在工业生产任务中,实际操作环境通常比较复杂,常常导致手势识别的准确率降低。为提高手势识别对环境的适应能力并提高识别的实时性,分别在预处理,特征提取及分类识别三个方面进行研究。首先采用改进的同态滤波算法进行图像的增强预处理,然后提取增强后图像的梯度方向直方图(HOG)特征,采用主元分析(PCA)方法对其进行降维,并将降维后的特征输入到支持向量机(SVM)中进行分类。结果表明,改进后的同态滤波算法能较好克服光照不均导致的手势分割困难问题,使识别率从93.2%提高到了95.6%。而PCA结合HOG使每张图像的分类时间从18.07ms缩短到降维后的1.43ms,在大幅提高识别速度的同时,识别精度几乎不受影响。

研究了多变量统计分析方法在制冷装置故障检测和诊断中的应用。对ASHRAE资助下的一组实验数据进行预处理,对其进行故障检测和故障诊断。对于故障检测,可利用平方预测误差（Q统计量）等统计控制变量来判断系统是否在正常运行状态。而对于故障诊断,第一次尝试采用各变量对于平方预测误差的负荷结合各变量的变化率来得到其对于平方预测误差异变的贡献率。从而快速利用变量的变化方向和程度判断故障类型。从结果分析,这种方法可以在众多变量中过滤掉不显著的变化,迅速找到故障主因。利用多变量统计分析方法可以实现对制冷装置的运行状态进行实时监控和诊断。

针对时差定位法受很多因素影响的弊端，将神经网络技术应用到声发射源定位中。提取最能揭示声发射源的特征参数和运用主元分析技术来降低输入样本的数量；采用增加隐含层神经元个数探讨它们的误差变化来确定隐含层；运用附加动量法和优化选取初始阈值等措施进行网络设计。将设计好的网络运用到实例中，通过与实际缺陷位置的比较，结果表明，选择合理的网络结构和输入参数可准确定出结构损伤位置，且精度有较大的提高，计算更简单有效。

研究了多变量统计分析方法在制冷装置故障检测和诊断中的应用。对ASHRAE资助下的一组实验数据进行预处理,对其进行故障检测和故障诊断。对于故障检测,可利用平方预测误差(Q统计量)等统计控制变量来判断系统是否在正常运行状态。而对于故障诊断,第一次尝试采用各变量对于平方预测误差的负荷结合各变量的变化率来得到其对于平方预测误差异变的贡献率。从而快速利用变量的变化方向和程度判断故障类型。从结果分析,这种方法可以在众多变量中过滤掉不显著的变化,迅速找到故障主因。利用多变量统计分析方法可以实现对制冷装置的运行状态进行实时监控和诊断。

故障子空间矩阵是基于主元分析故障辨识的常用方法。但常规的故障子空间矩阵仅能描述当故障发生时哪些变量偏离了它们的正常值。当两种故障类型具有相同的故障变量时,故障子空间矩阵不能将它们区分。为了进一步提高故障子空间矩阵的辨识能力,本文提出正负故障子空间矩阵法。新方法不仅揭示了故障变量,并且可以反映变量的变化趋势,这使得故障子空间矩阵所代表的故障类型更加具体。首先,以监测统计量最小为优化目标求出各种故障状态下变量的幅值向量。其次,通过幅值向量求出变量的重构值和符号矩阵。然后,根据重构贡献率最小找到对应的故障子空间矩阵,并将该矩阵与符号矩阵相乘得到正负故障子空间矩阵。最后,根据有方向故障子空间矩阵完成故障辨识。通过对翻车机液压系统的故障辨识结果证明该方法具有较高准确性和普适性。

针对旋转机械高维故障数据难以被准确辨识的情况,提出了一种基于主元分析（principal component analysis,PCA）和K近邻（K-nearest neighbour,KNN）算法的旋转机械故障识别方法。合理选取出各状态信号的时域、频域特征指标构造成高维特征空间,输入给主元分析算法进行降维处理,提取出低维敏感特征,将约简后的状态样本输入给KNN算法进行故障识别。滚动轴承和转子的实验结果表明,该方法能够很好的约简高维故障样本特征,在实现样本数据可视化的同时准确识别出各故障样本。与传统方法相比,该方法具有结构简单、识别率高等优点,对机械故障诊断研究具有一定的工程意义。

针对滚动轴承的可靠性评估问题,提出了一种基于主元分析的逻辑回归模型混合域协变量的选取方法,将表征轴承运行状态的特征值通过PCA降维后作为逻辑回归模型的协变量建立滚动轴承的可靠性曲线。试验表明,基于主元分析的混合域协变量选取方法可以更好地表征轴承的退化状态。

针对当前盾构液压系统故障诊断效率低、诊断精度不高等问题，提出主元分析和支持向量机相结合的故障诊断方法。首先，基于主元分析对特征参数进行降维，去掉其中的冗余信息，解除特征间的相关性；然后，将经过主元分析提取到的各类状态下的主元作为支持向量机的输入样本集进行训练，在训练过程中，利用粒子群算法对分类器模型参数进行了优化；最后以盾构管片拼装机液压系统为对象进行了仿真分析。仿真结果表明该方法的诊断准确率能够达到93．1％，具有良好的工程应用价值。

主元分析(PCA)是一种利用数据之间相依性建立系统低维模型的方法该方法将高度相关的过程数据投影到低维空间并保留原有的有用信息。本文将主元分析方法引入到液压系统的泄漏检测中与传统的故障检测方法相比主元分析方法采用HotellingT2和Q统计作为故障检测的依据具有不依赖过程数学模型的特点。基于多维数据驱动的PCA方法建立液压泄漏监测装置并将该装置应用到宝钢二期煤焦推焦机液压系统当中结果表明泄漏监测系统能够及时、准确地发现系统泄漏故障。

为保证洒布车的洒布性能及工作的可靠性，以半智能型沥青洒布车液压驱动系统的核心元件——轴向柱塞泵为实验对象，对其中心弹簧失效故障的振动信号进行了分析，并提出了利用主元分析Q统计中平方预报误差的变化对该故障进行检测的实验方法。该方法首先通过滤波消噪和包络解调的信号处理方法，从包络谱图中分析出故障的特征频率，再通过小波包能量法进行特征提取，得到特征向量样本，然后利用泵正常工作样本建立的主元模型进行故障检测，最后根据中心弹簧失效三种不同失效程度的故障检测实验来验证该方法的有效性。