基于多尺度主元分析方法的多变量过程监控和故障诊断技术

《基于MEMD和条件熵相空间重构的滚动轴承故障诊断》篇一一、引言随着现代工业的快速发展，设备的健康状况监测与故障诊断变得越来越重要。

其中，滚动轴承作为旋转机械的重要部件，其健康状态直接关系到整个设备的运行效率和安全性。

因此，如何有效地对滚动轴承进行故障诊断成为了一个亟待解决的问题。

本文提出了一种基于MEMD（多尺度熵模型分解）和条件熵相空间重构的滚动轴承故障诊断方法，旨在提高诊断的准确性和效率。

二、MEMD和多尺度熵模型分解MEMD是一种用于处理非线性和非平稳信号的算法，它通过多尺度分解将信号分解为多个固有模式函数（IMF）分量。

这些IMF分量包含了信号在不同尺度下的时间频率特性，有助于我们更好地理解信号的内在规律。

多尺度熵模型则是在MEMD的基础上，通过计算每个IMF分量的熵值，进一步提取信号中的有用信息。

三、条件熵相空间重构条件熵是一种衡量随机变量不确定性的指标，它可以反映系统状态的不确定性和复杂性。

在相空间重构中，我们可以通过计算条件熵来评估系统的动态特性。

通过将MEMD分解得到的IMF分量进行相空间重构，我们可以更好地理解滚动轴承在不同故障状态下的动态行为。

四、方法与实现1. 数据采集与预处理：首先，我们需要采集滚动轴承在不同故障状态下的振动信号数据。

然后，对数据进行预处理，包括去噪、归一化等操作，以便后续分析。

2. MEMD分解：对预处理后的数据进行MEMD分解，得到多个IMF分量。

3. 计算多尺度熵：计算每个IMF分量的熵值，得到多尺度熵特征。

4. 相空间重构：将IMF分量进行相空间重构，计算条件熵。

5. 故障诊断：根据计算得到的多尺度熵和条件熵特征，结合机器学习算法进行故障诊断。

五、实验与结果分析为了验证本文提出的方法的有效性，我们进行了实验分析。

首先，我们采集了滚动轴承在不同故障状态下的振动信号数据。

然后，我们使用MEMD对数据进行多尺度分解，并计算得到每个IMF分量的熵值和多尺度熵特征。

基于多变量统计监控的故障检测技术研究现代工业设备由许多组成部分组成，包括机械元件、电子元件、液体、气体、热力学元素和化学反应器件。

在工业生产过程中，这些元件的失效可能会导致整个流程中断，进而导致产品损失、生产停滞、人员伤害等问题。

因此，对故障进行监测和诊断是非常重要的，以确保工业设备的有效性和安全性。

随着技术的不断发展，现代故障检测技术正日益向着精确、高效和自动化方向发展。

本文着重介绍基于多变量统计监控的故障检测技术，以及其在现代工业中的应用。

多变量统计监控是一种结合了统计学和最优化技术的方法，通过对多个相互关联的输入变量进行监测和分析，发现系统中的异常或故障。

如果任何一个变量发生偏差，可能会导致整个系统性能的下降。

多变量统计监控技术主要应用于工业过程监测、全球气候变化研究、医学诊断和金融管理等领域。

多变量统计监控技术通常分为两个主要部分：建模和监控。

在建模阶段，分析师需要识别哪些变量对系统性能具有影响，并对这些变量进行建模。

常用的建模技术包括主成分分析、偏最小二乘法和规范变量分析。

在监控阶段，分析师需要确定一组监控界限，一旦超出监控界限，就会触发报警。

这些阈值可以通过统计技术来确定，如控制图和贝叶斯网络。

目前，基于多变量统计监控的故障检测技术已经广泛应用于许多工业领域。

例如，在化工工业中，这种技术可以用于检测供应链或制造过程中的故障，从而减少产品损失并提高生产效率。

在电力系统中，多变量统计监控可以用于检测电网故障，预测电网负荷和电力需求，提高电力系统的安全性和可靠性。

此外，这种技术还可以应用于食品加工、医疗诊断和环境监测等领域。

总之，基于多变量统计监控的故障检测技术是一种非常有效的现代故障检测方法。

它可以通过对多个变量进行监测和分析，发现可能导致系统性能下降的异常或故障。

随着技术的不断进步，这种技术在现代工业中的应用也会越来越广泛。

多尺度方法在连续过程多变量监测中的应用保障生产安全和减小产品质量波动一直是工业过程的两个主题。

随着现代工业过程日趋大型化和复杂化,人们迫切需要提高系统的可靠性和安全性,因此过程的故障监测和诊断成为研究的重点之一。

统计过程监测是一种基于数据驱动(data driven)的方法,由于不依赖于精确的数学模型,仅依赖于易得的过程数据,因而具有重要的理论价值和广泛的应用价值。

本文所作的工作是:以主元分析(PCA)方法为主线,引入了小波分析、多变量累计和等方法,针对不同工业过程对象的特点,使用不同的统计方法进行监测,并且提出了新的故障监测算法。

完成的具体工作如下:1) PCA方法的重油催化装置结焦故障的早期监测与诊断当前石化工业因结焦而导致的生产事故呈上升趋势,已成为影响装置长周期稳定运行的主要因素。

主元分析是一种能够对过程进行监测和诊断的有效方法。

以宁夏某炼油厂90万吨/年的重油催化裂化装置为例,通过对历史数据进行多次的分析与比较,选择能够代表过程信息变化的11个重要变量,从而简化了过程数据处理的复杂度。

然后建立主元模型,结合多变量统计控制图进行故障监测,并运用平均贡献图直观、明确地判别出引起故障的主要原因。

本文通过对一个典型的重油催化裂化装置的监测表明,PCA方法能有效地对结焦故障进行早期的监测及诊断,提醒操作人员采取相应措施,阻止结焦的进一步发展,避免结焦严重所造成的停炉损失。

2) MCUSUM-MSPCA方法对缓变故障的监测针对化工过程中难以监测到的微小偏移性故障,提出了一种新的基于多变量统计过程的监测方法。

把传统的单变量累计和控制图(CUSUM)扩展为多变量的形式,通过累计作用提取过程的趋势变化,并与小波变换提取测量变量内在时频特征的特性,以及传统的主元分析(PCA)去除变量间关联的优势相结合,构成新的多变量累计和多尺度主元分析(MCUSUM-MSPCA)方法。

通过对TE过程的仿真研究,验证了该方法的可行性和有效性。

基于fvmd多尺度排列熵和gk模糊聚类的故障诊断
方法
该方法主要用于故障诊断，在机械制造和电子等领域广泛应用。

这个方法的主要步骤如下：
1. 提取特征：采用fvmd多尺度排列熵对信号进行特征提取。

2. 聚类：采用gk模糊聚类对特征进行聚类，得到故障模式的聚类结果。

3. 诊断：通过比较信号的特征与聚类结果，判断信号所属的故障模式。

该方法的优点是可以有效提取信号的特征，并利用聚类算法将信号进行分类，提高故障的诊断准确性。

同时，该方法可以自适应地选择不同的多尺度分解层数，具有较好的鲁棒性和可靠性。

基于多尺度主元分析方法的统计过程监视
郭金玉;曾静
【期刊名称】《沈阳化工大学学报》
【年(卷),期】2006(020)001
【摘要】基于主元分析和小波变换结合的基本理论,对Bakshi提出的MSPCA算法进行改进,提出一种新的多尺度主元分析方法(MSPCA).MSPCA应用小波变换将每个变量信号依次分解成逼近系数和多个尺度的细节系数,把各个尺度的系数聚集在单独的矩阵中,在各个尺度建立相应的PCA模型,进行多尺度过程监视.针对TE过程的两种干扰,分别应用PCA和MSPCA两种方法做仿真试验.仿真实验结果表明:与PCA相比,MSPCA能有效地检测和识别过程中不同频率故障,减少误报警,提高了过程监视的可靠性.
【总页数】4页(P48-51)
【作者】郭金玉;曾静
【作者单位】沈阳化工学院信息工程学院,辽宁,沈阳,110142;沈阳化工学院信息工程学院,辽宁,沈阳,110142
【正文语种】中文
【中图分类】TP277
【相关文献】
1.多尺度主元分析方法在过程监视中的应用 [J], 郭金玉;吴永建;王纲;吕岩
2.基于滑动中值滤波的多尺度主元分析方法 [J], 范少荟;文成林
3.基于判别核主元空间k近邻的批次过程监视 [J], 张成;郭青秀;李元
4.基于动态主元分析的统计过程监视 [J], 陈耀;王文海;孙优贤
5.基于多尺度离散平稳小波主元分析方法的故障监测 [J], 胡婕
因版权原因，仅展示原文概要，查看原文内容请购买。

多尺度主元分析方法在故障诊断中的应用研究本文介绍了一种改进的主元分析方法，实现了对工业过程故障信号的分析与处理。

仿真研究表明，改进方法在故障检测方面性能优良，为故障检测领域相关问题的研究提供了例证。

标签：主元分析小波分析故障检测0 引言随着大规模过程工业的逐步发展，人们对工业设备及控制系统的可靠性与安全性要求越来越高，通过故障检测实现过程监控己经成为过程自动化领域的重要研究方向之一。

故障检测中的首要问题就是对观测信号的故障特征提取，即对观测信号进行信号处理，从中获取反映故障信息的特征。

基于统计理论的故障检测方法在过程监控中的应用可以从系统自身所带的大量、有噪声的、随机的数据中提取隐含在其中的有用的信息来监控大规模复杂的系统，及时发现故障的产生。

1 技术要点对于复杂的研究对象，为了获取充分信息以便对问题做出比较可靠的推断，往往选择多个变量去进行观测，每个变量都在不同程度上反映所研究问题的信息。

但是，变量数目太多使数据维数增高，导致计算量庞大而复杂，增加分析问题的复杂性，这是影响数据处理速度的主要因素。

要解决这个问题，就需要对高维数据进行降维。

主元分析就是满足这些要求的一种数学方法，它采用SVD技术、将多个相关的变量(设为m个)转化为少数几个相互独立的变量(设为k个，k<m)，并且要求这k个综合型变量尽可能充分反映原来m个变量所反映的信息。

在实际工程应用中，为了消除量纲的影响，需要先将数据进行归一化处理。

通常用方差贡献率来确定k的大小，一般要求方差贡献率达到80%以上。

主元分析常用的统计控制图有T 2图、SPE图、主元得分图和贡献图[2]。

本文以T 2图和贡献图为例进行说明。

T 2统计量定义为：，式中，Ti是T矩阵中第i行，Tk由构成主元模型的k 个主元得分向量构成，是与前k 个主元对应的特征值所组成的对角矩阵。

显然，T 2是多个变量共同累加的标量，因此它可以用单变量控制图的形式来检测多变量工况。

基于多尺度关联维数和流形学习的自动机故障诊断杜伟;房立清;吕岩;齐子元【摘要】针对自动机振动信号非平稳、非线性的特点,提出基于多尺度关联维数和线性局部切空间排列(linear local tangent space alignment,LLTSA)相结合的自动机故障诊断方法.首先,利用局部特征尺度分解(local characteristic-scale decomposition,LCD)将自动机振动信号分解为不同尺度下的内禀尺度分量(intrinsic scale component),提取出反映状态信息的主要分量并计算各分量的关联维数.然后,利用线性局部切空间排列算法挖掘出可区分度更高的特征子集.最后,将得到的低维特征输入支持向量机进行识别,自动机故障诊断实验表明,所提方法具备较高的诊断准确率.此外,将LCD与经验模态分解(empirical mode decomposition,EMD)和局部均值分解(local mean decomposition,LMD)方法的诊断结果进行比较,验证所提方法的优势.%Aiming at the non-stationary and non-linear characteristics of automaton vibration signal, a fault diagnosis method of automaton based on multiscale correlation dimension and linear local tangent space alignment (LLTSA) was proposed. Firstly, the vibration signal of automaton was decomposed with local characteristic-scale decomposition (LCD) to obtain intrinsic scale components in different scales, and the correlation dimension of each principal component reflected the state information was calculated. Then, the mining performance of the feature subset with higher distinguishability was further implemented by using linear local tangent space alignment. Finally, low-dimensional feature was put into SVM to recognize the state types. The results of automaton fault test indicate that the proposed method is ofhigh accuracy. In addition, the diagnostic results calculated with LCD, empirical mode decomposition and local mean decomposition were compared, verifying the advantage of the method.【期刊名称】《中国测试》【年(卷),期】2017(043)010【总页数】7页(P102-108)【关键词】故障诊断;多尺度关联维数;流形学习;自动机【作者】杜伟;房立清;吕岩;齐子元【作者单位】军械工程学院火炮工程系,河北石家庄 050003;军械工程学院火炮工程系,河北石家庄 050003;军械工程学院火炮工程系,河北石家庄 050003;军械工程学院火炮工程系,河北石家庄 050003【正文语种】中文自动机是高炮武器系统故障率最高的部分之一，零部件较多且大部分安装在狭小的空间内。