CN102324034A - 基于最小二乘支持向量机在线预测的传感器故障诊断方法 - Google Patents
基于最小二乘支持向量机在线预测的传感器故障诊断方法 Download PDFInfo
- Publication number
- CN102324034A CN102324034A CN 201110137724 CN201110137724A CN102324034A CN 102324034 A CN102324034 A CN 102324034A CN 201110137724 CN201110137724 CN 201110137724 CN 201110137724 A CN201110137724 A CN 201110137724A CN 102324034 A CN102324034 A CN 102324034A
- Authority
- CN
- China
- Prior art keywords
- sensor
- vector machine
- measurement data
- data
- prediction model
- 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 And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于最小二乘支持向量机在线预测的传感器故障诊断方法。该方法建立了一个最小二乘支持向量机在线预测模型,然后在线采集传感器测量数据作为最小二乘支持向量机在线预测模型的输入样本,实现该预测模型一边在线训练一边实时预测出传感器在下一时刻的输出值。通过比较传感器的预测值与实际输出值产生的残差来检测传感器故障是否发生。在有故障发生时,通过最小二乘方法对残差序列进行一元线性回归,实现传感器偏差与漂移故障的辨识,进而能够更有效地采取措施对传感器输出进行实时补偿。本发明能快速准确地实现传感器在线故障诊断,特别适用于传感器偏差故障与漂移故障诊断。
Description
技术领域
本发明涉及一种基于最小二乘支持向量机在线预测的传感器故障诊断方法,用于在线快速准确定位传感器发生故障的时间、类型与大小,特别适用于传感器偏差与漂移故障的诊断。
背景技术
在现代化工业生产尤其在自动化控制中,传感器起着重要的作用。传感器是了解系统过程状态的一个窗口,其有效性是系统过程控制与过程优化的基础与前提。传感器为敏感元件,常工作于较恶劣的现场环境,电磁干扰、温度变化和腐蚀等都会对其性能造成一定的损害。当传感器产生故障时会对整个系统的监测、控制及故障诊断等造成重大的影响。常见传感器故障有偏差故障、漂移故障、精度变差和完全失灵,而偏差故障与漂移故障诊断一直是传感器故障诊断研究的热点。其中,偏差故障是指传感器输出与被测变量的实际值之间的偏差是常数;漂移故障是指传感器输出与被测量的实际值之间的偏差随时间不断增大。
传感器故障诊断方法主要分为物理冗余与解析冗余两大类。物理冗余是通过增加传感器的数量来检测和排除故障,使系统具有故障容错能力,虽然此方法可以增强系统的安全性,但是同时增加了系统的成本与故障诊断的复杂度。解析冗余不需要增加传感器的数量,只需要通过传感器输入输出建立残差和故障模型,从而实现传感器故障诊断。
近些年来,人工智能被广泛应用到传感器的故障诊断中。神经网络作为被广泛应用于模式识别与函数逼近的方法,具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力,可以模拟任意的非线性关系而无需去建立精确模型,实现传感器的输出预测。但是该方法同时具有需要大量样本、泛化能力差、易陷入局部极小点等缺点。
支持向量机(SVM,Support Vector Machine)是建立在统计学理论的VC维理论和结构风险最小化基础之上的。相比于神经网络,SVM有效地解决了小样本、非线性、高维数和局部极小点等问题,其主要应用于模式识别、函数逼近和时间序列预测等问题。最小二乘支持向量机(LS SVM,LeastSquares Support Vector Machine)是标准SVM的扩展,它用等式约束代替了标准SVM的不等式约束,将二次规划问题转化为线性方程求解问题,降低了计算复杂度,有效地提高了运算速度。
如果能够将最小二乘支持向量机应用于传感器的输出预测,则可以快速准确对传感器的故障进行辨识与诊断。
发明内容
有鉴于此,本发明的目的是提供一种基于最小二乘支持向量机在线预测的传感器故障诊断方法。该方法针对传感器测量信号,运用最小二乘支持向量机回归算法构建在线预测模型对传感器的输出进行预测,进而快速准确对传感器的故障进行辨识与诊断。
本发明的目的是通过下述技术方案实现的。
一种基于最小二乘支持向量机在线预测的传感器故障诊断方法,假设被测传感器初始为正常传感器;采用具有l个输入一个输出的最小二乘支持向量机构建被测传感器的在线预测模型f,在任意时刻t在线预测模型f的输出可以表示为x(t+1)=f(x(t-l+1),…,x(t-1),x(t)),其中x(·)为线预测模型f的输入;该在线预测模型f采用径向基RBF函数作为核函数;
开始故障诊断后,在线实时采集被测传感器的测量数据,然后循环执行如下步骤1~5:
步骤1、在采样时刻n,采用包括当前采样时刻的测量数据x(n)和前m-1个采样时刻的测量数据x(i),i∈[n-m,n-1]共m个测量数据构成当前训练数据池;
步骤4、将当前训练数据池中的测量数据按采集时刻进行排序,从i=1开始选取l+1个连续的测量数据组成一组训练样本;令i=i+1选取第二组训练样本;以此类推,共选取p组训练样本,p=m-l;在每组训练样本中,前l个测量数据作为在线预测模型f的输入,第l+1个测量数据作为在线预测模型f的期望输出;然后执行步骤5;
在上述步骤1~5的循环执行过程中,当判定出现故障时,开始记录各采样时刻的残差e,记录一段时间后得到残差序列,利用残差序列进行一元线性回归分析,得到残差与时间的一元线性关系表达式,从而识别出故障类型、大小和发生时间。
在判定出现故障后,该方法进一步包括:将在线预测模型f的预测数据代替被测传感器的真实测量数据输出给与被测传感器对接的后续设备,从而实现了故障在线补偿。
有益效果:
本发明提供一种基于最小二乘支持向量机在线预测的传感器故障诊断方法,能够在传感器模型未知的情况下,快速并准确地预测出传感器在下一时刻的输出值,以此为基础进而快速准确地检测和分离传感器故障,辨识传感器故障发生的时间、故障的类型和故障大小,最终采取有效措施对传感器输出做出整体有效的补偿。
附图说明
图1是基于最小二乘支持向量机在线预测的传感器故障诊断的原理图;
图2是本发明传感器故障诊断过程中循环部分的流程图;
图3是传感器模型在运行时间100s内输出的信号曲线图;
图4是最小二乘支持向量机与RBF神经网络预测模型对比实验的预测误差曲线;
图5是传感器实际输出值、真实值及最小二乘支持向量机的预测值的结果图;
图6(a)是对比最小二乘支持向量预测值与传感器实际输出值产生的残差序列曲线,(b)是对残差序列进行一元线性回归分析产生的拟合曲线图。
具体实施方式
本发明提供一种基于最小二乘支持向量机在线预测的传感器故障诊断方法,其核心思想是,如图1所示,选择最小二乘支持向量机构建传感器的在线预测模型,在传感器采样过程中,采用大窗口在测量数据中滑动获取训练数据池,从训练数据池中利用小窗口进行滑动,得到多组训练样本;利用传感器的滚动历史输出数据作为训练样本对最小二乘支持向量机预测模型进行训练,接着当新的样本输入时,该预测模型会预测出传感器在下一时刻的输出值。通过比较传感器实际输出与最小二乘支持向量机预测模型输出值产生的残差来判断故障是否发生。若检测出故障,则利用残差序列对故障的类型和大小进行辨识,从而能对传感器的输出做出有效的补偿。
下面参照附图,对本发明中的实施例进行详细的说明。
首先,建立一个最小二乘支持向量机在线预测模型,并设定参数。
本发明采用具有l个输入一个输出的最小二乘在线支持向量机作为被测传感器的在线预测模型f,则任意时刻t在线测模型的输出可以表示为:
x(t+1)=f(x(t-l+1),…,x(t-1),x(t)) (1)
其中,x(·)为线预测模型f的输入。
将t时刻前l个传感器测量数据作为最小二乘支持向量机在线预测模型的输入,即可以预测出传感器在t+1时刻的输出值。
上述最小二乘在线支持向量机选择径向基(RBF)函数作为核函数。最小二乘在线支持向量机包含正则化参数C和径向基核函数宽度σ两个重要的参数,这两个参数在很大程度上决定了模型的学习能力和泛化能力。在最小二乘在线支持向量机的训练过程中,可以采用单纯形算法、遗传算法、粒子群算法等参数寻优方法得到这两个参数的最佳组合。经过试验发现,采用单纯形算法进行参数优化速度较快,适用于本发明的基于在线预测的传感器故障诊断方案。
最小二乘支持向量机在线预测模型是建立在矩形窗算法基础之上的,其本质是k时刻的估计只依据有限过去的数据。样本是随时间进行窗式移动,一个新样本产生的同时舍弃一个旧的样本,训练样本的总数不变,从而实现预测模型的在线学习。训练样本的减少会导致模型的预测精度变低。本方法中,l与m的大小共同决定了最小二乘支持向量机的训练样本数目。
参数l是最小二乘在线支持向量机的输入参数个数,也是最小二乘在线支持向量机的训练样本中输入数据的个数,由于l值的大小对模型的预测精度和实时性有一定的影响,l值过小,其预测精度会变差,l值过大会增加模型的预测时间。因此通过大量试验测试发现,当l值选为50时,可以满足预测精度和预测时间的折中要求。
在参数l确定的情况下,本实施例中,设定矩形窗口的长度m值为358,对应最小二乘支持向量机预测模型每次训练的样本数目为m-l=308。
假设被测传感器初始为正常传感器,开始故障诊断后,在线实时采集被测传感器的测量数据,利用测量数据组成训练样本,实现最小二乘支持向量机在线预测模型一边在线学习一边在线预测下一时刻的输出值。具体包括如下步骤:
步骤1、在采样时刻n,获得当前采样时刻的测量数据x(n),将x(n)和前m-1个采样时刻的测量数据x(i),i∈[n-m,n-1]共m个测量数据构成当前训练数据池。其中n大于m,当n小于或等于m时,训练数据池数据不够,暂不进行后续操作,等待凑够m的数据后再继续。
步骤2、判断x(n)与前一采样时刻采用在线预测模型f预测的数据之差的绝对值即残差e是否小于或等于预设阈值e*;如果是,则认为传感器正常工作,将传感器的真实测量数据输出给与被测传感器对接的后续设备,并且执行步骤4;否则,判定出现故障,执行步骤3;
步骤3、将替换当前训练数据池中的x(n),并针对替换后的当前训练数据池执行步骤4。为了保证传感器的故障状态不影响后续设备的运行,较佳地,此处将在线预测模型f的预测数据代替被测传感器的真实测量数据输出给与被测传感器对接的后续设备,从而实现了传感器输出数据的在线补偿。
步骤4、将当前训练数据池中的测量数据按采集时刻进行排序,从j=1开始选取l+1个连续的测量数据组成一组训练样本;令j=j+1选取第二组训练样本;以此类推,共选取p组训练样本,p=m-l;在每组训练样本中,前l个测量数据作为在线预测模型f的输入,第l+1个测量数据作为在线预测模型f的期望输出。
传感器停止采集后,上述循环结束。
在上述步骤1~5的循环执行过程中,当判定出现故障时,开始记录各采样时刻的残差e,记录一段时间后得到残差序列,利用残差序列进行一元线性回归分析,得到残差与时间的一元线性关系表达式,从而识别出故障类型、大小和发生时间。
在前述步骤3中,虽然在检测到故障时,将预测数据代替输出给与被测传感器对接的后续设备,但是随着时间的推进,训练样本将逐渐被预测数据替代,导致后续的预测数据逐渐偏离准确值,因此该传感器输出数据的在线补偿过程不能持续太长时间,只是暂时的解决方案。从根源上解决传感器故障的方案还是根据传感器的故障辨识结果,对传感器进行调整,从而有效地补偿传感器偏差。
为了验证本发明效果,采用设定故障信号的方式进行试验。
根据设定传感器为单输入单输出系统,其传递函数表示为
根据上述传递函数构造传感器模型,并且设定该传感器以幅值为10周期为2s的正弦信号作为输入u(t),以均方差为0.1的高斯白噪声作为干扰信号e(t)。采样周期为0.1s,运行100s,设定在时刻60s出现幅值为1的偏差故障与斜率为0.5的漂移故障。
图3为传感器模型在上述输入信号下运行时间100s内输出的信号曲线图。根据图3示出的信号选取训练样本,图4是最小二乘支持向量机与RBF神经网络预测模型采用同样的训练样本与测试样本进行对比实验的预测误差曲线,其中虚线表示本发明预测误差,带*的实线表示本发明RBF神经网络预测模型的预测误差。可以看出,最小二乘支持向量机在线预测模型要优于RBF神经网络预测模型。并且,对预测所用的时间进行记录,最小二乘支持向量机预测模型所用时间约为0.022s,小于传感器的采样频率,而且要远远小于RBF神经网络预测模型所用的时间11.56s。
图5是传感器实际输出值、真实值及最小二乘支持向量机的预测值的结果图,其中实线表示最小二乘支持向量机预测值,带+的实线表示传感器实际输出值,待三角的实线表示真实值。当设定在时刻60s产生故障时,可以看到,传感器的实际输出在该时刻有一个很大的跳变,并且之后在60s~100s这个时间段内传感器的输出信号在这个跳变的基础上逐渐呈增长趋势。而最小二乘支持向量机预测模型的输出值几乎与传感器在正常工作状态下的输出数据相重合。因而,在故障未辨识之前,可以利用最小二乘支持向量机在线预测的输出值做临时补偿,并且在之后的一段时间内比较传感器的实际输出与最小二乘支持向量机的输出产生残差时间序列,然后通过最小二乘法对其做一元线性回归分析,从而进一步地辨识出故障的类型与大小。
图6(a)是对比最小二乘支持向量预测值与传感器实际输出值产生的残差序列曲线,(b)是对残差序列进行一元线性回归分析产生的拟合曲线图。该拟合曲线图的表达式可以表示为y=0.5050t+0.7291,与因偏差与漂移故障产生的真实故障表达式y=0.5t+1相近。其中,0.5050为漂移故障,0.7291为偏差故障。
上述实施例中,以l值选50,m值选358为例进行了描述,在实际中,当参数l确定后,m的具体长度的选择只要保证m与样本长度l配合起来后使得每轮预测所用的时间小于数据的采样周期即可。且对于周期性信号,m的长度需要适当地包含采样数据的多个周期,从而保证训练样本可以足够的表征信号特征。
在l=50、采样周期为0.1s的前提下,通过实验发现,m需要满足大于58才可以保证程序的正常运行,如表1所示。并且在m与58差距较小的情况下,如表所示m=59时其结果很不理想。但随着m值的增加,其预测所用时间随之增加,而相对预测误差会相应的减小。
表1
表1示出了l取50,m分别取59、108、158、358、458、658时,预测时间t与均方根误差RMSE的值。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于最小二乘支持向量机在线预测的传感器故障诊断方法,其特征在于,假设被测传感器初始为正常传感器;采用具有l个输入一个输出的最小二乘支持向量机构建被测传感器的在线预测模型f,在任意时刻t在线预测模型f的输出可以表示为x(t+1)=f(x(t-l+1),…,x(t-1),x(t)),其中x(·)为线预测模型f的输入;该在线预测模型f采用径向基RBF函数作为核函数;
开始故障诊断后,在线实时采集被测传感器的测量数据,然后循环执行如下步骤1~5:
步骤1、在采样时刻n,采用包括当前采样时刻的测量数据x(n)和前m-1个采样时刻的测量数据x(i),i∈[n-m,n-1]共m个测量数据构成当前训练数据池;
步骤2、判断x(n)与前一采样时刻采用在线预测模型f预测的数据之差的绝对值即残差e是否小于或等于预设阈值e*;如果是,则执行步骤4;否则,判定出现故障,执行步骤3;
步骤4、将当前训练数据池中的测量数据按采集时刻进行排序,从i=1开始选取l+1个连续的测量数据组成一组训练样本;令i=i+1选取第二组训练样本;以此类推,共选取p组训练样本,p=m-l;在每组训练样本中,前l个测量数据作为在线预测模型f的输入,第l+1个测量数据作为在线预测模型f的期望输出;然后执行步骤5;
在上述步骤1~5的循环执行过程中,当判定出现故障时,开始记录各采样时刻的残差e,记录一段时间后得到残差序列,利用残差序列进行一元线性回归分析,得到残差与时间的一元线性关系表达式,从而识别出故障类型、大小和发生时间。
2.如权利要求1所述的方法,其特征在于,l=50,m=358。
3.如权利要求1所述的方法,其特征在于,在最小二乘支持向量机的训练过程中采用单纯形算法优化正则化参数C和径向基核函数宽度σ。
4.如权利要求1所述的方法,其特征在于,在判定出现故障后,该方法进一步包括:将在线预测模型f的预测数据代替被测传感器的真实测量数据输出给与被测传感器对接的后续设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101377247A CN102324034B (zh) | 2011-05-25 | 2011-05-25 | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101377247A CN102324034B (zh) | 2011-05-25 | 2011-05-25 | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102324034A true CN102324034A (zh) | 2012-01-18 |
CN102324034B CN102324034B (zh) | 2012-08-15 |
Family
ID=45451773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101377247A Active CN102324034B (zh) | 2011-05-25 | 2011-05-25 | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102324034B (zh) |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566505A (zh) * | 2012-02-27 | 2012-07-11 | 温州大学 | 一种数控机床的智能故障诊断方法 |
CN102663412A (zh) * | 2012-02-27 | 2012-09-12 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
CN102682220A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种短期电力负荷预测方法 |
CN102708381A (zh) * | 2012-05-09 | 2012-10-03 | 江南大学 | 融合最小二乘向量机回归学习思想的改进极限学习机 |
CN103309235A (zh) * | 2012-03-15 | 2013-09-18 | 华北计算机系统工程研究所 | 一种工控系统主动防危的方法 |
CN103344271A (zh) * | 2013-07-22 | 2013-10-09 | 中国航空动力机械研究所 | 传感器故障诊断装置和方法以及传感器的信号采集系统 |
CN103514458A (zh) * | 2013-09-29 | 2014-01-15 | 北京理工大学 | 基于纠错编码与支持向量机相结合的传感器故障辨识方法 |
CN104007730A (zh) * | 2014-05-26 | 2014-08-27 | 上海大学 | 一种led球泡灯装配生产线的三维可视化监控方法 |
CN104142680A (zh) * | 2014-05-09 | 2014-11-12 | 东南大学 | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 |
CN104333005A (zh) * | 2014-08-18 | 2015-02-04 | 西南交通大学 | 基于支持向量回归的电力系统扰动后频率动态预测方法 |
CN104484708A (zh) * | 2014-11-12 | 2015-04-01 | 南京大学 | 一种基于一元线性回归和最小二乘法的商品需求预测方法 |
CN104639398A (zh) * | 2015-01-22 | 2015-05-20 | 清华大学 | 基于压缩测量数据检测系统故障的方法及系统 |
CN104880216A (zh) * | 2015-06-17 | 2015-09-02 | 北京理工大学 | 一种基于不同纠错编码交叉使用的传感器故障辨识方法 |
CN105071771A (zh) * | 2015-09-08 | 2015-11-18 | 河海大学常州校区 | 一种基于神经网络的分布式光伏系统故障诊断方法 |
CN105318905A (zh) * | 2014-12-30 | 2016-02-10 | 国家电网公司 | 一种火电厂热力系统传感器故障诊断方法 |
CN105319071A (zh) * | 2015-09-21 | 2016-02-10 | 天津大学 | 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法 |
CN105467971A (zh) * | 2015-11-06 | 2016-04-06 | 国网山东省电力公司日照供电公司 | 一种电力二次设备监测系统及方法 |
CN105787561A (zh) * | 2016-03-22 | 2016-07-20 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
CN105891427A (zh) * | 2016-06-08 | 2016-08-24 | 深圳市欧瑞博电子有限公司 | 基于云计算的传感器寿命监测方法及装置 |
WO2017092339A1 (zh) * | 2015-12-04 | 2017-06-08 | 乐视控股(北京)有限公司 | 一种收集传感器数据的处理方法和装置 |
CN106988951A (zh) * | 2017-04-14 | 2017-07-28 | 贵州乌江水电开发有限责任公司东风发电厂 | 水轮机组故障诊断及状态评估方法 |
CN107250936A (zh) * | 2015-02-17 | 2017-10-13 | 富士通株式会社 | 判定装置、判定方法以及判定程序 |
CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
CN107832687A (zh) * | 2017-10-27 | 2018-03-23 | 武汉大学 | 基于无线标识传感的变压器绕组故障诊断方法 |
CN107957274A (zh) * | 2017-12-08 | 2018-04-24 | 长春理工大学 | 多编码器故障诊断遥测系统及其监测方法 |
CN108460429A (zh) * | 2018-05-03 | 2018-08-28 | 武汉理工大学 | 多重回归lssvm模型在机械并发故障诊断中的应用 |
CN108985387A (zh) * | 2018-08-13 | 2018-12-11 | 重庆工商大学 | 一种基于支持向量回归机各传感器之间相互故障诊断方法 |
CN109085813A (zh) * | 2018-06-29 | 2018-12-25 | 国家能源投资集团有限责任公司 | 故障的诊断方法和装置 |
CN109699021A (zh) * | 2018-12-31 | 2019-04-30 | 宁波工程学院 | 一种基于时间加权的农业物联网故障诊断方法 |
CN109992473A (zh) * | 2019-02-27 | 2019-07-09 | 平安科技(深圳)有限公司 | 应用系统的监控方法、装置、设备及存储介质 |
CN110096647A (zh) * | 2019-05-10 | 2019-08-06 | 腾讯科技(深圳)有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
CN110110864A (zh) * | 2019-05-16 | 2019-08-09 | 河南师范大学 | 基于最小二乘支持向量机算法的在线预测码头疏港作业货车数量的方法 |
CN110490266A (zh) * | 2019-08-23 | 2019-11-22 | 北京邮电大学 | 一种传感器数据上传、传感器故障检测方法及装置 |
WO2020000362A1 (zh) * | 2018-06-29 | 2020-01-02 | 罗伯特·博世有限公司 | 用于监测和识别电驱动系统中的传感器故障的方法 |
CN110763253A (zh) * | 2019-10-09 | 2020-02-07 | 哈尔滨工程大学 | 一种基于svr的组合导航系统故障诊断方法 |
CN110794227A (zh) * | 2018-08-02 | 2020-02-14 | 阿里巴巴集团控股有限公司 | 故障检测方法、系统、设备及存储介质 |
CN110832557A (zh) * | 2017-08-02 | 2020-02-21 | 欧姆龙株式会社 | 传感器装置、背景噪声数据发送方法和背景噪声数据发送程序 |
CN111095147A (zh) * | 2017-07-12 | 2020-05-01 | 西门子股份公司 | 用于传感器数据集中的偏差检测的方法和系统 |
CN111238725A (zh) * | 2020-02-18 | 2020-06-05 | 中南大学 | 电空制动系统压力传感器的故障诊断方法、装置及系统 |
CN111337263A (zh) * | 2020-02-12 | 2020-06-26 | 中国民航大学 | 发动机涡轮盘故障诊断方法 |
CN111524478A (zh) * | 2019-02-05 | 2020-08-11 | 三星显示有限公司 | 检测故障的设备和方法 |
CN113433480A (zh) * | 2021-06-29 | 2021-09-24 | 北京交通大学 | 一种控制电源系统的故障预警方法 |
CN115453580A (zh) * | 2022-09-13 | 2022-12-09 | 广东汇天航空航天科技有限公司 | Gnss传感器的故障诊断方法、装置、导航系统及交通工具 |
CN115890537A (zh) * | 2023-03-07 | 2023-04-04 | 北京汉飞航空科技有限公司 | 一种涡轮叶片基于六点定位的姿态调整方法 |
US11758307B2 (en) | 2017-08-02 | 2023-09-12 | Omron Corporation | Sensor device, background noise data transmission method, and background noise data transmission program |
CN117553864A (zh) * | 2024-01-12 | 2024-02-13 | 北京宏数科技有限公司 | 一种基于大数据的传感器采集方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101046502A (zh) * | 2005-06-10 | 2007-10-03 | 清华大学 | 一种电缆安全运行评价方法 |
CN101308385A (zh) * | 2008-07-11 | 2008-11-19 | 东北大学 | 基于二维动态核主元分析的非线性过程故障检测方法 |
US20100023307A1 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
-
2011
- 2011-05-25 CN CN2011101377247A patent/CN102324034B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101046502A (zh) * | 2005-06-10 | 2007-10-03 | 清华大学 | 一种电缆安全运行评价方法 |
CN101308385A (zh) * | 2008-07-11 | 2008-11-19 | 东北大学 | 基于二维动态核主元分析的非线性过程故障检测方法 |
US20100023307A1 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
Cited By (65)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663412A (zh) * | 2012-02-27 | 2012-09-12 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
CN102663412B (zh) * | 2012-02-27 | 2014-11-05 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
CN102566505A (zh) * | 2012-02-27 | 2012-07-11 | 温州大学 | 一种数控机床的智能故障诊断方法 |
CN103309235A (zh) * | 2012-03-15 | 2013-09-18 | 华北计算机系统工程研究所 | 一种工控系统主动防危的方法 |
CN102708381A (zh) * | 2012-05-09 | 2012-10-03 | 江南大学 | 融合最小二乘向量机回归学习思想的改进极限学习机 |
CN102708381B (zh) * | 2012-05-09 | 2014-02-19 | 江南大学 | 融合最小二乘向量机回归学习思想的改进极限学习机 |
CN102682220A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种短期电力负荷预测方法 |
CN103344271A (zh) * | 2013-07-22 | 2013-10-09 | 中国航空动力机械研究所 | 传感器故障诊断装置和方法以及传感器的信号采集系统 |
CN103344271B (zh) * | 2013-07-22 | 2015-12-23 | 中国航空动力机械研究所 | 传感器故障诊断装置和方法以及传感器的信号采集系统 |
CN103514458A (zh) * | 2013-09-29 | 2014-01-15 | 北京理工大学 | 基于纠错编码与支持向量机相结合的传感器故障辨识方法 |
CN103514458B (zh) * | 2013-09-29 | 2016-08-24 | 北京理工大学 | 基于纠错编码与支持向量机相结合的传感器故障辨识方法 |
CN104142680A (zh) * | 2014-05-09 | 2014-11-12 | 东南大学 | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 |
CN104142680B (zh) * | 2014-05-09 | 2017-05-24 | 东南大学 | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 |
CN104007730A (zh) * | 2014-05-26 | 2014-08-27 | 上海大学 | 一种led球泡灯装配生产线的三维可视化监控方法 |
CN104333005A (zh) * | 2014-08-18 | 2015-02-04 | 西南交通大学 | 基于支持向量回归的电力系统扰动后频率动态预测方法 |
CN104484708B (zh) * | 2014-11-12 | 2018-07-13 | 南京大学 | 一种基于一元线性回归和最小二乘法的商品需求预测方法 |
CN104484708A (zh) * | 2014-11-12 | 2015-04-01 | 南京大学 | 一种基于一元线性回归和最小二乘法的商品需求预测方法 |
CN105318905A (zh) * | 2014-12-30 | 2016-02-10 | 国家电网公司 | 一种火电厂热力系统传感器故障诊断方法 |
CN104639398A (zh) * | 2015-01-22 | 2015-05-20 | 清华大学 | 基于压缩测量数据检测系统故障的方法及系统 |
CN104639398B (zh) * | 2015-01-22 | 2018-01-16 | 清华大学 | 基于压缩测量数据检测系统故障的方法及系统 |
CN107250936A (zh) * | 2015-02-17 | 2017-10-13 | 富士通株式会社 | 判定装置、判定方法以及判定程序 |
CN107250936B (zh) * | 2015-02-17 | 2019-09-20 | 富士通株式会社 | 判定装置及判定方法 |
CN104880216A (zh) * | 2015-06-17 | 2015-09-02 | 北京理工大学 | 一种基于不同纠错编码交叉使用的传感器故障辨识方法 |
CN105071771A (zh) * | 2015-09-08 | 2015-11-18 | 河海大学常州校区 | 一种基于神经网络的分布式光伏系统故障诊断方法 |
CN105319071A (zh) * | 2015-09-21 | 2016-02-10 | 天津大学 | 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法 |
CN105319071B (zh) * | 2015-09-21 | 2017-11-07 | 天津大学 | 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法 |
CN105467971B (zh) * | 2015-11-06 | 2018-02-23 | 国网山东省电力公司日照供电公司 | 一种电力二次设备监测系统及方法 |
CN105467971A (zh) * | 2015-11-06 | 2016-04-06 | 国网山东省电力公司日照供电公司 | 一种电力二次设备监测系统及方法 |
WO2017092339A1 (zh) * | 2015-12-04 | 2017-06-08 | 乐视控股(北京)有限公司 | 一种收集传感器数据的处理方法和装置 |
CN105787561A (zh) * | 2016-03-22 | 2016-07-20 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
CN105891427A (zh) * | 2016-06-08 | 2016-08-24 | 深圳市欧瑞博电子有限公司 | 基于云计算的传感器寿命监测方法及装置 |
CN105891427B (zh) * | 2016-06-08 | 2019-05-31 | 深圳市欧瑞博电子有限公司 | 基于云计算的传感器寿命监测方法及装置 |
CN106988951A (zh) * | 2017-04-14 | 2017-07-28 | 贵州乌江水电开发有限责任公司东风发电厂 | 水轮机组故障诊断及状态评估方法 |
CN111095147A (zh) * | 2017-07-12 | 2020-05-01 | 西门子股份公司 | 用于传感器数据集中的偏差检测的方法和系统 |
CN110832557A (zh) * | 2017-08-02 | 2020-02-21 | 欧姆龙株式会社 | 传感器装置、背景噪声数据发送方法和背景噪声数据发送程序 |
US11758307B2 (en) | 2017-08-02 | 2023-09-12 | Omron Corporation | Sensor device, background noise data transmission method, and background noise data transmission program |
CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
CN107832687A (zh) * | 2017-10-27 | 2018-03-23 | 武汉大学 | 基于无线标识传感的变压器绕组故障诊断方法 |
CN107957274A (zh) * | 2017-12-08 | 2018-04-24 | 长春理工大学 | 多编码器故障诊断遥测系统及其监测方法 |
CN108460429B (zh) * | 2018-05-03 | 2019-03-05 | 武汉理工大学 | 多重回归lssvm模型在机械并发故障诊断中的应用方法 |
CN108460429A (zh) * | 2018-05-03 | 2018-08-28 | 武汉理工大学 | 多重回归lssvm模型在机械并发故障诊断中的应用 |
CN109085813A (zh) * | 2018-06-29 | 2018-12-25 | 国家能源投资集团有限责任公司 | 故障的诊断方法和装置 |
CN112041819B (zh) * | 2018-06-29 | 2022-08-05 | 罗伯特·博世有限公司 | 用于监测和识别电驱动系统中的传感器故障的方法 |
WO2020000362A1 (zh) * | 2018-06-29 | 2020-01-02 | 罗伯特·博世有限公司 | 用于监测和识别电驱动系统中的传感器故障的方法 |
CN112041819A (zh) * | 2018-06-29 | 2020-12-04 | 罗伯特·博世有限公司 | 用于监测和识别电驱动系统中的传感器故障的方法 |
CN110794227A (zh) * | 2018-08-02 | 2020-02-14 | 阿里巴巴集团控股有限公司 | 故障检测方法、系统、设备及存储介质 |
CN108985387A (zh) * | 2018-08-13 | 2018-12-11 | 重庆工商大学 | 一种基于支持向量回归机各传感器之间相互故障诊断方法 |
CN109699021A (zh) * | 2018-12-31 | 2019-04-30 | 宁波工程学院 | 一种基于时间加权的农业物联网故障诊断方法 |
CN109699021B (zh) * | 2018-12-31 | 2021-08-10 | 宁波工程学院 | 一种基于时间加权的农业物联网故障诊断方法 |
CN111524478A (zh) * | 2019-02-05 | 2020-08-11 | 三星显示有限公司 | 检测故障的设备和方法 |
CN109992473B (zh) * | 2019-02-27 | 2022-07-15 | 平安科技(深圳)有限公司 | 应用系统的监控方法、装置、设备及存储介质 |
CN109992473A (zh) * | 2019-02-27 | 2019-07-09 | 平安科技(深圳)有限公司 | 应用系统的监控方法、装置、设备及存储介质 |
CN110096647B (zh) * | 2019-05-10 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
CN110096647A (zh) * | 2019-05-10 | 2019-08-06 | 腾讯科技(深圳)有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
CN110110864A (zh) * | 2019-05-16 | 2019-08-09 | 河南师范大学 | 基于最小二乘支持向量机算法的在线预测码头疏港作业货车数量的方法 |
CN110110864B (zh) * | 2019-05-16 | 2022-09-27 | 河南师范大学 | 基于最小二乘支持向量机算法的在线预测码头疏港作业货车数量的方法 |
CN110490266A (zh) * | 2019-08-23 | 2019-11-22 | 北京邮电大学 | 一种传感器数据上传、传感器故障检测方法及装置 |
CN110763253A (zh) * | 2019-10-09 | 2020-02-07 | 哈尔滨工程大学 | 一种基于svr的组合导航系统故障诊断方法 |
CN111337263A (zh) * | 2020-02-12 | 2020-06-26 | 中国民航大学 | 发动机涡轮盘故障诊断方法 |
CN111238725A (zh) * | 2020-02-18 | 2020-06-05 | 中南大学 | 电空制动系统压力传感器的故障诊断方法、装置及系统 |
CN113433480A (zh) * | 2021-06-29 | 2021-09-24 | 北京交通大学 | 一种控制电源系统的故障预警方法 |
CN115453580A (zh) * | 2022-09-13 | 2022-12-09 | 广东汇天航空航天科技有限公司 | Gnss传感器的故障诊断方法、装置、导航系统及交通工具 |
CN115890537A (zh) * | 2023-03-07 | 2023-04-04 | 北京汉飞航空科技有限公司 | 一种涡轮叶片基于六点定位的姿态调整方法 |
CN117553864A (zh) * | 2024-01-12 | 2024-02-13 | 北京宏数科技有限公司 | 一种基于大数据的传感器采集方法及系统 |
CN117553864B (zh) * | 2024-01-12 | 2024-04-19 | 北京宏数科技有限公司 | 一种基于大数据的传感器采集方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102324034B (zh) | 2012-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102324034B (zh) | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 | |
Lv et al. | An adaptive least squares support vector machine model with a novel update for NOx emission prediction | |
CN106250709B (zh) | 基于传感器关联网络的燃气轮机异常检测与故障诊断方法 | |
CN110147827B (zh) | 一种基于iaalo-svm与相似性度量的故障预测方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN107222169A (zh) | 一种基于离群点检测的光伏阵列实时监控与故障检测方法 | |
Wang et al. | Time series prediction of e-nose sensor drift based on deep recurrent neural network | |
Chao et al. | A novel fault diagnosis method based-on modified neural networks for photovoltaic systems | |
CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
Ma et al. | Online assessment of failure probability for smart meters based on SARIMA-LTFRLS | |
CN109634117A (zh) | 一种用于脱硝控制的信息物理融合系统及其控制方法 | |
Qiu et al. | Fault diagnosis of TE process using LSTM-RNN neural network and BP model | |
CN116298670A (zh) | 适用于多分支配电线路的智能故障定位方法及系统 | |
CN103400201A (zh) | 求解以测点正常率最大为目标的状态估计问题的方法 | |
Amoateng et al. | A deep unsupervised learning approach to PMU event detection in an active distribution network | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN113157992B (zh) | 风机传感器数据重构方法、装置与计算机可读存储介质 | |
CN106767952B (zh) | 一种电感式位移传感器的干扰消除方法 | |
Xu et al. | Statistical analysis of accelerated life testing under Weibull distribution based on fuzzy theory | |
CN115081741A (zh) | 一种基于神经网络的天然气计量检定智能预测的方法 | |
CN111273212B (zh) | 数据驱动的电量传感器误差在线评测闭环改进方法、系统及介质 | |
Li et al. | Online prediction of quality‐related variables for batch processes using a sequential phase partition method | |
CN110705186B (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
Li et al. | Extraction of abnormal points from on-line operation data of intelligent meter based on LSTM | |
CN101846588A (zh) | 基于模式搜索的阀门粘滞跳跃特性检测方法 |
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 |