导读:本文包含了局部和全局故障论文开题报告文献综述及选题提纲参考文献，主要关键词:动态特性,全局局部保留投影,支持数据向量描述,数据降维
局部和全局故障论文文献综述
徐静,王振雷,王昕[1]（2019）在《基于动态全局局部保留投影算法的化工过程故障检测》一文中研究指出本文提出了一种新的基于动态全局局部保留投影(dynamic global-local preserving projections,DGLPP)算法和支持数据向量描述(support vector data description, SVDD)的故障检测方法。利用原始数据构造扩展矩阵来处理工业过程中的动态过程,GLPP用于降低过程数据的维数,它结合了局部保留预测(LPP)和主成分分析(PCA)的优点,同时保持了数据的全局和局部信息,利用降维后的数据建立SVDD模型监控。通过田纳西伊斯曼(TE)过程对所提出的算法进行测试,并与其他算法进行了比较。测试结果表明DGLPP-SVDD算法的有效性和优越性。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
牟伟杰,石林锁,蔡艳平,郑勇,刘浩[2]（2018）在《基于振动时频图像全局和局部特征融合的柴油机故障诊断》一文中研究指出提出了一种基于振动时频图像全局和局部特征融合的柴油机故障诊断方法。采用平滑伪维格纳分布(SPWVD)方法生成柴油机振动时频图像,分别用核主元分析(KPCA)和局部非负矩阵分解(LNMF)方法提取时频图像的全局和局部特征进行融合,并用独立分量(ICA)分析方法对融合后的特征进行降维,对降维后的融合特征进行分类完成对柴油机的故障诊断。试验结果表明,基于振动时频图像全局和局部特征融合的柴油机故障诊断方法,能够准确诊断柴油机的气门故障。(本文来源于《振动与冲击》期刊2018年10期）
赵孝礼[3]（2017）在《全局与局部特征信息融合的旋转机械故障数据集降维方法研究》一文中研究指出1故障诊断是保障机械设备安全运行的有效手段之一。为获取更加准确、有效的诊断结果,就需提取出有价值的设备信息。因此,如何有效地挖掘出真实反映故障信息的数据已成为当今故障诊断的研究热点。众所周知,机械故障诊断一般被分为叁步:信号采集与处理,故障的特征表达与模式识别。数据降维又是特征表达中的关键一步,它可减轻后续故障模式识别的压力,提取出本质的故障信息。研究表明,数据的全局与局部信息对于降维与分类都是有益的。从信息提取的角度出发,传统的降维算法如PCA、LDA、LPP等,大多是从单一的全局或局部信息角度出发,并不能兼顾全局与局部信息的提取,导致降维与分类效果不佳。针对上述问题,为了使得故障信息保持的更加完善与故障诊断效果更高,本文全局与局部兼顾提取的故障特征集降维工作主要包含以下内容:1)从数据的保持结构角度出发,在对比分析了全局数据降维方法和局部数据降维方法的基础上,阐述了全局与局部信息对数据降维的重要性。2)当训练样本不足时,局部信息比全局信息更为重要。为此,提出一种正则化核最大边界投影(Regularized Kernel Maximum Margin Projection,RKMMP)局部信息的滚动轴承故障数据集维数约简方法。该方法首先利用RKMMP对故障样本集进行降维,然后将降维后的低维敏感特征子集输入到核极限学习机分类器中进行故障识别。滚动轴承故障模拟实验表明:该方法在一定程度上能提升故障诊断的泛化能力与识别精度。3)针对传统数据降维方法无法兼顾保持全局特征信息与局部判别信息的问题,提出一种全新的核主元分析(KPCA)和正交化局部敏感判别分析(OLSDA)相结合的转子故障数据降维方法。该方法首先利用KPCA算法最大程度地保留原始数据全局非线性信息的作用;然后利用OLSDA算法充分挖掘出数据的局部流形结构信息。转子实验表明:该方法能够全面地提取出全局与局部判别信息,使故障分类更清晰、相应地识别准确率得到了明显提升。4)降维的目的是为了保持更全面的故障信息,使故障诊断结果更精确。但KPCA-OLSDA联合降维的方法在一定程度上增加了算法的复杂度,为尽可能多地保持数据的内在全局与局部信息,提出了一种全局与局部的局部敏感判别分析(Global and Local Locality Sensitive Discriminant Analysis,GLLSDA)维数约简的故障诊断方法。首先,方法从振动信号中提取出多域、多通道的统计特征参数,构建高维故障特征数据集;然后,利用所提的GLLSDA对故障数据集进行维数约简,提取出低维敏感的特征子集。最后,将低维特征输入WKNN分类器中进行故障诊断。转子系统实验数据验证了新方法的有效性。(本文来源于《兰州理工大学》期刊2017-04-20）
何东[4]（2016）在《基于全局和局部结构特征提取的故障检测方法研究》一文中研究指出随着工业过程自动化程度的逐渐提高,实时检测到故障并保证过程的安全运行也越来越重要。现代工业过程每天都会产生和存储大量的数据,根据过程数据进行特征提取和统计建模,并基于相应的故障检测算法进行过程监测越来越成为过程监测领域的研究热点。目前,比较流行的故障检测算法主要有主成分分析(PCA)等全局结构特征提取法、邻域保持嵌入(NPE)等局部结构特征提取法,本文针对这些传统方法的不足提出如下的故障检测算法:(1)提出基于分布式ICA-PCA的故障检测算法,适合于复杂工业过程难以自动划分子块和过程数据存在非高斯信息的情况。该算法首先对过程数据进行PCA分解,并在PCA主成分不同的方向上构建不同的子块,把原始特征空间自动划分为不同子空间;然后对各个子块采用ICA-PCA两步信息提取的策略,提取出高斯信息和非高斯信息,并构建新的统计量和统计限;最后,通过仿真实验验证所提出故障检测算法的有效性。(2)针对工业过程并非完全符合多元正态分布及存在非局部属性的问题,提出基于稀疏保持投影(SPP)的故障检测算法。首先,与局部保持投影(LPP)和邻域保持嵌入(NPE)等现有技术在降维过程中保持局部邻域信息不同,SPP通过最小化一个1l正则化相关目标函数保持数据的稀疏重构关系,并计算出投影向量;其次,利用投影向量将原始数据空间划分为特征空间和残差空间,构建统计量和统计限;最后,通过仿真实验验证了所提出方法具有较好的检测效果。(3)针对传统故障检测算法仅仅嵌入数据的局部或全局结构的问题,提出基于局部-全局保持嵌入(LGPE)的故障检测算法。LGPE算法利用邻域保持嵌入(NPE)的目标函数嵌入局部数据结构,同时设计一个新的目标函数约束样本与其非近邻点间的相对位置;然后,通过双重的优化问题同时保存原始数据的局部和全局结构特征,并构建统计量和统计限;最后,通过仿真实验验证所提出算法的实用性和可行性。(4)鉴于浅层结构故障检测算法对复杂函数表示能力和复杂问题泛化能力不足的局限,本章利用深层学习算法的优势,提出基于降噪自动编码器(DAE)的故障检测算法。首先为了避免过度拟合,在自动编码器的基础上引入1l范式惩罚项;然后添加噪声建模以提高算法的鲁棒性,进而构建基于降噪自动编码器的故障检测模型;最后,通过数值和TE过程的仿真实验表明:本章所提出的故障检测算法具有很好的鲁棒性,有效地提取了原始数据的本质特征。(本文来源于《华东交通大学》期刊2016-06-30）
郑鑫[5]（2016）在《基于局部和全局结构信息的故障检测方法研究》一文中研究指出现代工业生产过程日益复杂,使得操作人员往往要面对高维的复杂数据,因此需要使用有效的降维技术以及相应的过程监控方法来帮助操作人员更好地监控过程的运行状态。本文在保局投影(LPP)的基础上,通过添加保持全局结构的约束条件,研究综合考虑局部和全局结构信息的故障检测方法。本文的主要研究内容如下:在LPP的基础上,通过最大化非局部数据点间的距离保持非局部结构特征,并对投影向量做正交约束,给出了一种基于正交非局部约束LPP(ONSC-LPP)的故障检测方法。ONSC-LPP在对原始数据空间降维的同时充分提取其中所包含的局部和非局部数据结构特征,通过迭代计算所得的正交投影向量更有利于保持数据分布的整体形状以及构造监控统计量。运用ONSC-LPP对原始数据空间降维后,分别在特征空间和残差空间构造T~2统计量和Q统计量进行故障检测。TE过程的仿真结果表明,与传统方法相比,ONSC-LPP能更迅速检测故障发生并降低过程监控漏报率。针对LPP没有考虑过程数据的全局信息和动态性的问题,给出一种基于动态稀疏保局投影(DSLPP)的故障检测方法。该方法首先将原始数据矩阵扩展为考虑时序相关的增广矩阵,然后通过求解最优稀疏表示(SR)问题,得到能够表示数据全局稀疏重构关系的稀疏重构权重矩阵,并将其与LPP算法结合,构建综合考虑数据局部和全局关系的目标函数进行数据降维,最后分别在特征空间和残差空间构造T~2统计量和Q统计量进行故障检测。TE过程的仿真结果验证了该方法的有效性。针对实际工业过程中变量间广泛存在非线性关系的问题,将稀疏保局投影(SLPP)利用核方法扩展到非线性领域,给出了一种非线性故障检测方法核稀疏保局投影(KSLPP)。该方法首先将原始数据利用核函数投影到高维空间,使原来线性不可分的数据变得线性可分,然后在高维空间中进行稀疏表示,构造核稀疏重构权重矩阵,并将其与核LPP算法结合进行特征提取,最后在各个子空间构造统计量进行故障检测,通过TE过程对该方法的有效性进行验证。最后,通过对GK06过程控制实验装置进行实验研究,在实际装置上验证ONSC-LPP、DSLPP和KSLPP叁种故障检测方法的有效性。(本文来源于《中国石油大学(华东)》期刊2016-05-01）
张汉元,田学民,邓晓刚,蔡连芳[6]（2015）在《局部全局统计量模式分析方法及其在过程故障识别方面的应用（英文）》一文中研究指出Traditional principal component analysis(PCA) is a second-order method and lacks the ability to provide higherorder representations for data variables.Recently,a statistics pattern analysis(SPA) framework has been incorporated into PCA model to make full use of various statistics of data variables effectively.However,these methods omit the local information,which is also important for process monitoring and fault diagnosis.In this paper,a local and global statistics pattern analysis(LGSPA) method,which integrates SPA framework and locality preserving projections within the PCA,is proposed to utilize various statistics and preserve both local and global information in the observed data.For the purpose of fault detection,two monitoring indices are constructed based on the LGSPA model.In order to identify fault variables,an improved reconstruction based contribution(IRBC)plot based on LGSPA model is proposed to locate fault variables.The RBC of various statistics of original process variables to the monitoring indices is calculated with the proposed RBC method.Based on the calculated RBC of process variables' statistics,a new contribution of process variables is built to locate fault variables.The simulation results on a simple six-variable system and a continuous stirred tank reactor system demonstrate that the proposed fault diagnosis method can effectively detect fault and distinguish the fault variables from normal variables.(本文来源于《Chinese Journal of Chemical Engineering》期刊2015年11期）
马草原,罗艳芳,李春晓,崔连华[7]（2015）在《基于局部全局一致性学习算法的故障选线方法》一文中研究指出针对现有故障选线方法用于中性点经消弧线圈接地系统或相电压过零点附近发生故障时选线不准确的问题,提出一种基于局部全局一致性学习算法的小电流选线方法,即首先对线路接地故障原始信号进行傅里叶变换,然后将各故障信号的特征量输入局部全局一致性学习算法,通过标签循环传递判断故障特征信号,从而选出故障线路。通过Matlab仿真模型与实验室测试平台对该方法进行了研究,结果表明该方法具有较高的选线可靠性与准确性。(本文来源于《工矿自动化》期刊2015年10期）
陈洪飞[8]（2014）在《基于核化局部全局一致性学习的提升机故障诊断》一文中研究指出典型的局部全局一致性学习(Learning with Local and Global Consistency,LLGC)是基于图的半监督学习算法,虽然可以对样本进行有效标注,但对非线性数据却无能为力,且会出现维数灾难现象。为此,在LLGC的基础上引入核函数,提出核化局部全局一致性学习(KLLGC)解决上述问题。提升机故障诊断的实验结果表明KLLGC的有效性和可行性。(本文来源于《煤矿机电》期刊2014年03期）
局部和全局故障论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出了一种基于振动时频图像全局和局部特征融合的柴油机故障诊断方法。采用平滑伪维格纳分布(SPWVD)方法生成柴油机振动时频图像,分别用核主元分析(KPCA)和局部非负矩阵分解(LNMF)方法提取时频图像的全局和局部特征进行融合,并用独立分量(ICA)分析方法对融合后的特征进行降维,对降维后的融合特征进行分类完成对柴油机的故障诊断。试验结果表明,基于振动时频图像全局和局部特征融合的柴油机故障诊断方法,能够准确诊断柴油机的气门故障。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
局部和全局故障论文参考文献
[1].徐静,王振雷,王昕.基于动态全局局部保留投影算法的化工过程故障检测[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[2].牟伟杰,石林锁,蔡艳平,郑勇,刘浩.基于振动时频图像全局和局部特征融合的柴油机故障诊断[J].振动与冲击.2018
[3].赵孝礼.全局与局部特征信息融合的旋转机械故障数据集降维方法研究[D].兰州理工大学.2017
[4].何东.基于全局和局部结构特征提取的故障检测方法研究[D].华东交通大学.2016
[5].郑鑫.基于局部和全局结构信息的故障检测方法研究[D].中国石油大学(华东).2016
[6].张汉元,田学民,邓晓刚,蔡连芳.局部全局统计量模式分析方法及其在过程故障识别方面的应用（英文）[J].ChineseJournalofChemicalEngineering.2015
[7].马草原,罗艳芳,李春晓,崔连华.基于局部全局一致性学习算法的故障选线方法[J].工矿自动化.2015
[8].陈洪飞.基于核化局部全局一致性学习的提升机故障诊断[J].煤矿机电.2014