基于KECA和维纳过程的风电齿轮箱剩余寿命预测

1

作者 许之胜 刘长良 徐健 《中国测试》 CAS 北大核心 2024年第12期156-162,168,共8页

齿轮箱是风电机组的关键设备,其性能一旦退化至失效状态,会造成严重的安全隐患。为动态掌握齿轮箱的退化过程,提出一种基于核熵成分分析与维纳过程的剩余寿命预测方法。数据预处理时,使用随机森林算法剔除离群点和异常值,并通过皮尔逊... 齿轮箱是风电机组的关键设备,其性能一旦退化至失效状态,会造成严重的安全隐患。为动态掌握齿轮箱的退化过程,提出一种基于核熵成分分析与维纳过程的剩余寿命预测方法。数据预处理时,使用随机森林算法剔除离群点和异常值,并通过皮尔逊算法选取与齿轮箱退化相关度高的多个特征。通过核熵成分分析方法在高维空间中进行主元分析,选取信息保有量较大的主元,达到数据降维的目的。随后,使用维纳过程对风电齿轮箱的剩余寿命进行预测。以河北某风场实际数据为例,结果表明:分别使用3000、4000、5000个点进行预测时,提出方法的预测误差分别为12.72%、10.52%、6.05%,显著优于对比方法。 展开更多

关键词 风电齿轮箱 剩余寿命预测 核熵成分分析 维纳过程 随机森林算法

在线阅读 下载PDF 职称材料

基于监督核熵的空压机阀片故障诊断优化 被引量：1

2

作者 赵凯 王永坚 +1 位作者 蔡杭溪 李劼 《船海工程》 北大核心 2025年第1期13-19,共7页

空压机作为船舶航行过程中的关键设备,其运行状态的精准识别对船舶安全性能具有重要影响。鉴于空压机在工作过程中振动信息呈现出非平稳和非线性的特点,提出利用监督核熵成分分析对其特征数据选择,旨在通过数据降维保留关键特征信息,将... 空压机作为船舶航行过程中的关键设备,其运行状态的精准识别对船舶安全性能具有重要影响。鉴于空压机在工作过程中振动信息呈现出非平稳和非线性的特点,提出利用监督核熵成分分析对其特征数据选择,旨在通过数据降维保留关键特征信息,将处理后的特征信息输入到经过贝叶斯优化方法优化超参数的支持向量机模型中,以评估其在空压机状态识别方面的性能。经实验验证可知,该方法能够有效提升支持向量机模型的识别准确率,准确率可达98.47%。 展开更多

关键词 船用空压机 阀片故障诊断 监督核熵成分分析 贝叶斯优化 支持向量机

在线阅读 下载PDF 职称材料

基于角结构统计量的MKECA间歇过程故障监测 被引量：9

3

作者 王普 李春蕾 +2 位作者 高学金 常鹏 齐咏生 《仪器仪表学报》 EI CAS CSCD 北大核心 2017年第1期174-180,共7页

针对间歇过程复杂非线性的特点,提出一种基于角结构统计量的多向核熵成分分析(MKECA)间歇过程监测方法。该方法首先将间歇过程数据进行标准化预处理,然后采用KECA提取间歇过程数据的主成分矩阵。研究表明,经过KECA投影后的主成分数据具... 针对间歇过程复杂非线性的特点,提出一种基于角结构统计量的多向核熵成分分析(MKECA)间歇过程监测方法。该方法首先将间歇过程数据进行标准化预处理,然后采用KECA提取间歇过程数据的主成分矩阵。研究表明,经过KECA投影后的主成分数据具有良好的角结构,因此利用主成分矩阵构造基于角结构的统计量,并且采用核密度估计算法计算其控制限。与传统的统计量相比,无需假设过程变量服从高斯分布。最后通过青霉素发酵的仿真平台和大肠杆菌实际生产过程验证,实验结果表明,相比于传统MKPCA方法,能够有效利用主成分的结构信息,明显降低了故障的误报率、漏报率。 展开更多

关键词 核熵成分分析 角结构统计量 核密度估计 故障监测

在线阅读 下载PDF 职称材料

基于一种自适应核学习的KECA子空间故障特征提取 被引量：3

4

作者 张伟 许爱强 平殿发 《北京理工大学学报》 EI CAS CSCD 北大核心 2017年第8期863-868,874,共7页

核属性约简方法对于去除冗余信息,调整数据非线性结构具有独特的优势.针对航空电子设备故障诊断中有效特征提取困难,核属性约简方法中核函数与核参数选择繁琐等问题,提出了一种基于自适应核函数优化学习的核熵元分析(kernel entropy com... 核属性约简方法对于去除冗余信息,调整数据非线性结构具有独特的优势.针对航空电子设备故障诊断中有效特征提取困难,核属性约简方法中核函数与核参数选择繁琐等问题,提出了一种基于自适应核函数优化学习的核熵元分析(kernel entropy component analysis,KECA)特征提取方法.首先针对一种自适应核函数基于改进的Fisher核矩阵测量准则建立了一种面向多分类任务的核函数优化框架,然后将优化结果与KECA相结合,通过在KECA特征子空间中选择对输入数据Renyi熵估计有较大贡献的核矩阵特征向量来实现故障特征提取.实验结果表明,本文方法不仅提升了分类精度,而且对噪声具有一定的抑制作用,具有良好的泛化性能. 展开更多

关键词 核熵元分析 Fisher区别分析 自适应核函数 特征提取 故障识别

在线阅读 下载PDF 职称材料

基于KECA+FDA的白酒电子鼻多特征鉴别方法 被引量：7

5

作者 殷勇 申晓鹏 于慧春 《农业机械学报》 EI CAS CSCD 北大核心 2018年第4期374-380,共7页

在引入基于核熵成分分析(KECA)的Fisher判别分析(FDA)方法的基础上,探究了用特征组合表征电子鼻信号时6种白酒的鉴别效果。首先,通过5种单一特征的FDA鉴别分析,筛选出积分值(INV)、相对稳态平均值(AVRS)、小波能量(WEV)3种较优特征,然... 在引入基于核熵成分分析(KECA)的Fisher判别分析(FDA)方法的基础上,探究了用特征组合表征电子鼻信号时6种白酒的鉴别效果。首先,通过5种单一特征的FDA鉴别分析,筛选出积分值(INV)、相对稳态平均值(AVRS)、小波能量(WEV)3种较优特征,然后通过它们的不同组合鉴别6种白酒,鉴别结果表明,多特征组合优于单特征,且三特征组合时的鉴别正确率最高。最后,在用INV、AVRS、WEV 3种特征值组合表征电子鼻信号的前提下,深入研究了KECA+FDA方法鉴别6种白酒的效果。当选取径向基函数(RBF)作为核函数后,采用基于矩阵最佳相似性的方法优化确定RBF核参数为16.860 8时,三特征组合下测试集的鉴别正确率由FDA的79.92%提高到KECA+FDA的100%。与BP神经网络和支持向量机的鉴别结果对比,KECA+FDA方法更具优势。这说明运用KECA+FDA方法可有效提高电子鼻对6种白酒的鉴别能力。 展开更多

关键词 白酒 电子鼻 核熵成分分析 FISHER判别分析 多特征鉴别

在线阅读 下载PDF 职称材料

基于TF-CNN与KECA的下肢运动能力评价方法 被引量：5

6

作者 张燕 李威 +2 位作者 王建宙 杨鹏 刘作军 《仪器仪表学报》 EI CAS CSCD 北大核心 2018年第10期211-222,共12页

针对目前老年人和下肢运动疾病患者在运动障碍评定方面缺乏客观、定量标准的问题,提出一种基于迁移学习卷积神经网络（TF-CNN）与核熵成分分析（KECA）相结合的下肢运动能力评估方法。招募50名存在不同程度运动障碍的受试者,分为中年脑... 针对目前老年人和下肢运动疾病患者在运动障碍评定方面缺乏客观、定量标准的问题,提出一种基于迁移学习卷积神经网络（TF-CNN）与核熵成分分析（KECA）相结合的下肢运动能力评估方法。招募50名存在不同程度运动障碍的受试者,分为中年脑卒中后偏瘫组（MG,12例）、老年脑卒中后偏瘫组（EG,12例）及年轻健康组（YG,26例）。首先,采用Vicon MX三维步态采集系统采集50名受试者的步态视频与下肢运动学数据,利用像素自适应分割（PBAS）对步态视频进行预处理,提取步态轮廓图像。然后,通过TF-CNN提取步态轮廓图像的全连接层特征,将其与下肢运动数据在特征层进行融合。最后,利用KECA将融合矩阵映射到低维空间,提取主元子空间,并结合Zscore指标提出了融合步态视频数据与下肢运动学数据的运动障碍评估指标（MAI）。对各组MAI指标进行成对T-test检验表明MAI指标能够准确地对受试各组进行运动能力评定（p〈0.01）;受试者的MAI指标与GARS-M评分的Pearson相关性分析表明,两者显著相关（r=0.92,p〈0.01）。实验结果证实了所提方法的有效性。 展开更多

关键词 卷积神经网络 迁移学习 下肢运动能力评价 核熵成分分析 特征提取

在线阅读 下载PDF 职称材料

基于KPCA-SO-KELM的抗蛇行减振器故障诊断

7

作者 岑潮宇 代亮成 +1 位作者 池茂儒 赵明花 《科学技术与工程》 北大核心 2025年第11期4551-4558,共8页

针对列车运行过程中的振动信号是复杂非线性的,并且单一通道的信号存在着信息不完全的问题,提出了一种车体和转向架上多个通道信号融合的抗蛇行减振器故障诊断的方法。首先,对列车多个通道的信号进行自适应噪声完备集合经验模态分解(com... 针对列车运行过程中的振动信号是复杂非线性的,并且单一通道的信号存在着信息不完全的问题,提出了一种车体和转向架上多个通道信号融合的抗蛇行减振器故障诊断的方法。首先,对列车多个通道的信号进行自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),提取分解后的本征模态函数(intrinsic mode function, IMF)精细复合多尺度散布熵(refined composite multiscale dispersion entropy, RCMDE)组成特征集;其次,用核主成分分析法(kernel principal component analysis, KPCA)对提取出的特征集进行降维;最后,将最优特征子集输入到蛇优化的核极限学习机(snake optimized kernel extreme learning machine, SO-KELM)中来诊断抗蛇行减振器故障类型。试验结果表明,经过核主成分分析法优选过后的多通道融合特征集能够准确反映抗蛇行减振器不同故障类型信号特征,实现了抗蛇行减振器的故障诊断,并将蛇优化核极限学习机与其他模型对比验证了该方法的优越性。 展开更多

关键词 抗蛇行减振器 精细复合多尺度散布熵 故障诊断 蛇优化 核主成分分析

在线阅读 下载PDF 职称材料

基于CSAEMD-KECA和角结构距离的齿轮故障识别方法 被引量：1

8

作者 高庆云 郭力 陈长华 《机电工程》 CAS 北大核心 2023年第1期11-22,共12页

作为机械传动系统中的重要部件,齿轮经常运行在变转速变载荷工况下,直接采集到的齿轮故障信号(原始信号)往往存在强背景噪声。由于其原始信号中存在噪声信号,干扰了齿轮故障模式识别,且传统故障识别方法准确率较低,针对这一问题,提出了... 作为机械传动系统中的重要部件,齿轮经常运行在变转速变载荷工况下,直接采集到的齿轮故障信号(原始信号)往往存在强背景噪声。由于其原始信号中存在噪声信号,干扰了齿轮故障模式识别,且传统故障识别方法准确率较低,针对这一问题,提出了一种基于CSAEMD-KECA和角结构距离的齿轮故障识别方法。首先,使用互补正弦辅助经验模式分解(CSAEMD)方法对齿轮故障信号进行了分解重构,以去除信号中的噪声成分;然后,利用核熵成分分析(KECA)方法对CSAEMD分解重构后的信号进行了特征提取,选取了对样本(CSAEMD分解重构后的信号)瑞丽熵贡献值较大的3个特征向量,并将其作为投影向量,样本数据向投影向量投影形成了特征数据集;最后,搭建了故障模拟实验台,对上述方法的可行性进行了验证,采用角结构距离的聚类方法对特征数据集进行了聚类分析。研究结果表明:利用实验台数据进行的有效实验,能够准确地识别出齿轮的各种故障,其聚类准确率达到98.3%;该结果可验证基于CSAEMD-KECA和角结构距离的方法在齿轮故障识别上的有效性。 展开更多

关键词 机械传动系统 齿轮故障诊断 互补正弦辅助经验模式分解 核熵成分分析 聚类分析 信号分解重构 信号特征提取

在线阅读 下载PDF 职称材料

基于KECA-GRNN的风电机组齿轮箱状态监测与健康评估 被引量：26

9

作者 景彤梅 齐咏生 +2 位作者 刘利强 高学金 李永亭 《太阳能学报》 EI CAS CSCD 北大核心 2021年第6期400-408,共9页

为及时准确地评价风电机组齿轮箱的健康程度,提出一种基于KECA-GRNN的性能监测与评估方法。该方法分为状态监测、故障预测、健康评估3个阶段。在状态监测阶段,将KECA算法应用到风电机组的性能监测中,并采用SPE统计量监测齿轮箱状态。在... 为及时准确地评价风电机组齿轮箱的健康程度,提出一种基于KECA-GRNN的性能监测与评估方法。该方法分为状态监测、故障预测、健康评估3个阶段。在状态监测阶段,将KECA算法应用到风电机组的性能监测中,并采用SPE统计量监测齿轮箱状态。在故障预测阶段,将KECA算法提取的主元数据作为GRNN模型输入,建立KECA-GRNN预测模型,并采用预测残差的变化趋势定义报警限,实现故障的早期预警。在健康评估阶段,将多变量预测残差进行融合,增强评估的可靠性。最后,将该方法应用于某风场一台1.5 WM风电机组在故障前近2个月的部分SCADA数据中,结果表明可提前2周获知齿轮箱发生异常,实现了对风电机组齿轮箱健康状态的准确评估。 展开更多

关键词 风电机组 SCADA系统 状态监测 神经网络 核熵成分分析(keca) 健康评估

在线阅读 下载PDF 职称材料

基于MKECA的非高斯性和非线性共存的间歇过程监测 被引量：9

10

作者 常鹏 乔俊飞 +2 位作者 王普 高学金 李征 《化工学报》 EI CAS CSCD 北大核心 2018年第3期1200-1206,共7页

多向核独立成分分析(multiway kernel independent component analysis,MKICA)在监测间歇过程非高斯性和非线性方面取得了广泛应用,其仅仅是将线性独立成分分析(independent component analysis,ICA)方法利用核主成分分析(kernel princi... 多向核独立成分分析(multiway kernel independent component analysis,MKICA)在监测间歇过程非高斯性和非线性方面取得了广泛应用,其仅仅是将线性独立成分分析(independent component analysis,ICA)方法利用核主成分分析(kernel principal component analysis,KPCA)白化扩展到非线性领域,但数据经KPCA白化后只考虑数据信息最大化未考虑数据簇结构信息的不足,为解决此问题,采用核熵成分分析(kernel entropy component analysis,KECA)代替KPCA白化的过程监测方法。该方法首先利用AT展开方法将过程三维数据变为二维数据;其次用KECA进行白化处理的同时解决数据的非线性;然后建立ICA监测模型用于非高斯生产过程监测;最后将该方法应用到青霉素发酵仿真和实际的工业过程并与MKICA方法进行对比,验证该方法的有效性。 展开更多

关键词 间歇过程 多向核独立成分分析 多向核熵成分分析 多向核熵独立成分分析

在线阅读 下载PDF 职称材料

基于KECA的非线性工业过程故障检测与诊断新方法 被引量：11

11

作者 邓明月 刘建昌 +2 位作者 许鹏 谭树彬 商亮亮 《化工学报》 EI CAS CSCD 北大核心 2020年第5期2151-2163,共13页

提出了一种基于核熵成分分析(kernel entropy component analysis,KECA)的非线性过程故障检测与诊断新方法。该方法首先利用KECA获取过程数据的得分向量及非线性特征子空间;然后鉴于KECA可以以角结构的方式揭示数据中潜在的集群结构,设... 提出了一种基于核熵成分分析(kernel entropy component analysis,KECA)的非线性过程故障检测与诊断新方法。该方法首先利用KECA获取过程数据的得分向量及非线性特征子空间;然后鉴于KECA可以以角结构的方式揭示数据中潜在的集群结构,设计了基于角度的监测指标VoA。该指标通过各得分向量之间的角度方差来描述变换后数据间的结构差异,并根据角度方差的变化情况实现故障检测;接着,为了在检测到故障后有效地进行故障识别,构建了KECA相似度因子来度量特征子空间的相似程度以识别故障模式;最后,以非线性数值案例及Tennessee Eastman过程进行仿真测试研究,结果验证了所提方法的可行性及有效性。 展开更多

关键词 故障检测与诊断 核熵成分分析 VoA监测指标 过程控制 相似度因子 模型 安全

在线阅读 下载PDF 职称材料

基于MW-KECA与变量贡献SVDD的间歇过程故障检测系统 被引量：3

12

作者 徐逸丰 杨海麟 +1 位作者 孟繁松 王鑫 《控制工程》 CSCD 北大核心 2022年第1期143-151,共9页

针对间歇过程的非线性和时变性特点以及故障易误报的问题,提出了一种将移动窗-核熵成分分析(MW-KECA)故障监测与基于变量贡献的支持向量数据描述(SVDD)故障诊断集合而成的故障检测系统。MW-KECA方法构建局部模型能有效处理数据的时变性... 针对间歇过程的非线性和时变性特点以及故障易误报的问题,提出了一种将移动窗-核熵成分分析(MW-KECA)故障监测与基于变量贡献的支持向量数据描述(SVDD)故障诊断集合而成的故障检测系统。MW-KECA方法构建局部模型能有效处理数据的时变性,同时保留KECA优秀的非线性处理能力。故障诊断中以各变量对CS统计量-向量间角度关系指标的贡献作为输入数据来构建SVDD分类器,相较于原始数据,故障贡献能够突出同类相似信息和异类差异信息。通过青霉素发酵仿真实验,验证了检测系统在监测准确性与故障识别率上都有良好效果,证明了该检测系统的有效性。 展开更多

关键词 故障监测 故障诊断 核熵成分分析 支持向量数据描述法 间歇过程

在线阅读 下载PDF 职称材料

基于KECA和BO-SVDD的滚动轴承早期故障检测 被引量：2

13

作者 栗子旋 高丙朋 《机床与液压》 北大核心 2023年第11期206-213,共8页

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析(KECA)和贝叶斯优化(BO)算法优化支持向量数据描述(SVDD)的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵... 为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析(KECA)和贝叶斯优化(BO)算法优化支持向量数据描述(SVDD)的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测,结果表明:KECA能够有效地提取特征信息,减少冗余信息的干扰;该模型整体上能够较早检测出故障的发生,并且有较好的鲁棒性和泛化能力。 展开更多

关键词 故障检测 特征矩阵 核熵成分分析 贝叶斯优化 支持向量数据描述

在线阅读 下载PDF 职称材料

基于KECA的离心泵健康状态评价方法 被引量：2

14

作者 王前江 陈磊 +1 位作者 徐向阳 岳帅旭 《组合机床与自动化加工技术》 北大核心 2021年第7期181-184,共4页

针对目前离心泵运行数据冗余、非线性的特点,提出一种基于核熵成分分析(KECA)的离心泵健康状态评价方法。首先,利用经验模态分解(EMD)对采集信号进行降噪处理,提取信号的15个指标作为KECA的输入数据;其次,KECA利用Renyi信息熵来确定所... 针对目前离心泵运行数据冗余、非线性的特点,提出一种基于核熵成分分析(KECA)的离心泵健康状态评价方法。首先,利用经验模态分解(EMD)对采集信号进行降噪处理,提取信号的15个指标作为KECA的输入数据;其次,KECA利用Renyi信息熵来确定所保留的主元,在降低数据维度的同时尽可能减少了信息的丢失,并以熵值的贡献率来设置离心泵运行状态综合得分的各项权重;最后,定义健康度值(HD)来规范离心泵健康状况指标并划分安全等级。实验结果表明,基于KECA的离心泵状态评价方法能够有效提取出离心泵运行数据中的关键信息,实现对离心泵的健康状态客观评价,证明了该方法的科学性和有效性。 展开更多

关键词 状态评价 经验模态分解 核熵成分分析 健康度

在线阅读 下载PDF 职称材料

在线压缩KECA的自适应算法在故障检测中的应用 被引量：7

15

作者 郭金玉 李文涛 李元 《化工学报》 EI CAS CSCD 北大核心 2021年第8期4227-4238,共12页

在复杂的大规模工业过程系统中,实时过程监视、优化计算时间和降低运行内存是实现最终产品质量的最关键和最具挑战性的任务,提出一种在线压缩核熵成分分析(online reduced kernel entropy component analysis,ORKECA)的自适应故障检测... 在复杂的大规模工业过程系统中,实时过程监视、优化计算时间和降低运行内存是实现最终产品质量的最关键和最具挑战性的任务,提出一种在线压缩核熵成分分析(online reduced kernel entropy component analysis,ORKECA)的自适应故障检测算法。首先计算训练样本的核矩阵,根据保留的特征值与特征向量选择有代表性的观测值,构造一个符合全局数据信息特征的压缩集,计算监测统计数据的平方预测误差(squared prediction error,SPE),并利用核密度估计确定控制限。对于在线实时采集的数据,计算该数据的统计量并与压缩集的控制限比较,根据过程状态分析核熵成分分析(kernel entropy component analysis,KECA)模型是否需要进行更新,可以有效提高实时监测过程数据的性能。最后,以一个非线性数值案例及TE过程数据对该方法进行仿真数值分析。结果表明,所提的方法具有有效的可行性。 展开更多

关键词 优化 故障检测 核熵成分分析 自适应算法 核密度估计 模型 数值分析

在线阅读 下载PDF 职称材料

基于故障判别增强KECA算法的故障检测 被引量：4

16

作者 韩宇 李俊芳 +2 位作者 高强 田宇 禹国刚 《化工学报》 EI CAS CSCD 北大核心 2020年第3期1254-1263,共10页

基于核熵主成分分析方法的统计模型仅利用正常工况下数据进行建模,而忽略了监控系统数据库中一些已知类别的先前故障数据。为了利用先前故障数据中包含的故障信息来增强故障检测性能,提出了一种故障判别增强KECA (fault discriminant en... 基于核熵主成分分析方法的统计模型仅利用正常工况下数据进行建模,而忽略了监控系统数据库中一些已知类别的先前故障数据。为了利用先前故障数据中包含的故障信息来增强故障检测性能,提出了一种故障判别增强KECA (fault discriminant enhanced kernel entropy component analysis, FDKECA)算法。该法通过采用无监督学习和监督学习方法建立模型,同时监测非线性核熵主成分(kernel entropy component, KEC)和故障判别成分(fault discriminant component, FDC)两类数据特征。此外,利用贝叶斯推理将相应的监视统计信息转换为故障概率,并通过加权两个子模型的结果来构建基于总体概率的监视统计量。通过数值仿真和田纳西伊斯曼(Tennessee Eastman, TE)过程仿真实验,证明和传统KECA相比,FDKECA算法能够有效利用故障数据提高故障检测率。 展开更多

关键词 过程控制 过程系统 故障检测 核熵成分分析 混合模型

在线阅读 下载PDF 职称材料

基于KECA-NARX的RUL时间序列预测模型

17

作者 徐东辉 《电池》 CAS 北大核心 2021年第6期582-586,共5页

针对锂离子电池剩余使用寿命(RUL)预测中信息利用不完善的问题,提出基于核熵成分分析(KECA)的非线性自回归(NARX)神经网络的RUL时间序列预测模型算法。采用灰色关联分析方法确定预测模型的输入变量;再重构确定的输入变量,恢复系统多维... 针对锂离子电池剩余使用寿命(RUL)预测中信息利用不完善的问题,提出基于核熵成分分析(KECA)的非线性自回归(NARX)神经网络的RUL时间序列预测模型算法。采用灰色关联分析方法确定预测模型的输入变量;再重构确定的输入变量,恢复系统多维非线性状态空间;最后通过混沌优化算法,使KECA的核参数达到全局最优,利用KECA对重构后的相空间时间序列进行特征提取,并将特征向量作为NARX神经网络的输入,得到预测的RUL。KECA-NARX模型的预测精度比Elman模型提高了近6%,表明提出的KECA-NARX模型具有较优的非线性动态预测能力、较高的精确度及泛化能力。 展开更多

关键词 锂离子电池 核熵成分分析(keca) 时间序列 非线性自回归(NARX) RENYI熵 预测 剩余使用寿命(RUL)

在线阅读 下载PDF 职称材料

基于动态KECA的工业过程故障检测

18

作者 郭金玉 朱明坤 李元 《沈阳工业大学学报》 CAS 北大核心 2023年第5期576-581,共6页

针对工业过程数据中存在的非线性特性和时间延迟性问题,提出了一种基于动态核熵成分分析(DKECA)的工业过程故障检测方法.将数据集按照时间序列构造增广矩阵,建立DKECA模型,并计算训练数据的Cauchy-Schwarz(CS)统计量及其控制限.将在线... 针对工业过程数据中存在的非线性特性和时间延迟性问题,提出了一种基于动态核熵成分分析(DKECA)的工业过程故障检测方法.将数据集按照时间序列构造增广矩阵,建立DKECA模型,并计算训练数据的Cauchy-Schwarz(CS)统计量及其控制限.将在线监测数据投影到DKECA模型上,其相应的统计量超出控制限的数据作为故障数据.实验结果表明,与传统的非线性方法相比,所提方法能够在保持较低误报率的基础上有效提升故障检测效果,通过引入时间延迟系数提取工业过程的动态变化信息,为传统故障检测方法在动态工业过程中的应用提供了参考. 展开更多

关键词 故障检测 非线性特性 时间延迟性 核熵成分分析 增广矩阵 Rényi熵 Cauchy-Schwarz统计量 田纳西伊斯曼过程

在线阅读 下载PDF 职称材料

基于K-I-ELM多模型集成的分布式光伏出力短期预测方法 被引量：1

19

作者 江卓翰 周胜瑜 +2 位作者 何禹清 周任军 孙辰昊 《电力科学与技术学报》 CAS CSCD 北大核心 2024年第4期146-152,共7页

为响应“双碳”目标,高比例新能源接入的新型电力系统已成为下一个发展目标。光伏作为当前电力系统能源发电主体形式之一,其出力特性数据尚存在多源、异构及高维等分布特点,导致不同特征作用机理、机制较为复杂,继而加大分布式光伏系统... 为响应“双碳”目标,高比例新能源接入的新型电力系统已成为下一个发展目标。光伏作为当前电力系统能源发电主体形式之一,其出力特性数据尚存在多源、异构及高维等分布特点,导致不同特征作用机理、机制较为复杂,继而加大分布式光伏系统出力的预测难度。为此,首先构建核主成分分析(kernel principle component analysis,KPCA)模型,通过核函数在特征空间中依据不同特征的有效信息蕴含度提取主成分;然后采用信息熵(information entropy,IE)模型,根据各主成分信息负载度量加权系数,综合求解相应作用权重;最后依据特征评估结果,针对性设置极限学习机(extreme learning machine,ELM)网络参数,降低预测不确定度。最终整合多类别数据挖掘模型,构建K-I-ELM预测方法,在复杂数据环境下实施光伏出力短期预测。基于某实际台区光伏发电数据进行案例分析,论证所提方法针对不同数据环境的适应性及较高的预测精度。 展开更多

关键词 信息熵 核主成分分析 极限学习机 短期预测 光伏出力

在线阅读 下载PDF 职称材料

基于GA-IPSO-KPCA和变权组合模型的电动汽车充电方法 被引量：1

20

作者 傅莹颖 葛泉波 +1 位作者 李春喜 崔向科 《控制工程》 CSCD 北大核心 2024年第4期712-721,共10页

需求电压和需求电流是充电桩对电动汽车安全充电的重要依据。然而,随着电池的老化,电池管理系统的数据可能出现错误,使得电动汽车在充电时存在安全隐患。针对该问题,建立最小二乘支持向量机和深度置信网络的组合预测模型,提出一种基于... 需求电压和需求电流是充电桩对电动汽车安全充电的重要依据。然而,随着电池的老化,电池管理系统的数据可能出现错误,使得电动汽车在充电时存在安全隐患。针对该问题,建立最小二乘支持向量机和深度置信网络的组合预测模型,提出一种基于变权组合模型的电动汽车充电方法。首先,针对数据掉线缺失问题,使用K均值和反距离加权方法对数据进行插值;然后,使用改进的混合核主成分分析算法对完整数据进行主成分提取,并使用改进粒子群优化算法自动确定混合核函数的权重。基于真实电动汽车数据的实验结果表明,所提方法能够准确地预测需求电压和需求电流,具有实际意义和可行性。 展开更多

关键词 充电安全 组合预测 粒子群优化算法 核主成分分析 深度置信网络 最小相对熵

在线阅读 下载PDF 职称材料