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。

为有效降低多阶段发酵过程硬分类缺陷而导致的误报和漏报率,本文提出了一种基于扩展核熵负载矩阵的阶段划分策略.首先,将发酵过程的三维训练数据按批次方向展开成二维数据矩阵,对每个时间片矩阵进行核熵成分分析（kernel entropy component analysis,KECA）得到其主元和负载矩阵,根据所得主元个数实现操作阶段的第1步划分;之后将时间片矩阵添加到核熵负载矩阵当中得到扩展核熵负载矩阵,计算各扩展负载矩阵间的相似度,并用模糊C–均值方法对其进行第二次阶段划分.通过增加对体现生产过程改变的时间指标的考虑,有效克服了硬化分的不足,避免了跳变点错分的情况.最终将整个生产操作过程划分为不同的稳定阶段和过渡阶段,并在划分的每一阶段中分别建立KECA监测模型;最后利用青霉素发酵仿真平台和大肠杆菌生产白介素–2数据进行实验.实验结果表明...

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。

在对旋转机械进行故障诊断时，通常要从时域、频域或时频域提取故障特征参数，组成原始的故障特征向量，然而在众多的故障特征当中并不是每个特征对于故障分类都是敏感且有效的。为此，本研究提出了基于ReliefF算法和相关度计算结合的故障特征降维方法。采用ReliefF加权特征选择算法对原始各特征的分类能力进行评价，选择出分类能力较强的特征；再通过特征相关度算法剔除其中分类能力相近的冗余特征，将剩余的分类能力较强的特征组成最终的降维特征向量用于故障分类和诊断，实现原始特征的降维。通过液压泵和滚动轴承的故障诊断实验，并与传统的主元分析（PCA）方法对比，结果表明该方法能够用较少的降维后的信号特征获得更高的故障正确识别率。

提出了一种基于主元分析和支持向量多分类器的故障诊断方法。该方法首先对工业故障数据进行主元分析提取数据集特征并降低数据维数，再把故障特征数据通过支持向量多分类器进行模式分类，最后通过特征分类诊断故障。在DAMADICS阀门模型上进行了仿真，并利用Lublin Sugar Factory工业故障数据进行了验证。仿真结果表明该方法可以快速准确地检测与诊断故障。

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。