期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于主元分析的支持向量数据描述机械故障诊断
被引量：
18
1
作者
潘明清
周晓军
+1 位作者
吴瑞明
雷良育
《传感技术学报》
EI
CAS
CSCD
北大核心
2006年第1期128-131,共4页
针对机械故障诊断缺乏故障样本的问题,提出了故障诊断单值分类法——支持向量数据描述法(SVDD)。这种方法只需要正常运行状态的数据样本,就可以建立单值分类器,区分出正常和异常状态。试验以轴承为研究对象,采用主元分析法(PCA)作数据...
针对机械故障诊断缺乏故障样本的问题,提出了故障诊断单值分类法——支持向量数据描述法(SVDD)。这种方法只需要正常运行状态的数据样本,就可以建立单值分类器,区分出正常和异常状态。试验以轴承为研究对象,采用主元分析法(PCA)作数据前处理,提取振动信号的统计特征值,得到的主元特征指标输入到SVDD分类器进行训练和测试。试验结果表明,PCA对正常和故障样本有较大的区分度,SVDD分类器能很好的分辨出轴承正常和故障状态,并且对未知故障有良好的识别能力。
展开更多
关键词
故障诊断
特征提取
主
元
分析
支持
向量
数据
描述
轴承
在线阅读
下载PDF
职称材料
基于PCA-SVDD的故障检测和自学习辨识
被引量：
6
2
作者
祝志博
王培良
宋执环
《浙江大学学报（工学版）》
EI
CAS
CSCD
北大核心
2010年第4期652-658,共7页
为了利用多变量统计过程控制在故障检测上的优势以及克服其在故障辨识诊断上的缺陷,提出一套新的用于化工过程的故障检测和自学习辨识算法.应用主元分析(PCA)实施故障检测并对故障数据运用PCA特征提取,提出3种基于主元分析-支持向量数...
为了利用多变量统计过程控制在故障检测上的优势以及克服其在故障辨识诊断上的缺陷,提出一套新的用于化工过程的故障检测和自学习辨识算法.应用主元分析(PCA)实施故障检测并对故障数据运用PCA特征提取,提出3种基于主元分析-支持向量数据描述(PCA-SVDD)的模式判别方法来实现故障的自学习辨识:考虑故障辨识时可能出现的类分布重合问题,分析和比较了基于欧氏距离和归一化半径判别这2种方法,提出针对新型未知故障辨识的加权归一化半径判别法.通过对Tennessee Eastman(TE)过程的仿真研究,说明了提出的故障检测和自学习辨识算法的可行性和有效性.
展开更多
关键词
主
元
分析
-
支持
向量
数据
描述
(
pca-svdd
)
特征提取
故障检测
故障自学习辨识
在线阅读
下载PDF
职称材料
化工过程微小故障检测方法研究与应用
3
作者
樊梦奇
孙四通
《化学工程》
CAS
CSCD
北大核心
2023年第7期83-88,94,共7页
在实际化工过程中缺少对微小故障的检测方法,为解决PCA(主元分析)进行特征提取容易丢失非线性信息的问题,使用互信息矩阵代替协方差矩阵进行特征提取,称作MIPCA(互信息主元分析)。为了弥补SVDD(支持向量数据描述)忽略故障数据中重要信...
在实际化工过程中缺少对微小故障的检测方法,为解决PCA(主元分析)进行特征提取容易丢失非线性信息的问题,使用互信息矩阵代替协方差矩阵进行特征提取,称作MIPCA(互信息主元分析)。为了弥补SVDD(支持向量数据描述)忽略故障数据中重要信息的缺点,将少量故障数据引入模型训练过程中,以提高模型的精度,称作CSVDD(全面支持向量数据描述)。将2种算法相结合提出一种新的故障检测方法MIPCA-CSVDD,用于化工过程微小故障检测。最后借助TE(田纳西-伊斯曼)仿真数据与河南某化工厂的真实数据,与经典PCA和SVDD方法比较检测结果,验证了所提方法的有效性。
展开更多
关键词
微小故障检测
特征提取
主
元
分析
互信息
支持
向量
数据
描述
在线阅读
下载PDF
职称材料
题名
基于主元分析的支持向量数据描述机械故障诊断
被引量：
18
1
作者
潘明清
周晓军
吴瑞明
雷良育
机构
浙江大学现代制造工程研究所
浙江科技学院机械系
江苏技术师范学院机械系
出处
《传感技术学报》
EI
CAS
CSCD
北大核心
2006年第1期128-131,共4页
文摘
针对机械故障诊断缺乏故障样本的问题,提出了故障诊断单值分类法——支持向量数据描述法(SVDD)。这种方法只需要正常运行状态的数据样本,就可以建立单值分类器,区分出正常和异常状态。试验以轴承为研究对象,采用主元分析法(PCA)作数据前处理,提取振动信号的统计特征值,得到的主元特征指标输入到SVDD分类器进行训练和测试。试验结果表明,PCA对正常和故障样本有较大的区分度,SVDD分类器能很好的分辨出轴承正常和故障状态,并且对未知故障有良好的识别能力。
关键词
故障诊断
特征提取
主
元
分析
支持
向量
数据
描述
轴承
Keywords
fault diagnosis
feature extraction
principal component analysis
support vector data description
bearing
分类号
TH165 [机械工程—机械制造及自动化]
在线阅读
下载PDF
职称材料
题名
基于PCA-SVDD的故障检测和自学习辨识
被引量：
6
2
作者
祝志博
王培良
宋执环
机构
浙江大学工业控制技术国家重点实验室
湖州师范学院信息工程学院
出处
《浙江大学学报（工学版）》
EI
CAS
CSCD
北大核心
2010年第4期652-658,共7页
基金
国家自然科学基金资助项目(60974056,60736021)
浙江省自然科学基金资助项目(Y1080871)
文摘
为了利用多变量统计过程控制在故障检测上的优势以及克服其在故障辨识诊断上的缺陷,提出一套新的用于化工过程的故障检测和自学习辨识算法.应用主元分析(PCA)实施故障检测并对故障数据运用PCA特征提取,提出3种基于主元分析-支持向量数据描述(PCA-SVDD)的模式判别方法来实现故障的自学习辨识:考虑故障辨识时可能出现的类分布重合问题,分析和比较了基于欧氏距离和归一化半径判别这2种方法,提出针对新型未知故障辨识的加权归一化半径判别法.通过对Tennessee Eastman(TE)过程的仿真研究,说明了提出的故障检测和自学习辨识算法的可行性和有效性.
关键词
主
元
分析
-
支持
向量
数据
描述
(
pca-svdd
)
特征提取
故障检测
故障自学习辨识
Keywords
principal component analysis
-
support vector data description （
pca-svdd
）
feature extraction
fault detection
fault self
-
learning identification
分类号
TP277 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
化工过程微小故障检测方法研究与应用
3
作者
樊梦奇
孙四通
机构
青岛科技大学自动化与电子工程学院
出处
《化学工程》
CAS
CSCD
北大核心
2023年第7期83-88,94,共7页
文摘
在实际化工过程中缺少对微小故障的检测方法,为解决PCA(主元分析)进行特征提取容易丢失非线性信息的问题,使用互信息矩阵代替协方差矩阵进行特征提取,称作MIPCA(互信息主元分析)。为了弥补SVDD(支持向量数据描述)忽略故障数据中重要信息的缺点,将少量故障数据引入模型训练过程中,以提高模型的精度,称作CSVDD(全面支持向量数据描述)。将2种算法相结合提出一种新的故障检测方法MIPCA-CSVDD,用于化工过程微小故障检测。最后借助TE(田纳西-伊斯曼)仿真数据与河南某化工厂的真实数据,与经典PCA和SVDD方法比较检测结果,验证了所提方法的有效性。
关键词
微小故障检测
特征提取
主
元
分析
互信息
支持
向量
数据
描述
Keywords
micro fault detection
feature extraction
principal component analysis
mutual information
support vector data description
分类号
TP277 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于主元分析的支持向量数据描述机械故障诊断
潘明清
周晓军
吴瑞明
雷良育
《传感技术学报》
EI
CAS
CSCD
北大核心
2006
18
在线阅读
下载PDF
职称材料
2
基于PCA-SVDD的故障检测和自学习辨识
祝志博
王培良
宋执环
《浙江大学学报（工学版）》
EI
CAS
CSCD
北大核心
2010
6
在线阅读
下载PDF
职称材料
3
化工过程微小故障检测方法研究与应用
樊梦奇
孙四通
《化学工程》
CAS
CSCD
北大核心
2023
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
