊断与分离。与传统的贡献图分离故障的方法比较,通过田纳西-伊斯曼化工过程进行实验验证,本文提出的高斯混合模型与变量重构相结合对多状态过程进行故障的诊断与分离收到较好效果。     

核统计分析和监测方法处理多模式批处理过程

提出了一种解决批处理过程多种工作模式故障检测问题的方法。该方法从多种工作模式中提取各个模式相类似的信息,解决了该工作模式下故障检测建模问题;将核函数应用到算法中,利用核技术提高算法处理非线性数据故障检测的能力;将在每种工作模式下的数学模型进行分解,将反映相似信息和各个模式不同的信息进行分离,并分别建立故障检测模型,通过分析可以辨别出当前所处的工作模式,并且有效地检测故障的发生。     

基于GRNN-ELM的飞机复合材料结构损伤识别

飞机结构的损伤严重影响着飞机的飞行安全,为了解决飞机复合材料结构损伤难以有效识别问题,本文提出一种基于广义回归神经网络(General regression neural network,GRNN)与极限学习机(Extreme learning machine,ELM)组合的飞机复合材料结构损伤识别新方法。首先对飞机复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用变分模态分解(Variational mode decomposition,VMD)对募集的应变信息进行自适应分解,得到多个基本模式分量(Intrinsic mode function,IMF)。计算各阶IMF分量的奇异熵,通过核独立主元分析(Kernel independent component analysis,KICA)方法对奇异熵进行特征融合,构建融合特征向量。采用融合特征向量建立基于GRNN-ELM的复合材料结构损伤识别模型,通过试验对损伤识别模型的有效性进行了验证,并分别与所构建的ELM和GRNN损伤识别模型的识别结果进行比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的工程应用价值。     

多模型直接自适应执行器故障补偿控制系统

为了更快更好地补偿执行器故障带来的不确定性,发展了一种新的多模型自适应执行器故障补偿控制系统设计方法。首先,分析所有可能的执行器故障模式,得到故障模式集。再针对每一种故障模式,分别进行控制器设计,控制器设计时采用直接模型参考自适应执行器故障补偿控制方法进行设计。然后根据参数估计误差分别计算每种故障模式下系统的性能损失函数,选择性能损失最小的子系统对应的控制器作为当前的全局控制器。最后以飞行控制系统为例进行了仿真,仿真结果表明,所设计的多模型直接自适应执行器故障补偿系统闭环稳定,且有良好的跟踪性能。     

基于fMRI的逻辑运算脑功能效应连接

联合主成分分析(Principal component analysis,PCA)和Granger因果关系检验方法,研究顶下小叶皮层在逻辑计算认知任务中起到的可能效应因果连接.以双侧顶下小叶激活区域为参考区域,利用PCA提取主要成分作为参考种子信号,计算其与大脑其余每个体素之间的Granger因果关系,并映射到全脑,形成Granger因果效应连接图.结果表明,顶下小叶将在逻辑计算任务下神经活动传播到额中下回、运动前区、扣带回等区域,同时受到枕叶视觉区、丘脑、壳核等区域神经活动的影响,得到了符合生理机制的脑功能效应连接网络.     

基于主元分析的多传感器故障检测

针对动态系统的压力、温度、流量等传感器数据,给出了一种基于主元分析法的传感器故障检测与诊断方法。该方法能够在对测量参数相关性分析的基础上,将传感器测量值所组成的测量空间分解为主元和残差两个子空间,通过传感器实际测量数据与正常数据矩阵在残差子空间投影的比较,对传感器的故障进行检测与诊断。通过双容水箱被控系统的传感器进行检测,结果表明主元分析法对传感器具有很好的故障检测和故障诊断能力。     

模糊的类内矩阵模式主分量分析及在人脸识别中的应用

矩阵模式主分量分析（MatPCA）作为有效的特征提取方法能同时处理矩阵表式的模式和向量表式的模式。但与主分量分析（PCA）方法一样,MatPCA没有使用样本的类别信息,因此所提取的特征不能提供足够的判别信息,进而影响随后的分类性能。为有效利用样本的类别信息,在MatPCA基础上提出了一种新的特征提取方法——模糊的类内MatPCA（F—WMatPCA）。F—WMatPCA利用模糊K最近邻（FKNN）求解训练样本的模糊隶属度并在模糊的类内执行MatPCA。由于F—WMatPCA使用更多的类别信息,因此能有效地提高识别精度。对0RL,Yale人脸数据集和几个UCI数据集做了实验,结果证实了该方法的有效性。另外,讨论了F—WMatPCA在人脸识别上的应用,并与F—Fisherfaces作了比较,结果表明F—WMatPCA具有比F—Fisherfaces更稳定、更鲁棒的识别性能。     

基于PCA-RBF神经网络的浮选过程软测量建模

以浮选过程为研究对象,提出基于主元分析与RBF神经网络相结合的经济技术指标软测量模型,该模型依据工艺机理和经验知识对过程变量进行初选,采用主元分析方法对高维输入向量进行降维化简和辅助变量选择;采用新型混合递推算法对RBF神经网络参数进行优化。该算法包括修正网络中心的自适应聚类的简化型次胜者受罚竞争学习算法和修正网络权值的带遗忘因子的递推最小二乘算法。混合学习算法提高了网络参数辨识的收敛速度。仿真结果表明,软测量模型能很好地实现浮选过程经济技术指标的全局预测。     

外关联规则挖掘

根据项集内项的关联性,现有关联规则挖掘算法可分为正关联规则挖掘和负关联规则挖掘两大类,它们反映的是项集内频繁项之间的关联性。通过对实际数据集的分析发现,一个项集可以划分成若干子项集,子项集内的项有较高的相关性,而不同的子项集相关性则较低,这意味着每个子项集与其外部的一个潜在因子间存在着关联,由此本文提出了外关联规则的概念,并基于因子分析和主成分分析方法,提出了外关联规则挖掘算法(FAAR),从而将项集内的关联规则挖掘外推到子项集和潜在因子集之间的外关联规则挖掘,扩展和丰富了关联规则挖掘的应用,在此基础上还可进一步发现它所蕴涵的正、负关联规则。     

润扬悬索桥动力特性的特征提取与重构

当前大型桥梁在线健康监测与损伤识别中主要采用基于结构模态参数的方法,该类方法存在固有缺陷。结构的频响函数包含了更丰富的结构动力信息,但数据量大、冗余度高,不利于工程应用。本文采用主元分析方法,对结构频响函数进行空间变换,得到的主元向量可在最小均方意义下提取数据的主要分布特征,根据主元的累积贡献率,可选取较少的主元可靠重构结构的频响函数,从而使基于频响函数的在线监测在大跨桥梁结构的应用更为可行。具体针对润扬长江大桥,结合实时监测系统的测点布置,对南汊悬索桥进行了动力特性分析,根据降维后的较少主元对结构频响进行重构。误差分析结果表明,采用27或20个主元能提取润扬悬索桥的主要动力特征,重构误差的均方值分别为0.0097和0.0134。     

湍流涡黏性模型方程中相位差的测量

基于理论上湍流相干结构复涡黏性模型对涡黏性系数的分析,应用热线测速技术测量了平板湍流边界层多尺度相干结构动力学方程中非相干结构成分对相干结构贡献的雷诺应力分量与相干结构流向速度流向变形率之间的相位差.分析了湍流边界层相干结构猝发过程中,非相干结构成分对相干结构贡献的雷诺应力分量与相干结构流向速度流向变形率之间的相位差沿湍流边界层法向的变化规律,为建立更加符合实际的湍流模型提供了实验依据.     

基于压缩直方图的图像分类

提出了一种颜色直方图表示的彩色图像自动归于语义类别的策略。在这个分类策略中,主成分分析用于把高维颜色直方图映射至低维特征空间,低维的特征向量用于训练支持向量机分类器。实验结果表明,尽管现有的多种图像内容描述子对分类效果的影响不同,但它们都是高度冗余的,可以在不影响分类正确性的基础上被大幅度压缩。本文研究有助于实现基于内容图像检索相关反馈所要求的快速在线学习和重新归类。     

基于相关性度量的伪主成分分析

采用数据样本间的相关性作为相似性度量,并引入样本的类信息,提出一种新的降维方法,即伪主成分分析(Pseudo-PCA),该方法尽可能地保持原样本的变化信息,同时又使得降维后的同类数据样本尽可能保持相似。此外,将这种思想方法成功推广到近年来提出的2DPCA,MatPCA和(2D)2PCA。在ORL,Yale和AR等人脸数据集上的实验表明,该类方法的识别率高于相应的基于欧氏距离的PCA,2DPCA,M atPCA和(2D)2PCA等方法。     

磁共振图像的一种多尺度边缘检测算法

医学图像的病灶呈弱边缘特性,用传统的边缘检测方法效果不理想。本文提出了一种改进的多尺度边缘检测算法：在传统的Mallat小波模极大值边缘检测方法的基础上,应用模糊算法构造相应的隶属函数,提取弱边缘信息,最后应用多尺度边缘融合算法将不同尺度下的边缘图像合成。实验结果表明,该方法对噪声有一定的抑制作用,可有效检测出弱边缘信息,定位准确,且检测效果明显。本算法可以兼顾良好的边界定位、噪声抑制和弱边界检测等性能指标,可以有效解决传统边缘检测方法中存在的高定位精度及强去噪能力之间的矛盾。