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.实验结果表明该...

针对轴承的工况复杂，其振动信号呈现非线性、非平稳特性。传统算法不能充分挖掘出非线性、非平稳信号内部本质信息，提出了基于局部切空间排列算法（LTSA）与核熵成份分析（KECA）相结合的故障诊断方法。该方法首先将滚动轴承振动信号一维时间序列重构到高维相空间，并估计数据的本征维数；然后利用局部切空间排列算法对数据集进行维数约简，得到初始的低维流形结构特征向量空间的第一行特征，对其进行快速傅里叶变换（FFT），从其频谱中分别提取滚动轴承内环、外环的故障特征频率及它们分别对应的倍频和频谱能量等7个变量作为故障特征向量；最后采用KECA对滚动轴承的故障特征向量进行模式识别，KECA可实现根据熵值大小进行特征分类，具有较强的非线性处理能力，从而实现故障的识别与诊断。采用Case Western Reserve大学提供的轴承实...

作为一种非线性信号处理方法,数学形态学法对信号的特征提取完全在时域中进行,与其他非线性非平稳的信号处理方法相比,它具有幅值不偏移、不衰减等显著优点.基于此,提出一种自适应的数学形态学和谱相关分析相结合的轴承故障诊断方法.该方法通过基于信号的三角结构元素和非单一形态学开闭运算对已知故障信号加以训练,自适应得到各故障类型的结构元素高和最优开闭运算加权因子,构建形态学模型;之后将测试信号通过形态学模型进行特征提取,并与训练信号进行频域内相关性分析;最终根据相关系数大小识别故障.以西储大学轴承故障数据为例,表明了该方法不仅能识别出不同类型的故障,而且还能识别不同损伤等级的故障,相比传统的方法识别率和可靠性有所提高.