此提交包含以下文件： 1）dataset.mat 2) KPCAsurface.m 3) PCAsurface.m 4）greenmag.m
dataset.mat 包含取自模拟过程示例的二维数据集。 该数据用于训练和测试内核 PCA 以进行故障检测。 训练后，为输出数据空间中的每个位置计算广泛使用的用于故障检测的 T2 和 Q 统计指标，从而生成等高线图。 然后将 99% 显着性水平检测限叠加在地图上，作为数据空间的正常（绿色）和错误（品红色）区域之间的边界。
使用等高线图，人们可以将各种内核类型和参数选择对正常和故障过程状态之间的决策边界的影响可视化。
这项工作是对参考文献 [1] 中结果的补充。 进一步的工作可以通过调查内核行为对进程监控性能的影响来进行。
[1] KES Pilario、Y. Cao 和 M. Shafiee。 非线性动态过程中早期故障监测的混合核规范变量
2022-11-22 15:46:56
16KB
1
基于故障树和贝叶斯网络的发动机可靠性预计
在故障树基础上提出贝叶斯网络，并以“发动机不能正常点火”故障演示贝叶斯推理过程。通过可靠性数据库系统计算故障树中故障概率，采用贝叶斯网络建模方法，用连接树的形式表述故障树中不同层级事件之间的关系，完成由故障树向贝叶斯网络的转化。通过开发的界面得出建立的贝叶斯网络模型，并着重找出不同子系统中零部件故障的关联关系，并以油底壳故障可以导致两个子系统故障为实例计算联合概率分布，用于指导可靠性预计的大致范围。
2022-11-22 12:21:34
3.69MB
1