CN100440089C - 一种基于fisher的工业过程非线性故障诊断系统及方法 - Google Patents
一种基于fisher的工业过程非线性故障诊断系统及方法 Download PDFInfo
- Publication number
- CN100440089C CN100440089C CNB2006101548269A CN200610154826A CN100440089C CN 100440089 C CN100440089 C CN 100440089C CN B2006101548269 A CNB2006101548269 A CN B2006101548269A CN 200610154826 A CN200610154826 A CN 200610154826A CN 100440089 C CN100440089 C CN 100440089C
- Authority
- CN
- China
- Prior art keywords
- data
- dcs
- fisher
- prime
- standardization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
一种基于fisher的工业过程非线性故障诊断系统,包括与工业过程对象连接的现场智能仪表、DCS系统以及上位机,所述的DCS系统由数据接口、控制站、数据库构成;智能仪表、DCS系统、上位机依次相连,所述的上位机包括标准化处理模块、fisher判别分析模块以及故障诊断模块。以及提出了一种非线性故障诊断方法。本发明提供一种适用范围广、能够得到良好的故障诊断效果的基于fisher的工业过程非线性故障诊断系统及方法。
Description
(一)技术领域
本发明涉及工业过程故障诊断领域,特别地,涉及一种基于fisher的工业过程非线性故障诊断系统及方法。
(二)背景技术
由于产品质量、经济效益、安全以及环保的要求,工业过程和相关的控制系统变的非常复杂,为了保证工业系统的正常运作,故障的诊断和检测在工业过程中扮演着非常重要的角色。近年来,统计分析应用于过程监控和故障诊断得到了广泛的研究。
利用工业实测数据,采用统计的方法进行故障诊断,避开了复杂的机理分析,求解相对方便。但是目前的大多数故障诊断方法都对变量的分布或者协方差分布有一定的要求,比如要求变量满足高斯分布等,而工业生产过程中的数据往往很有可能不满足这些要求。因此,往往得不到很好的故障诊断效果。
(三)发明内容
为了克服已有的故障诊断系统的适用性差、诊断效果较差的不足,本发明提供一种适用范围广、能够得到良好的故障诊断效果的基于fisher的工业过程非线性故障诊断系统及方法。
本发明解决其技术问题所采用的技术方案是:
一种基于fisher的工业过程非线性故障诊断系统,包括与工业过程对象连接的现场智能仪表、DCS系统以及上位机,所述的DCS系统由数据接口、控制站、数据库构成;智能仪表、DCS系统、上位机依次相连,所述的上位机包括:
标准化处理模块,用于对数据进行标准化处理,各变量的均值为0,方差为1,得到输入矩阵X,采用以下过程来完成:
1)计算均值:
2)计算方差:
3)标准化:
其中,TX为训练样本,N为训练样本数;
fisher判别分析模块,用于对样本进行分析诊断,确定分类器模型,采用如下过程:
1)计算训练样本的组内离差阵W和组间离差阵B;
2)计算|B-λW|=0的广义特征根λ和特征向量1;
3)取对应于非0特征根的特征向量,得如下变换式:
其中L为非0特征根的个数,X′i为标准化后的数据;
4)通过以上变换式分别计算出系统正常和故障时的L个指标,即为各类状态的重心,按参数设置取前N个;
5)待测样本经过同样的变换得到L个指标,取前N个,分别计算它与各类状态重心的距离,将其归为距离最小的一类;
信号采集模块,用于设定每次采样的时间间隙,采集现场智能仪表的信号;
待诊断数据确定模块,用于将采集的数据传送到DCS实时数据库中,在每个定时周期从DCS数据库的实时数据库中,得到最新的变量数据作为待诊断数据VX;
故障诊断模块,用于对待检测数据VX用训练时得到的TX和σx 2进行标准化处理,并将标准化处理后的数据作为fisher判别分析模块的输入,将输入代入训练得到的判别函数,计算判别函数值,判别所述工业过程的状态。
作为优选的一种方案:所述的上位机还包括:判别模型更新模块,用于定期将过程状态正常的点添加到训练集VX中,输出到标准化处理模块,并更新上位机的fisher判别分析模块中的分类器模型。
作为优选的另一种方案:所述的上位机还包括:结果显示模块,用于将故障诊断结果传给DCS系统,并在DCS的控制站显示过程状态,并通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。
一种基于fisher的工业过程非线性故障诊断系统方法所述的故障诊断方法包括以下步骤:
(1)、确定故障诊断所用的关键变量,从DCS数据库的历史数据库中分别采集系统正常和故障时所述变量的数据作为训练样本TX;
(2)、在上位机的fisher判别分析模块中,设置判别函数个数N等参数,并设定DCS中的采样周期;
(3)、训练样本TX在上位机中,对数据进行标准化处理,使得各变量的均值为0,方差为1,得到输入矩阵X,采用以下过程来完成:
3.1)计算均值:
3.2)计算方差:
3.3)标准化:
其中,N为训练样本数。
(4)、再对数据进行fisher判别分析,具体的步骤为:
4.1)计算训练样本的组内离差阵W和组间离差阵B;
4.2)计算|B-λW|=0的广义特征根λ和特征向量1;
4.3)取对应于非0特征根的特征向量,得如下变换式:
其中L为非0特征根的个数,X′i为标准化后的数据;
4.4)通过以上变换式分别计算出系统正常和故障时的L个指标,即为各类状态的重心,按参数设置取前N个;
4.5)待测样本经过同样的变换得到L个指标,取前N个,分别计算它与各类状态重心的距离,将其归为距离最小的一类;
(5)、将采集的数据传送到DCS实时数据库中,在每个定时周期从DCS数据库的实时数据库中,得到最新的变量数据作为待诊断数据VX;对待检测数据VX用训练时得到的TX和σx 2进行标准化处理,并将标准化处理后的数据作为fisher判别分析模块的输入,将输入代入训练得到的判别函数,计算判别函数值,判别所述工业过程的状态。
作为优选的一种方案:所述的故障诊断方法还包括:(6)、定期将过程状态正常的点添加到训练集VX中,重复(3)的训练过程,以便及时更新上位机的fisher判别分析模块中的分类器模型。
作为优选的再一种方案:在所述的(5)中,计算判别函数值,并在上位机的人机界面上显示过程的状态,上位机将故障诊断结果传给DCS系统,并在DCS的控制站显示过程状态,同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。
Fisher准则对变量分布和协方差分布没有要求,适用范围广,因此广泛运用于判别分析的各个领域。故障诊断的首要任务是把来自工业过程的样本分成正常和故障两类,可以归结为判别分析问题,所以本发明引入fisher准则进行过程的故障诊断,可以广泛适用于各种工业过程。
本发明的有益效果主要表现在:1、适用范围广、能够得到良好的故障诊断效果;2、能够广泛适用于各种工业过程。
(四)附图说明
图1是本发明所提出的故障诊断系统的硬件结构图。
图2是本发明所提出的故障诊断系统功能模块图。
图3是本发明上位机的原理框图。
(五)具体实施方式
下面结合附图对本发明作进一步描述。
实施例1
参照图1、图2、图3,一种基于fisher的工业过程非线性故障诊断系统,包括与工业过程对象1连接的现场智能仪表2、DCS系统以及上位机6,所述的DCS系统由数据接口3、控制站4、数据库5构成;智能仪表2、DCS系统、上位机6通过现场总线依次相连,所述的上位机6包括:
标准化处理模块7,用于对数据进行标准化处理,使得各变量的均值为0、方差为1,并得到输入矩阵X,采用以下过程来完成:
1)计算均值:
2)计算方差:
3)标准化:
其中,TX为训练样本,N为训练样本数;
fisher判别分析模块8,用于对样本进行分析诊断,确定分类器模型,采用如下过程:
1)计算训练样本的组内离差阵W和组间离差阵B;
2)计算|B-λW|=0的广义特征根λ和特征向量1;
3)取对应于非0特征根的特征向量,得如下变换式:
其中L为非0特征根的个数,X′i为标准化后的数据;
4)通过以上变换式分别计算出系统正常和故障时的L个指标,即为各类状态的重心,按参数设置取前N个;
5)待测样本经过同样的变换得到L个指标,取前N个,分别计算它与各类状态重心的距离,将其归为距离最小的一类;
信号采集模块9,用于设定每次采样的时间间隙,采集现场智能仪表的信号;
待诊断数据确定模块10,用于将采集的数据传送到DCS实时数据库中,在每个定时周期从DCS数据库的实时数据库中,得到最新的变量数据作为待诊断数据VX;
故障诊断模块11,用于对待检测数据VX用训练时得到的TX和σx 2进行标准化处理,并将标准化处理后的数据作为fisher判别分析模块的输入,将输入代入训练得到的判别函数,计算判别函数值,判别所述工业过程的状态。
所述的上位机还包括:判别模型更新模块12,用于定期将过程状态正常的点添加到训练集VX中,输出到标准化处理模块,并更新上位机的fisher判别分析模块中的分类器模型。
所述的上位机还包括:结果显示模块13,用于将故障诊断结果传给DCS系统,并在DCS的控制站显示过程状态,并通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。
本实施例的工业过程故障诊断系统的硬件结构图如附图1所示,所述的故障诊断系统核心由包括标准化处理模块7和fisher判别分析模块8两大功能模块和人机界面的上位机6构成,此外还包括:现场智能仪表2,DCS系统和现场总线。所述的DCS系统由数据接口3、控制站4、数据库5构成;工业过程对象1、智能仪表2、DCS系统、上位机6通过现场总线依次相连,实现信息流的上传和下达。故障诊断系统在上位机6上运行,可以方便地与底层系统进行信息交换,及时应对系统故障。
本实施例的故障诊断系统的功能模块图如附图2所示,主要包括标准化处理模块7、fisher判别分析模块8等。
所述的故障诊断方法按照如下步骤来实现:
1、确定故障诊断所用的关键变量,从DCS数据库5的历史数据库中分别采集系统正常和故障时这些变量的数据作为训练样本TX;
2、在上位机6的fisher判别分析模块8中,设置判别函数个数N等参数,并设定DCS中的采样周期;
3、训练样本TX在上位机6中,依次经过标准化处理7、fisher判别分析8等功能模块,采用以下步骤来完成诊断系统的训练:
1)在上位机6的标准化处理功能模块7中,对数据进行标准化处理,使得各变量的均值为0,方差为1,得到输入矩阵X。采用以下过程来完成:
①计算均值:
②计算方差:
③标准化:
④其中N为训练样本数。
上位机6的标准化处理功能模块7所进行的标准化处理能消除各变量因为量纲不同造成的影响。
2)计算训练样本的组内离差阵W和组间离差阵B;
3)计算|B-λW|=0的广义特征根λ和特征向量1;
4)取对应于非0特征根的特征向量,得如下变换式:
其中L为非0特征根的个数,X′i为标准化后的数据;
5)通过以上变换式分别计算出系统正常和故障时的L个指标,作为各类状态的重心,按参数设置取前N个;
4、系统开始投运:
1)用定时器,设置好每次采样的时间间隔;
2)现场智能仪表2检测过程数据并传送到DCS数据库5的实时数据库中;
3)上位机6在每个定时周期从DCS数据库5的实时数据库中,得到最新的变量数据,作为待诊断数据VX;
4)待检测数据VX,在上位机6的标准化处理功能模块7中,用训练时得到的TX和σx 2进行标准化处理,并将标准化处理后的数据作为fisher判别分析模块8的输入;
5)上位机6中的fisher判别分析模块8,将输入代入训练得到的判别函数,计算判别函数值,判别并在上位机6的人机界面上显示过程的状态;
6)上位机6将故障诊断结果传给DCS,并在DCS的控制站4显示过程状态,同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示,使得现场操作工可以及时应对。
5、判别模型更新
在系统投运过程中,定期将过程状态正常的点添加到训练集VX中,重复步骤3的训练过程,以便及时更新上位机6的fisher判别分析模块8中的分类器模型,保持判别模型具有较好的效果。
实施例2
参照图1、图2、图3,一种基于fisher的工业过程非线性故障诊断系统方法所述的故障诊断方法包括以下步骤:
(1)、确定故障诊断所用的关键变量,从DCS数据库5的历史数据库中分别采集系统正常和故障时所述变量的数据作为训练样本TX;
(2)、在上位机6的fisher判别分析模块8中,设置判别函数个数N等参数,并设定DCS中的采样周期;
(3)、训练样本TX在上位机中,在标准化模块7对数据进行标准化处理,使得各变量的均值为0,方差为1,得到输入矩阵X,采用以下过程来完成:
3.1)计算均值:
3.2)计算方差:
3.3)标准化:
其中,N为训练样本数。
(4)、再对数据进行fisher判别分析,具体的步骤为:
4.1)计算训练样本的组内离差阵W和组间离差阵B;
4.2)计算|B-λW|=0的广义特征根λ和特征向量1;
4.3)取对应于非0特征根的特征向量,得如下变换式:
其中L为非0特征根的个数,X′i为标准化后的数据;
4.4)通过以上变换式分别计算出系统正常和故障时的L个指标,即为各类状态的重心,按参数设置取前N个;
4.5)待测样本经过同样的变换得到L个指标,取前N个,分别计算它与各类状态重心的距离,将其归为距离最小的一类;
(5)、将采集的数据传送到DCS实时数据库中,在每个定时周期从DCS数据库的实时数据库中,得到最新的变量数据作为待诊断数据VX;对待检测数据VX用训练时得到的TX和σx 2进行标准化处理,并将标准化处理后的数据作为fisher判别分析模块的输入,将输入代入训练得到的判别函数,计算判别函数值,判别所述工业过程的状态。
所述的故障诊断方法还包括:(6)、定期将过程状态正常的点添加到训练集VX中,重复(3)的训练过程,以便及时更新上位机6的fisher判别分析模块8中的分类器模型。
在所述的(5)中,计算判别函数值,并在上位机6的人机界面上显示过程的状态,上位机6将故障诊断结果传给DCS系统,并在DCS的控制站显示过程状态,同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。
Claims (6)
1、一种基于fisher的工业过程非线性故障诊断系统,包括与工业过程对象连接的现场智能仪表、DCS系统以及上位机,所述的DCS系统由数据接口、控制站、数据库构成;智能仪表、DCS系统、上位机依次相连,其特征在于:所述的上位机包括:
标准化处理模块,用于对数据进行标准化处理,各变量的均值为0,方差为1,得到输入矩阵X,采用以下过程来完成:
1)计算均值:
2)计算方差:
3)标准化:
其中,TX为训练样本,N为训练样本数;
fisher判别分析模块,用于对样本进行分析诊断,确定分类器模型,采用如下过程:
1)计算训练样本的组内离差阵W和组间离差阵B;
2)计算|B-λW|=0的广义特征根λ和特征向量1;
3)取对应于非0特征根的特征向量,得如下变换式:
其中L为非0特征根的个数,X′i为标准化后的数据;
4)通过以上变换式分别计算出系统正常和故障时的L个指标,即为各类状态的重心,按参数设置取前N个;
5)待测样本经过同样的变换得到L个指标,取前N个,分别计算它与各类状态重心的距离,将其归为距离最小的一类;
信号采集模块,用于设定每次采样的时间间隙,采集现场智能仪表的信号;
待诊断数据确定模块,用于将采集的数据传送到DCS实时数据库中,在每个定时周期从DCS数据库的实时数据库中,得到最新的变量数据作为待诊断数据VX;
故障诊断模块,用于对待诊断数据VX用训练时得到的TX和σx 2进行标准化处理,并将标准化处理后的数据作为fisher判别分析模块的输入,将输入代入训练得到的判别函数,计算判别函数值,判别所述工业过程的状态。
2、如权利要求1所述的基于fisher的工业过程非线性故障诊断系统,其特征在于:所述的上位机还包括:
判别模型更新模块,用于定期将过程状态正常的点添加到训练集中,输出到标准化处理模块,并更新上位机的fisher判别分析模块中的分类器模型。
3、如权利要求1或2所述的的基于fisher的工业过程非线性故障诊断系统,其特征在于:所述的上位机还包括:
结果显示模块,用于将故障诊断结果传给DCS系统,并在DCS的控制站显示过程状态,并通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。
4、一种用如权利要求1所述的基于fisher的工业过程非线性故障诊断系统实现的故障诊断方法,其特征在于:所述的故障诊断方法包括以下步骤:
(1)、确定故障诊断所用的关键变量,从DCS数据库的历史数据库中分别采集系统正常和故障时所述变量的数据作为训练样本TX;
(2)、在上位机的fisher判别分析模块中,设置判别函数个数N等参数,并设定DCS中的采样周期;
(3)、训练样本TX在上位机中,对数据进行标准化处理,使得各变量的均值为0,方差为1,得到输入矩阵X,采用以下过程来完成:
3.1)计算均值:
3.2)计算方差:
3.3)标准化:
其中,N为训练样本数。
(4)、再对数据进行fisher判别分析,具体的步骤为:
4.1)计算训练样本的组内离差阵W和组间离差阵B;
4.2)计算|B-λW|=0的广义特征根λ和特征向量1;
4.3)取对应于非0特征根的特征向量,得如下变换式:
其中L为非0特征根的个数,X′i为标准化后的数据;
4.4)通过以上变换式分别计算出系统正常和故障时的L个指标,即为各类状态的重心,按参数设置取前N个;
4.5)待测样本经过同样的变换得到L个指标,取前N个,分别计算它与各类状态重心的距离,将其归为距离最小的一类;
(5)、将采集的数据传送到DCS实时数据库中,在每个定时周期从DCS数据库的实时数据库中,得到最新的变量数据作为待诊断数据VX;对待诊断数据VX用训练时得到的TX和σx 2进行标准化处理,并将标准化处理后的数据作为fisher判别分析模块的输入,将输入代入训练得到的判别函数,计算判别函数值,判别所述工业过程的状态。
5、如权利要求4所述的故障诊断方法,其特征在于:所述的故障诊断方法还包括:
(6)、定期将过程状态正常的点添加到训练集中,重复(3)的训练过程,以便及时更新上位机的fisher判别分析模块中的分类器模型。
6、如权利要求4或5所述的故障诊断方法,其特征在于:在所述的(5)中,计算判别函数值,并在上位机的人机界面上显示过程的状态,上位机将故障诊断结果传给DCS系统,并在DCS的控制站显示过程状态,同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006101548269A CN100440089C (zh) | 2006-11-23 | 2006-11-23 | 一种基于fisher的工业过程非线性故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006101548269A CN100440089C (zh) | 2006-11-23 | 2006-11-23 | 一种基于fisher的工业过程非线性故障诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1996191A CN1996191A (zh) | 2007-07-11 |
CN100440089C true CN100440089C (zh) | 2008-12-03 |
Family
ID=38251303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006101548269A Expired - Fee Related CN100440089C (zh) | 2006-11-23 | 2006-11-23 | 一种基于fisher的工业过程非线性故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100440089C (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4641537B2 (ja) * | 2007-08-08 | 2011-03-02 | 株式会社日立製作所 | データ分類方法および装置 |
CN104330675B (zh) * | 2014-11-17 | 2017-02-22 | 国家电网公司 | 基于多元时间序列的变电设备在线监测分析系统及其方法 |
CN104699077B (zh) * | 2015-02-12 | 2017-06-06 | 浙江大学 | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1241721A (zh) * | 1999-03-22 | 2000-01-19 | 西安交通大学 | 基于非线性频谱分析的故障检测与诊断方法 |
CN1480740A (zh) * | 2003-04-28 | 2004-03-10 | 广东省电力工业局试验研究所 | 电动机早期故障小波诊断系统及其诊断电动机故障的方法 |
US6740534B1 (en) * | 2002-09-18 | 2004-05-25 | Advanced Micro Devices, Inc. | Determination of a process flow based upon fault detection analysis |
CN1655082A (zh) * | 2005-01-27 | 2005-08-17 | 上海交通大学 | 基于核主元分析的非线性故障诊断的方法 |
-
2006
- 2006-11-23 CN CNB2006101548269A patent/CN100440089C/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1241721A (zh) * | 1999-03-22 | 2000-01-19 | 西安交通大学 | 基于非线性频谱分析的故障检测与诊断方法 |
US6740534B1 (en) * | 2002-09-18 | 2004-05-25 | Advanced Micro Devices, Inc. | Determination of a process flow based upon fault detection analysis |
CN1480740A (zh) * | 2003-04-28 | 2004-03-10 | 广东省电力工业局试验研究所 | 电动机早期故障小波诊断系统及其诊断电动机故障的方法 |
CN1655082A (zh) * | 2005-01-27 | 2005-08-17 | 上海交通大学 | 基于核主元分析的非线性故障诊断的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN1996191A (zh) | 2007-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100470417C (zh) | 工业生产过程小样本条件下的故障诊断系统及方法 | |
CN100480926C (zh) | 一种基于小波分析的工业生产过程故障诊断系统及方法 | |
CN100461044C (zh) | 一种丙烯聚合生产中熔融指数检测的故障诊断系统及方法 | |
CN105629958B (zh) | 一种基于子时段mpca‑svm的间歇过程故障诊断方法 | |
CN112202736A (zh) | 基于统计学习和深度学习的工业控制系统通信网络异常分类方法 | |
CN107529667B (zh) | 混合现实核电站仿真和分析系统 | |
CN108062565A (zh) | 基于化工te过程的双主元-动态核主元分析故障诊断方法 | |
CN109813544B (zh) | 一种基于在线监测的旋转机械早期故障诊断方法及系统 | |
CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
CN105955219A (zh) | 基于互信息的分布式动态过程故障检测方法 | |
CN101403923A (zh) | 基于非高斯成分提取和支持向量描述的过程监控方法 | |
CN104914775B (zh) | 基于vine copula相关性描述的多模态过程故障检测方法及系统 | |
CN106959400A (zh) | 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 | |
CN107895224A (zh) | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 | |
CN101446831A (zh) | 一种分散的过程监测方法 | |
CN106404441A (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN106647650A (zh) | 基于变量加权pca模型的分散式工业过程监测方法 | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN112799898A (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
CN106845826B (zh) | 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
CN201017232Y (zh) | 基于fisher的工业过程非线性故障诊断装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20081203 Termination date: 20111123 |