针对监控系统数据异常时,故障检测准确性不高的问题,提出一种基于监控系统传感器异常的核主元分析(KPCA)检测方法。利用平方预报误差(SPE)统计量和均方贡献值法进行故障检测和故障源的定位,改善了主元分析(PCA)应用于非线性系统故障检测准确性低的问题。分别利用基于KPCA和PCA的故障检测模型进行仿真比较估计模型-数控滚圆机电动液压滚圆机滚弧机价格低电动滚圆机多少钱。实验结果表明:KPCA提高了非线性监控系统传感器异常诊断的准确性。 传感器与测点位置t序号传感器表示测点位置1Pwj进风停采线里200m负压传感器2Cwj进风停采线里200m瓦斯浓度传感器3Fwj进风停采线外200m流量传感器4Pwd底抽停采线里100m负压传感器5Cwd底抽停采线里100m瓦斯浓度传感器6Fwd底抽停采线外100m流量传感器3．2故障检测实验选取正常状态下的样本数据，根据基于KPCA所建立的模型计算SPE值和阈值。如果所有传感器均正常，   本文有张家港市泰宇机械有限公司全自动滚圆机采集网络整理 http://www.gunyuanji.com  则SPE值小于阈值。以Fwj流量传感器为例，其效果如图1。图1基于KPCA各传感器正常工作时的检测结果故障检测实验另选取200组样本数据，在流量传感器Fwj信号的第120点数据加上20%阶跃信号来模拟基于KPCA和PCA的故障检测效果，其结果如图2和图3所示。图2(a)和图3(a)为Fwj正常信号和模拟故障信号的比较，故障从第120～200个采样点。由图2(b)和图3(b)可知，在第120～200个采样点，SPE值都明显超出其阈值，图2基于PCA的传感器故障检测图3基于KPCA的传感器故障检测其他采样点都在阈值下，说明基于KPCA和PCA方法都检测出了故障。3．2．2小故障检测实验采用上述的200组样本数据，在第120～200个采用数据点加上10%信号来模拟基于KPCA和PCA的故障检测效果，其结果如图4和图5所示。图4基于PCA的小故障检针对无线传感器网络能耗这一问题,提出了一种基于几何学概率的能耗估计模型。以节点的状态转换为基础,建立了基于半Markov链的节点能耗模型,并引入概率分布函数的概念。从传感器节点随机分布出发,假定节点之间可以相互通信,分别对在单个正六边形和相邻两个正六边形内的节点随机分布进行研究,推导得出能耗估计模型。仿真结果表明:该模型可以实现网络能耗的准确估计。估计模型-数控滚圆机电动液压滚圆机滚弧机价格低电动滚圆机多少钱   本文有张家港市泰宇机械有限公司全自动滚圆机采集网络整理 http://www.gunyuanji.com