CN101446831A - 一种分散的过程监测方法 - Google Patents
一种分散的过程监测方法 Download PDFInfo
- Publication number
- CN101446831A CN101446831A CNA2008102469278A CN200810246927A CN101446831A CN 101446831 A CN101446831 A CN 101446831A CN A2008102469278 A CNA2008102469278 A CN A2008102469278A CN 200810246927 A CN200810246927 A CN 200810246927A CN 101446831 A CN101446831 A CN 101446831A
- Authority
- CN
- China
- Prior art keywords
- new
- data
- matrix
- phi
- piece
- 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.)
- Granted
Links
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种分散的过程监测方法,按如下步骤进行:步骤一、采集数据;步骤二、对采集数据进行分块;步骤三、将分块的数据映射到特征空间;步骤四、对系统过程进行建模;步骤五、利用观测数据的主元统计量T2和观测数据的残差统计量SPE进行故障检测与辨识。本发明的优点为:该方法能适用复杂的大规模的系统过程,具有核偏最小二乘法和分块偏最小二乘法的优点,同时减少非线性过程分析的复杂性,增强了辨识能力。
Description
技术领域
本发明属于故障检测技术领域,具体涉及一种分散的过程监测方法。
背景技术
随着计算机和电子测量技术的飞速发展,现代工业过程大都具有完备的传感测量装置,可以在线获得大量的过程数据。对这些数据的统计分析可以帮助操作人员及时发现过程故障,从而减少停车时间,优化设备的运行,避免重大事故的发生,这就促进了人们研究基于数据分析的过程监测方法。同时,传统的故障检测途径是基于模型的,因此,要使用这些方法,必须首先对过程进行深入地了解,而基于数据方法则不需要使用过程的解析模型。目前该类方法中使用最多的是主元分析(PCA)及偏最小二乘(PLS)等。早在1966年,Wold就提出了偏最小二乘(PLS),从那时起,偏最小二乘就用于像稳态过程模型、动态模型以及过程监控等工业领域。一般来说,偏最小二乘的数据在线性相关的情况下,具有很好的故障检测与诊断性能。然而在解决变量个数多及数据块之间具有相互关系时的数据时,上述方法在故障检测能力与故障诊断效率上存在不足。相比而言,分块的偏最小二乘(MBPLS)能够弥补以上不足之处,分块的偏最小二乘(MBPLS)即将所有的测量变量分成几个重要的块,是以合适的变量块为基础的去中心化的监控方法。然而由于其本身二阶统计量的使用与线性假设这种前提,分块的偏最小二乘(MBPLS)的故障检测方法应用到具有非线性特性的大范围数据时相当不理想。虽然在解决非线性特性时,核偏最小二乘(KPLS)用于故障检测时提供了很好的性能,同时也增强了模型的可解释性。但是,由于非线性映射函数未知,故障辨识存在困难。而本文所提出的多块核偏最小二乘故障检测与辨识方法则很好的解决了上面所存在的问题。当该方法用到大规模的系统过程时,由于它结合了核偏最小二乘(KPLS)与分块的偏最小二乘(MBPLS)的优点,因而它减少了非线性过程分析的复杂性,同时由于它将多变量的过程检测分解成多块的故障检测,因此它的故障辨识能力将强于核偏最小二乘。
“一种非线性过程故障诊断方法”的专利申请主要采用核主元分析方法和独立元分析方法进行故障的检测和诊断,这种检测诊断方法值精简了计算量,其检测的准确度并不高,而且在进行非线性分析时均需要非线性优化过程,同时对处理复杂的大规模系统时由于变量个数很大,将变量集中在一个块时模型的可解释性减弱,故障检测能力下降,同时不宜对故障进行辨识,给故障诊断带来困难,本发明提出的方法能解决上述的问题。
发明内容
针对现有技术存在的不足,本发明提供一种分散的过程监测方法,特别设计一种多块核偏最小二乘。
本发明采取按如下步骤进行:
采集数据:
采集过程中相关变量的数据,对于每个故障,产生两组数据,训练数据和实时工况数据,训练数据用于建立模型,实时工况数据用于在线监测,并用均值和标准偏差规范化采集的数据;
对采集数据进行分块:
将采集到的的数据按照变量类型不同的原则对其进行分块;
将分块的数据映射到特征空间:
通过一个非线性映射Φ将第b块输入观测的矩阵Xb映射到特征空间F,选取相应的核函数 处理未知的非线性块映射函数Φ(Xb),并将求取的第b块核矩阵Kb进行中心化处理得到第b块中心化核矩阵其中,x,y分别为向量,σ2为宽度参数,取值1100;
对系统过程进行分块核偏最小二乘建模:
通过对系统建模求取建模输出观测矩阵Y的潜变量u及输入观测矩阵的权Ws,以便在故障检测中使用;
利用观测数据的主元统计量T2和观测数据的残差统计量SPE进行故障检测与辨识:
利用统计量进行在线故障检测,当观测数据的主元统计量T2和观测数据的残差统计量SPE没有超出规定的控制限,则属于正常数据,否则,属于异常数据,表明系统出现了故障,检测故障发生时间以及通过贡献图对故障进行锁定辨识;
其中将分块的数据映射到特征空间的具体方法如下:
Xb是包含mb个变量的观测数据, 其中b∈[1,2,…,B],B是分块的个数,Xb表示第b块输入观测的矩阵,xk表示Xb矩阵的第k个行向量,k=1,2,…,N,N表示建模数据样本的个数,N属于自然数,mb表示第b块的变量个数,表示xk具有mb个元素的向量空间,利用非线性映射 原始空间中的观测数据扩展到高维特征空间F,Φ(xk)∈F,定义一个N×N维的核矩阵K
[K]ij=Kij=<Φ(xi),Φ(xj)>=k(xi,xj) (1)
式中:K表示核矩阵,Kij表示N×N维的核矩阵K中的每一个元素,xi表示第i个观测数据,xj表示第j个观测数据,Φ(xi)表示第i个观测数据的映射函数,Φ(xj)表示第j个观测数据的映射函数,i=1,...,N,j=1,...,N,N属于自然数,Φ(xj)为零均值和单位方差,令Θ=[Φ(x1),…,Φ(xN)],有K=ΘTΘ,核函数k(xi,xj)的应用可以在不执行非线性映射的情况下在特征空间F中计算内积,即可以避免执行非线性映射,并且在特征空间通过引入一个核函数k(x,y)=<Φ(x),Φ(y)>计算内积,选用的核函数有径向基核函数: 或多项式核函数:k(x,y)=<x,y>r,或Sigmoid(S形)核函数:k(x,y)=tanh(β0<x,y>+β1),核函数的选择决定了非线性映射Φ以及特征空间F,其中,x,y分别为向量,从核矩阵K可知,高维非线性块映射函数Φ(xk)的中心化能按以下方法执行,即将高维非线性块映射函数Φ(xk)的中心化转化为对核矩阵K的中心化处理,中心化核矩阵可由下式获得
式中:1N代表N×N所有元素为1的矩阵,N属于自然数;
其中对系统过程进行建模的具体方法如下:
(1)随机初始化输出观测矩阵Y的潜变量u,u为输出观测矩阵Y的任意一列;
(2)选择主元的个数P,设置外部循环计数器i1←1,设定内部计数器i←1;其中,i1=1,2,…,P;i=1,2,…,100;
(3)求非线性块映射函数Φ(Xb)的得分:tb,i=Φ(Xb)ΦT(Xb)ui=Kbui,式中Kb表示第b块核矩阵,ui表示第i次迭代时输出观测矩阵Y的潜变量;
(4)归一化:tb,i←tb,i/‖tb,i‖;
(5)求各个非线性块映射函数Φ(Xb)的总得分:Ti=[t1,it2,i…tB,i];
(6)求输入观测矩阵映射到特征空间中后的权:
(7)求输出观测矩阵的总得分:tS,i=TiwS,i
(8)求输出观测矩阵Y的负载:qi=YTtS,i;
(9)求第i+1次迭代时输出观测矩阵Y的潜变量:ui+l=Yqi;
(10)归一化ui+l:ui+l←ui+l/‖ui+l‖;
(11)重复步骤2-10,直至ui+l收敛;
(12)求能够反映非线性块映射函数Φ(Xb),输出观测矩阵Y的残余信息
(13)利用公式(3)求ui+l,收敛时输出观测矩阵Y变化后的潜变量Ai1:
Ai1=ui+l/norm(Kb*ui+l) (3);
(14)保存ui+l收敛后输入观测矩阵映射到特征空间中后的权WS,il:WS,il=wS,i
在上述步骤(12)中,Φ(Xb)的残差: 即
其中利用观测数据的主元统计量T2和观测数据的残差统计量SPE进行故障检测与辨识的具体方法如下:
在建模阶段,输入观测矩阵的权WS和ui+l,收敛时输出观测矩阵Y变化后的潜变量Ai1都是从正常的历史数据中获得,它们需要被保存以至于能在检测的检测样本中使用,对于检测的样本数据xnew和ynew,分块的核偏最小二乘的检测算法如下:
(1)选择主元的个数P,设定计数器i1←1;其中i1=1,2,…,p;
(2)求检测的样本输入数据xnew的块得分:
=Kbt*Ai1,式中Kbt表示用于检测的输入数据的块核矩阵,表示检测的非线性块映射函数;
(3)求各个检测的非线性块映射函数的总得分til
(4)求检测的样本输入数据的总得分:
第b块输入观测数据的主元统计量T2能用下式计算得到
式中,Λ-1是得分矩阵的协方差的逆,第b块输入观测数据的残差统计量SPE为:
式中,Xb表示第b块输入观测的矩阵,Xb,new表示一行检测的采样数据,tS表示建模总得分,tb,new表示在一行检测的采样数据下得到的量,Kb表示第b块的核矩阵。为了使用和SPEb统计量进行故障诊断与辨识,相应的控制限是必须的,则的控制限为P(N-1)/(N-P)·FP,N-P,α,SPEb的控制限为式中,N表示建模数据样本的个数,p表示主元个数,S表示所有SPE构成向量后的方差,μ表示所有SPE构成向量后的均值,μb表示所有SPEb构成向量后的均值,Sb表示所有SPEb构成向量的方差,χ2表示卡方布。
本发明的优点为:该方法能适用于复杂的大规模的系统过程,具有核偏最小二乘故障检测和分块偏最小二乘故障检测的优点,同时减少非线性过程分析的复杂性,增强了辨识能力。
附图说明
图1是本发明实施方式中田纳西-伊斯曼过程示意图;
图2是本发明故障11的观测数据的主元统计量T2统计量示意图;
图3是本发明故障11的观测数据的残差统计量SPE统计量示意图;
图4是本发明故障11的各块贡献图示意图。
具体实施方式
本发明提出的方法应用到了田纳西-伊斯曼过程仿真数据中。田纳西-伊斯曼过程是一个复杂非线性过程,它是由Eastman化学品公司所创建,其目的是为评价过程控制和监测方法提供一个真实的工业过程。控制结构如图1所示。过程包括五个主要单元:反应器,冷凝器,压缩机,分离器,汽提塔;而且,它包含了八种成分:A,B,C,D,E,F,G和H。四种反应物A,C,D以及E和惰性B一起被加进反应器里,形成产品G和H,还有副产品F。田纳西-伊斯曼过程包括21个预设定的故障,如表1所示。包括22个连续过程测量,12个控制变量,和19个成分测量。如表2所示。除了反应器的搅拌器的搅动速度(因为没有对它进行控制),共52个观测变量用于本研究。
表1.田纳西-伊斯曼过程的过程故障描述
表2.田纳西-伊斯曼过程中的监测变量
采集数据
对于训练数据和实时工况数据采用了三分钟的采样间隔采集数,正常训练数据由500个观测数构成,实时工况数据由960个观测数构成,开始时都是没有故障的,训练数据中,故障都是在第20次采样时引入,实时工况数据中,故障都是在第160次采样引入的,训练数据和实时工况数据中的数据都包含了52个观测变量。其中前22个变量和后11个变量作为输入观测的矩阵X,中间19个变量作为输出观测矩阵Y。本实例主要针对故障11进行故障检测与辨识分析。
对采集数据进行分块
将采集到的输入观测矩阵按照变量不同类型的方式分成3块,即将过程变量分两块、控制变量作为一个独立块。记作过程变量块矩阵X1、X2,控制变量块矩阵X3,且X=[X1X2X3],其中X:输入观测的矩阵。
将分块的数据映射到特征空间
Xb是包含mb个变量的观测数据, 其中b∈[1,2,…,B],B是分块的个数,Xb表示第b块输入观测的矩阵,xk表示Xb矩阵的第k个行向量,k=1,2,…,N,N表示建模数据样本的个数,N属于自然数,mb表示第b块的变量个数,表示xk具有mb个元素的向量空间,利用公式(1)计算相应的核矩阵K1,K2,K3以及检测核矩阵Kt1,Kt2,Kt3其中K1=k(X1,X1),K2=k(X2,X2),K3=k(X3,X3),Kt1=k(Xt1,X1),Kt2=k(Xt2,X2),Kt3=k(Xt3,X3)。核函数选用径向基核函数: 利用公式(2)对核矩阵进行中心化处理得到(其中B=3,m1=10,m2=12,m3=11建模时N=500,检测时N=960,σ2=1100,且有X=[X1 X2 X3],Xt=[Xt1 Xt2 Xt3]),其中X:输入观测的矩阵;Xt:输入观测的检测矩阵。
对系统过程进行建模
利用迭代的分块核偏最小二乘(MBKPLS)算法,先求出非线性块映射函数Φ(Xb)的得分tb,i,接着对其进行归一化处理,再求各个非线性块映射函数Φ(Xb)的总得分Ti,然后利用公式 求输入观测矩阵映射到特征空间中后的权WS,i,接着用公式tS,i=TiwS,i求输出观测矩阵Y的总得分tS,i,利用公式qi=YTts,i再求输出观测矩阵Y的负载qi,最后求输出观测矩阵的检测的潜变量ui,并与上一个潜变量ui-1比较,若达到收敛标准则停止循环,并且利用公式Ai1=ui+l/norm(Kb*ui+l)(3)求ui+l收敛时输出观测矩阵Y变化后的潜变量Ai1同时保存ui+l收敛后输入观测变量映射到特征空间中后的权WS,il=ws,i直至求出所有输入观测矩阵的权WS和所有ui+l,收敛时输出观测矩阵Y变化后的潜变量Ai1。
Claims (4)
1、一种分散的过程监测方法,
采集数据:
采集过程中相关变量的数据,对于每个故障,产生两组数据,训练数据和实时工况数据,训练数据用于建立模型,实时工况数据用于在线监测,并用均值和标准偏差规范化采集的数据;
对采集数据进行分块:
将采集到的的数据按照变量类型不同的原则对其进行分块;
其特征在于
将分块的数据映射到特征空间:
通过一个非线性映射Φ将第b块输入观测的矩阵Xb映射到特征空间F,选取相应的核函数 处理未知的非线性块映射函数Φ(Xb),并将求取的第b块核矩阵Kb进行中心化处理得到第b块中心化核矩阵式中,x,y分别为向量,σ2为宽度参数,取值1100;
对系统过程进行分块核偏最小二乘建模:
通过对系统建模求取输出观测矩阵Y的潜变量u及输入观测矩阵的权Ws,以便在故障检测中使用;
利用观测数据的主元统计量T2和观测数据的残差统计量SPE进行故障检测与辨识:
利用统计量进行在线故障检测,当观测数据的主元统计量T2和观测数据的残差统计量SPE没有超出规定的控制限,则属于正常数据,否则,属于异常数据,表明系统出现了故障,检测故障发生时间以及通过贡献图对故障进行锁定辨识。
2、根据权利要求1所述的一种分散的过程监测方法,其特征在于所述的将分块的数据映射到特征空间的具体方法如下:
Xb是包含mb个变量的观测数据, 其中b∈[1,2,…,B],B是分块的个数,Xb表示第b块输入观测的矩阵,xk表示Xb矩阵的第k个行向量,k=1,2,…,N,N表示建模数据样本的个数,,N属于自然数,mb表示第b块的变量个数,表示xk具有mb个元素的向量空间,利用非线性映射 原始空间中的观测数据扩展到高维特征空间F,Φ(xk)∈F,Φ(xk)表示高维非线性块映射函数,定义一个N×N维的核矩阵K
[K]ij=Kij=<Φ(xi),Φ(xj)>=k(xi,xj) (1)
式中:K表示核矩阵,Kij表示N×N维的核矩阵K中的每一个元素,xi表示第i个观测数据,xj表示第j个观测数据,Φ(xi)表示第i个观测数据的映射函数,Φ(xj)表示第j个观测数据的映射函数,i=1,...,N,j=1,...,N,N属于自然数,Φ(xj)为零均值和单位方差,令Θ=[Φ(x1),…,Φ(xN)],有K=ΘTΘ,核函数k(xi,xj)的应用可以在不执行非线性映射的情况下在特征空间F中计算内积,即可以避免执行非线性映射,并且在特征空间通过引入一个核函数k(x,y)=<Φ(x),Φ(y)>计算内积,选用的核函数有径向基核函数: 或多项式核函数:k(x,y)=<x,y>r,或Sigmoid(S形)核函数:k(x,y)=tanh(β0<x,y>+β1),核函数的选择决定了非线性映射Φ以及特征空间F,其中,x,y分别为向量,从核矩阵K可知,高维非线性块映射函数Φ(xk)的中心化能按以下方法执行,即将高维非线性块映射函数Φ(xk)的中心化转化为对核矩阵K的中心化处理,中心化核矩阵可由下式获得
式中:1N代表N×N所有元素为1的矩阵,N属于自然数。
3、根据权利要求1所述的一种分散的过程监测方法,其特征在于所述的对系统过程进行建模的具体方法如下:
(1)随机初始化输出观测矩阵Y的潜变量u,u为输出观测矩阵Y的任意一列;
(2)选择主元的个数P,设置外部循环计数器i1←1,设定内部计数器i←1;其中,i1=1,2,…,P;i=1,2,…,100;
(3)求非线性块映射函数Φ(Xb)的得分:
tb,i=Φ(Xb)ΦT(Xb)ui=Kbui,式中Kb表示第b块核矩阵,ui表示第i次迭代时输出观测矩阵Y的潜变量;
(4)归一化:tb,i←tb,i/‖tb,i‖;
(5)求各个非线性块映射函数Φ(Xb)的总得分Ti:Ti=[t1,i t2,i…tB,i];
(6)求输入观测矩阵映射到特征空间中后的权:
(7)求输出观测矩阵Y的总得分:tS,i=TiwS,i;
(8)求输出观测矩阵Y的负载:qi=YTtS,i;
(9)求第i+1次迭代时输出观测矩阵Y的潜变量:ui+1=Yqi;
(10)归一化ui+1:ui+1←ui+1/‖ui+1‖;
(11)重复步骤2-10,直至ui+1收敛;
(12)求能够反映非线性块映射函数Φ(Xb),输出观测矩阵Y的残余信息
(13)利用公式(3)求ui+1收敛时输出观测矩阵Y变化后的潜变量Ai1:
Ai1=ui+1/norm(Kb*ui+1) (3);
(14)保存ui+1收敛后输入观测矩阵映射到特征空间中后的权WS,i1:WS,i1=wS,i在上述步骤(12)中,Φ(Xb)的残差: 即
4、根据权利要求1所述的一种分散的过程监测方法,其特征在于所述的利用观测数据的主元统计量T2和观测数据的残差统计量SPE进行故障检测与辨识的具体方法如下:
在建模阶段,输入观测矩阵的权WS和ui+1收敛时输出观测矩阵Y变化后的潜变量Ai1都是从正常的历史数据中获得,它们需要被保存以至于能在检测的检测样本中使用,对于检测的样本数据xnew和ynew,分块的核偏最小二乘的检测算法如下:
(1)选择主元的个数P,设定计数器i1←1;其中,i1=1,2,…,P;
(2)求检测的样本输入数据xnew的块得分:
(4)求检测的样本输入数据的总得分:
第b块输入观测数据的主元统计量T2能用下式计算得到
式中,Λ-1是得分矩阵的协方差的逆,第b块输入观测数据的残差统计量SPE为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102469278A CN101446831B (zh) | 2008-12-30 | 2008-12-30 | 一种分散的过程监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102469278A CN101446831B (zh) | 2008-12-30 | 2008-12-30 | 一种分散的过程监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101446831A true CN101446831A (zh) | 2009-06-03 |
CN101446831B CN101446831B (zh) | 2011-05-25 |
Family
ID=40742535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008102469278A Expired - Fee Related CN101446831B (zh) | 2008-12-30 | 2008-12-30 | 一种分散的过程监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101446831B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012040916A1 (zh) * | 2010-09-29 | 2012-04-05 | 东北大学 | 基于递归核主元分析的连续退火过程故障监测方法 |
CN101738998B (zh) * | 2009-12-10 | 2012-05-30 | 浙江大学 | 一种基于局部判别分析的工业过程监测系统及方法 |
CN102829974A (zh) * | 2012-08-07 | 2012-12-19 | 北京交通大学 | 一种基于lmd和pca的滚动轴承状态辨识方法 |
CN103472820A (zh) * | 2013-09-18 | 2013-12-25 | 哈尔滨工业大学 | 一种基于偏最小二乘算法的推进系统故障诊断方法 |
CN103776480A (zh) * | 2014-01-29 | 2014-05-07 | 清华大学 | 基于多次移动平均的微小故障检测方法和装置 |
CN103810396A (zh) * | 2014-03-03 | 2014-05-21 | 北京工业大学 | 一种基于特征空间的双核多向偏最小二乘的发酵过程质量预测方法 |
CN104199441A (zh) * | 2014-08-22 | 2014-12-10 | 清华大学 | 基于稀疏贡献图的高炉多工况故障分离方法及系统 |
CN104914847A (zh) * | 2015-04-09 | 2015-09-16 | 东北大学 | 基于方向核偏最小二乘的工业过程故障诊断方法 |
CN106060008A (zh) * | 2016-05-10 | 2016-10-26 | 中国人民解放军61599部队计算所 | 一种网络入侵异常检测方法 |
CN106444653A (zh) * | 2016-08-19 | 2017-02-22 | 苏州大学 | 一种故障检测方法和系统 |
CN106843172A (zh) * | 2016-12-29 | 2017-06-13 | 中国矿业大学 | 基于jy‑kpls的复杂工业过程在线质量预测方法 |
CN108369666A (zh) * | 2015-11-26 | 2018-08-03 | 福满代谢组技术有限公司 | 数据分析装置、方法以及程序 |
CN108664002A (zh) * | 2018-04-27 | 2018-10-16 | 中国石油大学(华东) | 一种面向质量的非线性动态过程监控方法 |
CN109144035A (zh) * | 2018-09-27 | 2019-01-04 | 杭州电子科技大学 | 一种基于支持向量的化工过程监测方法 |
CN109782739A (zh) * | 2019-01-29 | 2019-05-21 | 中国能源建设集团广东省电力设计研究院有限公司 | 设备故障的检修方法、装置、计算机设备和存储介质 |
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
CN111914466A (zh) * | 2019-09-07 | 2020-11-10 | 宁波大学 | 一种基于相关变量分散式建模的化工过程监测方法 |
-
2008
- 2008-12-30 CN CN2008102469278A patent/CN101446831B/zh not_active Expired - Fee Related
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738998B (zh) * | 2009-12-10 | 2012-05-30 | 浙江大学 | 一种基于局部判别分析的工业过程监测系统及方法 |
US9053291B2 (en) | 2010-09-29 | 2015-06-09 | Northeastern University | Continuous annealing process fault detection method based on recursive kernel principal component analysis |
WO2012040916A1 (zh) * | 2010-09-29 | 2012-04-05 | 东北大学 | 基于递归核主元分析的连续退火过程故障监测方法 |
CN102829974A (zh) * | 2012-08-07 | 2012-12-19 | 北京交通大学 | 一种基于lmd和pca的滚动轴承状态辨识方法 |
CN103472820A (zh) * | 2013-09-18 | 2013-12-25 | 哈尔滨工业大学 | 一种基于偏最小二乘算法的推进系统故障诊断方法 |
CN103776480A (zh) * | 2014-01-29 | 2014-05-07 | 清华大学 | 基于多次移动平均的微小故障检测方法和装置 |
CN103776480B (zh) * | 2014-01-29 | 2016-09-21 | 清华大学 | 基于多次移动平均的微小故障检测方法和装置 |
CN103810396A (zh) * | 2014-03-03 | 2014-05-21 | 北京工业大学 | 一种基于特征空间的双核多向偏最小二乘的发酵过程质量预测方法 |
CN103810396B (zh) * | 2014-03-03 | 2016-10-19 | 北京工业大学 | 一种基于特征空间的双核多向偏最小二乘的发酵过程质量预测方法 |
CN104199441A (zh) * | 2014-08-22 | 2014-12-10 | 清华大学 | 基于稀疏贡献图的高炉多工况故障分离方法及系统 |
CN104199441B (zh) * | 2014-08-22 | 2017-03-01 | 清华大学 | 基于稀疏贡献图的高炉多工况故障分离方法及系统 |
CN104914847A (zh) * | 2015-04-09 | 2015-09-16 | 东北大学 | 基于方向核偏最小二乘的工业过程故障诊断方法 |
CN104914847B (zh) * | 2015-04-09 | 2017-06-16 | 东北大学 | 基于方向核偏最小二乘的工业过程故障诊断方法 |
CN108369666A (zh) * | 2015-11-26 | 2018-08-03 | 福满代谢组技术有限公司 | 数据分析装置、方法以及程序 |
CN106060008A (zh) * | 2016-05-10 | 2016-10-26 | 中国人民解放军61599部队计算所 | 一种网络入侵异常检测方法 |
CN106060008B (zh) * | 2016-05-10 | 2019-11-19 | 中国人民解放军61599部队计算所 | 一种网络入侵异常检测方法 |
CN106444653A (zh) * | 2016-08-19 | 2017-02-22 | 苏州大学 | 一种故障检测方法和系统 |
CN106444653B (zh) * | 2016-08-19 | 2019-07-19 | 苏州大学 | 一种故障检测方法和系统 |
CN106843172B (zh) * | 2016-12-29 | 2019-04-09 | 中国矿业大学 | 基于jy-kpls的复杂工业过程在线质量预测方法 |
CN106843172A (zh) * | 2016-12-29 | 2017-06-13 | 中国矿业大学 | 基于jy‑kpls的复杂工业过程在线质量预测方法 |
CN108664002A (zh) * | 2018-04-27 | 2018-10-16 | 中国石油大学(华东) | 一种面向质量的非线性动态过程监控方法 |
CN109144035A (zh) * | 2018-09-27 | 2019-01-04 | 杭州电子科技大学 | 一种基于支持向量的化工过程监测方法 |
CN109782739A (zh) * | 2019-01-29 | 2019-05-21 | 中国能源建设集团广东省电力设计研究院有限公司 | 设备故障的检修方法、装置、计算机设备和存储介质 |
CN109782739B (zh) * | 2019-01-29 | 2021-02-09 | 中国能源建设集团广东省电力设计研究院有限公司 | 设备故障的检修方法、装置、计算机设备和存储介质 |
CN111914466A (zh) * | 2019-09-07 | 2020-11-10 | 宁波大学 | 一种基于相关变量分散式建模的化工过程监测方法 |
CN111914466B (zh) * | 2019-09-07 | 2023-10-24 | 宁波大学 | 一种基于相关变量分散式建模的化工过程监测方法 |
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101446831B (zh) | 2011-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101446831B (zh) | 一种分散的过程监测方法 | |
JP6095732B2 (ja) | コンピュータベースの方法及びコンピュータベースのモデル | |
CN101169623B (zh) | 基于核主元分析贡献图的非线性过程故障辨识方法 | |
Martin et al. | Process performance monitoring using multivariate statistical process control | |
CN104573850B (zh) | 一种火电厂设备状态评估方法 | |
CN103853152B (zh) | 一种基于ar-pca的间歇过程故障监测方法 | |
US7917240B2 (en) | Univariate method for monitoring and analysis of multivariate data | |
EP2115608B1 (en) | Heat exchanger fouling detection | |
CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
CN107153409B (zh) | 一种基于缺失变量建模思路的非高斯过程监测方法 | |
CN105629958B (zh) | 一种基于子时段mpca‑svm的间歇过程故障诊断方法 | |
CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
CN105955219A (zh) | 基于互信息的分布式动态过程故障检测方法 | |
CN106940808A (zh) | 一种基于改进型主元分析模型的故障检测方法 | |
CN110245460B (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
CN109356798B (zh) | 一种基于协整分析的风力发电机齿轮箱状态监测方法 | |
CN104808648A (zh) | 一种基于k近邻的批次过程在线实时监测方法 | |
CN109507972A (zh) | 基于分层式非高斯监测算法的工业生产过程故障监测方法 | |
CN103245759A (zh) | 基于自回归全潜结构投影模型的产品质量监测方法 | |
CN108375965A (zh) | 一种基于多变量块交叉相关性剔除的非高斯过程监测方法 | |
CN108469805A (zh) | 一种基于动态性最优选择的分散式动态过程监测方法 | |
CN108445867A (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
Kai et al. | Plant-wide quantitative assessment of a process industry system’s operating state based on color-spectrum | |
Wegerich et al. | Nonparametric modeling of vibration signal features for equipment health monitoring | |
CN101446828A (zh) | 一种非线性过程质量预报方法 |
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: 20110525 Termination date: 20111230 |