CN102431136A - 一种基于多向主元分析法的多阶段批次过程阶段划分方法 - Google Patents
一种基于多向主元分析法的多阶段批次过程阶段划分方法 Download PDFInfo
- Publication number
- CN102431136A CN102431136A CN2011102750047A CN201110275004A CN102431136A CN 102431136 A CN102431136 A CN 102431136A CN 2011102750047 A CN2011102750047 A CN 2011102750047A CN 201110275004 A CN201110275004 A CN 201110275004A CN 102431136 A CN102431136 A CN 102431136A
- Authority
- CN
- China
- Prior art keywords
- matrix
- pivot
- associative mode
- batch
- variable
- 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
Abstract
本发明涉及一种基于多向主元分析法的多阶段批次过程阶段划分方法,包括模型数据采集、三维数据展开、二维矩阵标准化、PCA分解、主元个数选取、负载矩阵分解和K-means聚类分析来实现,本发明首次将多向主元分析法模型的负载矩阵按照时间片顺序经过分解变形来辨识过程阶段,打破了传统理论中多向主元分析法不适用于多阶段批次过程建模的认识误区,该方法不仅提取了各个时间片上变量的交叉相关性,同时还提取了测量变量在整个批次各个采样时刻的自身的动态变化特性来辨识阶段,提高了过程监测过程的监测效率和故障诊断结果的准确性,为无过程先验知识条件下的多阶段过程阶段划分提供了新的可能性。
Description
技术领域
本发明涉及一种基于多向主元分析法的多阶段批次过程阶段划分方法,属于间歇过程多变量监测与故障监测领域。
背景技术
间歇过程操作中各操作变量的相关关系并非随时间时刻变化,而是随着过程操作进程或者过程机理特性的变化发生而变化,多阶段是间歇过程的一个显著特点,了解间隙过程每个阶段的变量关系,有助于提高间隙过程的监测效率,增强诊断的可靠性。
目前针对带有阶段特性的批次过程的多变量过程阶段的划分方法主要有三种,第一种是依靠过程专家的经验对阶段进行辨识,不过显然,这种方法过于依赖于人,判断结果过于主观;第二种方法是通过某一关键过程变量的轨迹异常点来判断,但这种方法没有考虑过程的变量的相关性,阶段辨识比较粗糙;第三种方法是Sub-PCA法,它通过提取过程的时间片矩阵建模,按照建模后的每个时间片的负载矩阵来聚类分阶段,但是这种方法是提取过程每个时间片矩阵的相关性信息,忽略了每个时间片矩阵整个过程的动态变化信息,阶段划分结果比较片面。
发明内容
本发明的目的,就是克服现有技术的不足,提供一种基于多向主元分析法的多阶段批次过程阶段划分方法,该方法提出一种无过程先验知识的过程阶段辨识方法,为多阶段批次过程的建模以及监测提供了新的途径。
为了达到上述目的,采用如下技术方案:
一种基于多向主元分析法的多阶段批次过程阶段划分方法,包括以下步骤得到,
1)模型数据采集
设一个间歇操作具有J个测量变量和K个采样点,则每一个测量批次可得到一个J×K的矩阵,重复I批次的测量步骤后,得到的数据可以表述为一个三维矩阵X(I×J×K),其中测量变量为温度、速度、压力、行程等批次运行过程中可被测量的状态参数;
2)三维数据展开
3)二维矩阵标准化
4)多向主元分析法建模
对上一步经标准化后的二维矩阵(I×JK)执行PCA分解,完成多向主元分析法的建模,其中PCA分解公式如下:
S=trace(TTT/(I-1)); (3)
其中:ti为正交的主元向量,pi为正交归一化的负载向量,S是主元的协方差矩阵的迹,代表各个主元对于过程的解释度大小;
公式(2)X分解得到得分矩阵T(I×JK)及负载矩阵P(JK×JK);
5)选取主元个数
将公式(2)重新表述成如下形式:
其中:Tr(I×R)、Pr(JK×R)分别为保留R个主元后的得分矩阵和负载矩阵,E为残差矩阵;
通过上述变换,多向主元分析法模型将原始数据空间分解为主元空间和残差空间,主元空间变量高度相关,一般来说足以描述数据的变异性;
主元个数R一般可根据用户的经验设定或者采用Broken-Stick准则,Broken-Stick的内容是当第r个主元的解释度S(r)占所有主元总贡献sum(S)的百分比大于G(r)的时候保留该主元,否则终止,其中G(r)的计算公式如下:
其中:S(r)是第r个主元的解释度,sum(S)是所有主元的贡献和;
6)负载矩阵分解
按照步骤(1)的方式将包含了JK个变量的相关性的三维负载矩阵Pr(JK×R)按照时间片批次展开,由于负载矩阵Pr(JK×R)每J行是一个时间片负载矩阵则将负载矩阵Pr按照时间次序叠加起来即可得到三维矩阵
7)K-means聚类分析
K-means算法的输入是K个相关模式集合以及两个子类中心的最小距离阈值θ,算法的输出是子类数量C,子类中心设为{W1,W2,…,WC},以及每个相关模式属于不同子类的隶属关系变量i是算法中迭代次数的索引,k是分类模式的索引,而c则是聚类中心的索引,算法步骤如下:
a、从K个相关模式中,任意选择C0个相关模式作为初始聚类中心Wi,c(c=1,2,…,C0),对于Wi,c的选取,常用方法是从被分类模式中均匀抽取C0个相关模式,建议C0在区间(K/3~K/2)内取值;
b、若两个子类中心的距离dist(Wi,c1,Wi,c2)小于预定的阈值θ,则剔除其中一个聚类中心;
d、Inum次迭代后,若某子类中心没有俘获一定数量的相关模式(例如没有超过5个相关模式),则剔除该奇类;
e、更新子类数量为Ci+1,并根据相关模式的隶属关系重新计算新的聚类中心Wi+1,c(c=1,2,…,Ci+1);
如果算法满足收敛条件则结束,否则返回步骤b,进行下一次迭代计算,以上过程使具有相同阶段特性的相关模式划分为一类,完成对多变阶段批次过程的阶段划分。
与现有技术相比,本发明的有益效果在于:
本发明首次将多向主元分析法模型的负载矩阵按照时间片顺序经过分解变形来辨识过程阶段,打破了传统理论中多向主元分析法不适用于多阶段批次过程建模的认识误区,该方法不仅提取了各个时间片上变量的交叉相关性,同时还提取了测量变量在整个批次各个采样时刻的自身的动态变化特性来辨识阶段,提高了过程监测过程的监测效率和故障诊断结果的准确性,为无过程先验知识条件下的多阶段过程阶段划分提供了新的可能性。
附图说明
图1是本发明所述基于多向主元分析法的多阶段批次过程阶段划分方法的流程图。
图2是本发明所述基于多向主元分析法的多阶段批次过程阶段划分方法的三维数据展开模型示意图。
图3是本发明具体实施例中注塑过程的阶段划分结果图。
具体实施方式
下面结合附图及具体实施例,对本发明做进一步说明:
注塑成型是典型的多阶段批次过程,其主要包含注射、保压、塑化、冷却四个阶段,注塑过程的每个时段都有其特定的控制目标,不同的主导变量以及过程特性。具体来说,在注射段,液压缸的高压推动螺杆向前将机桶内的熔融塑料推到模腔,当模腔被完全或者将近填充满的时候,过程切换到保压阶段,在该阶段,高压将少量材料继续填充到模腔中以补充由于冷却和固化带来的材料收缩;当胶口冷却,模腔中的材料不再被注射喷嘴影响的时候,保压段结束。螺杆旋转并后退,将足够量的熔融塑料推到螺杆前端。螺杆后退同时开始容积计算。头部熔料达到一定的注射量后,螺杆停止后退和转动,这段时间的过程状态称为塑化阶段。在保压段结束,塑化过程进行的时候,冷却阶段也同时进行着,直到模具内材料达到能被弹出的硬度,冷却阶段结束。
以上述注塑成型过程为例,参见图1,本发明所述的基于多向主元分析法(Multi-wayprincipal component analysis,MPCA)的多阶段批次过程阶段划分方法,包括以下步骤得到:
(1)模型数据采集
设一个间歇操作具有J个测量变量和K个采样点,则每一个测量批次可得到一个J×K的矩阵,重复I批次的测量步骤后,得到的数据可以表述为一个三维矩阵X(I×J×K)。为了确保检测数据涵盖足够长时间的工作范围,一般工业上用来建模的数据批次I的取值大于100,测量变量为温度、速度、压力、行程等批次运行过程中可被测量的状态参数;基于过程时间长短、过程变化的快慢程度以及模型负担是否在合理的范围,采样点K个数一般小于1000。
本实施例中,测量变量实验室注塑机工作过程可获得的变量为8个:压力阀门开度,流量阀门开度,注射行程,注射速度,注射压力,机桶温度(3段),操作批次I取100,每个批次保留的采样点K为488。
(2)三维数据展开
(3)二维矩阵标准化
本步骤的标准化处理相当于抽取了间歇过程中一次操作的平均运行轨迹,突出了间歇过程不同操作批次之间的一种正常随机波动。
(4)MPCA建模
所谓的MPCA建模就是先将三维矩阵展开成一个大的二维矩阵,再执行常规的PCA分解的方法,本步骤对上一步经标准化处理后的二维矩阵(I×JK)执行PCA分解,其分解公式如下:
S=trace(TTT/(I-1)); (3)
其中:ti为正交的主元向量,pi为正交归一化的负载向量,S是主元的协方差矩阵的迹,代表各个主元对于过程的解释度大小。
公式(2)X分解得到得分矩阵T(I×JK)及负载矩阵P(JK×JK)。
(5)选取主元个数
一般来说,前几个主元一般包含着间隙过程的大部分变异信息,其他的主元可能主要包含噪声信息,因此公式(2)可以被重新表述成如下形式:
其中:Tr(I×R)、Pr(JK×R)分别为保留R个主元后的得分矩阵和负载矩阵,E为残差矩阵;
通过上述变换,MPCA模型将原始数据空间分解为主元空间和残差空间,主元空间变量高度相关,一般来说足以描述数据的变异性。
主元个数R一般可根据用户的经验设定或者采用Broken-Stick准则,Broken-Stick的内容是当第r个主元的解释度S(r)占所有主元总贡献sum(S)的百分比大于G(r)的时候保留该主元,否则终止,其中G(r)的计算公式如下:
其中:S(r)是第r个主元的解释度,sum(S)是所有主元的贡献和,在本实施例中,主元R的个数选择5,对于过程的解释度为56.64。
(6)负载矩阵分解
按照步骤(1)的方式将包含了JK个变量的相关性的三维负载矩阵Pr(JK×R)按照时间片批次展开,由于负载矩阵Pr(JK×R)每J行是一个时间片负载矩阵则将负载矩阵Pr按照时间次序叠加起来即可得到三维矩阵
(7)K-means聚类分析
对于一个具有多阶段特性的批次过程,不同的阶段过程关系结构会表现出不同,但是在一个阶段内部,各个采样点上的过程特性基本相同,K-means算法是硬聚类算法,是典型的局域原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则,其是将n个数据对象划分为m个聚类以使所获得的聚类满足同一聚类中的对象相似度较高而不同聚类中的对象相似度较小的一种算法,聚类相似度是利用各聚类中对象与“中心对象”的距离来进行计算,
K-means算法的输入是K个相关模式集合以及两个子类中心的最小距离阈值θ,算法的输出是子类数量C,子类中心设为{W1,W2,…,WC},以及每个相关模式属于不同子类的隶属关系变量i是算法中迭代次数的索引,k是分类模式的索引,而c则是聚类中心的索引,算法步骤如下:
a、从K个相关模式中,任意选择C0个相关模式作为初始聚类中心Wi,c(c=1,2,…,C0),对于Wi,c的选取,常用方法是从被分类模式中均匀抽取C0个相关模式,建议C0在区间(K/3~K/2)内取值;
b、若两个子类中心的距离dist(Wi,c1,Wi,c2)小于预定的阈值θ,则剔除其中一个聚类中心;
d、Inum次迭代后,若某子类中心没有俘获一定数量的相关模式(例如没有超过5个相关模式),则剔除该奇类;
e、更新子类数量为Ci+1,并根据相关模式的隶属关系重新计算新的聚类中心Wi+1,c(c=1,2,…,Ci+1);
如果算法满足收敛条件则结束,否则返回步骤b,进行下一次迭代计算,上述收敛条件有:两次迭代中的聚类中心距离的变化小于一个很小的数ε,其中本实施例中ε=0.045;或者每个子类中模式到子类中心的距离平方达到最小或以及子类之间的距离平方和达到最小。
以上过程使注塑过程中具有相同阶段特性的相关模式划分为一类,完成对多变阶段批次过程的阶段划分,图3所示为对本实施例中注塑过程进行阶段划分的结果,这与实际的注塑过程特性相吻合,该方式的应用使用户清楚地了解各变量在每个阶段的相互关系,提高了过程监测效率并增加了诊断的有效性。
应该理解,本发明并不局限于上述具体实施例的注塑过程,凡是熟悉本领域的技术人员在不违背本发明精神的前提下还可做出等同变形或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (3)
1.一种基于多向主元分析法的多阶段批次过程阶段划分方法,其特征在于,包括以下步骤得到:
1)模型数据采集
设一个间歇操作具有J个测量变量和K个采样点,则每一个测量批次可得到一个J×K的矩阵,重复I批次的测量步骤后,得到的数据可以表述为一个三维矩阵X(I×J×K),其中测量变量为温度、速度、压力、行程等批次运行过程中可被测量的状态参数;
2)三维数据展开
3)二维矩阵标准化
4)多向主元分析法建模
对上一步经标准化后的二维矩阵(I×JK)执行PCA分解,完成多向主元分析法的建模,其中PCA分解公式如下:
S=trace(TTT/(I-1)); (3)
其中:ti为正交的主元向量,pi为正交归一化的负载向量,S是主元的协方差矩阵的迹,代表各个主元对于过程的解释度大小;
公式(2)X分解得到得分矩阵T(I×JK)及负载矩阵P(JK×JK);
5)选取主元个数
将公式(2)重新表述成如下形式:
其中:Tr(I×R)、Pr(JK×R)分别为保留R个主元后的得分矩阵和负载矩阵,E为残差矩阵;
通过上述变换,多向主元分析法模型将原始数据空间分解为主元空间和残差空间,主元空间变量高度相关,一般来说足以描述数据的变异性;
主元个数R一般可根据用户的经验设定或者采用Broken-Stick准则,Broken-Stick的内容是当第r个主元的解释度S(r)占所有主元总贡献sum(S)的百分比大于G(r)的时候保留该主元,否则终止,其中G(r)的计算公式如下:
其中:S(r)是第r个主元的解释度,sum(S)是所有主元的贡献和;
6)负载矩阵分解
按照步骤(1)的方式将包含了JK个变量的相关性的三维负载矩阵Pr(JK×R)按照时间片批次展开,由于负载矩阵Pr(JK×R)每J行是一个时间片负载矩阵则将负载矩阵Pr按照时间次序叠加起来即可得到三维矩阵
7)K-means聚类分析
K-means算法的输入是K个相关模式集合以及两个子类中心的最小距离阈值θ,算法的输出是子类数量C,子类中心设为{W1,W2,…,WC},以及每个相关模式属于不同子类的隶属关系变量i是算法中迭代次数的索引,k是分类模式的索引,而c则是聚类中心的索引,算法步骤如下:
a、从K个相关模式中,任意选择C0个相关模式作为初始聚类中心Wi,c(c=1,2,…,C0),对于Wi,c的选取,常用方法是从被分类模式中均匀抽取C0个相关模式,建议C0在区间(K/3~K/2)内取值;
b、若两个子类中心的距离dist(Wi,c1,Wi,c2)小于预定的阈值θ,则剔除其中一个聚类中心;
d、Inum次迭代后,若某子类中心没有俘获一定数量的相关模式(例如没有超过5个相关模式),则剔除该奇类;
e、更新子类数量为Ci+1,并根据相关模式的隶属关系重新计算新的聚类中心Wi+1,c(c=1,2,…,Ci+1);
如果算法满足收敛条件则结束,否则返回步骤b,进行下一次迭代计算,以上过程使具有相同阶段特性的相关模式划分为一类,完成对多变阶段批次过程的阶段划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110275004.7A CN102431136B (zh) | 2011-09-16 | 2011-09-16 | 一种基于多向主元分析法的多阶段批次过程阶段划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110275004.7A CN102431136B (zh) | 2011-09-16 | 2011-09-16 | 一种基于多向主元分析法的多阶段批次过程阶段划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102431136A true CN102431136A (zh) | 2012-05-02 |
CN102431136B CN102431136B (zh) | 2014-11-05 |
Family
ID=45979657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110275004.7A Expired - Fee Related CN102431136B (zh) | 2011-09-16 | 2011-09-16 | 一种基于多向主元分析法的多阶段批次过程阶段划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102431136B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116306A (zh) * | 2013-02-05 | 2013-05-22 | 浙江大学 | 一种自动的步进式有序时段划分方法 |
CN103310095A (zh) * | 2013-05-10 | 2013-09-18 | 广州市香港科大霍英东研究院 | 间歇过程质量指标软测量方法 |
CN103336507A (zh) * | 2013-06-24 | 2013-10-02 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
CN103488561A (zh) * | 2013-07-09 | 2014-01-01 | 沈阳化工大学 | 一种在线升级主样本模型的kNN故障检测方法 |
CN104298187A (zh) * | 2014-06-12 | 2015-01-21 | 东北大学 | 金湿法冶金全流程三层结构过程监测方法 |
CN104699050A (zh) * | 2015-02-13 | 2015-06-10 | 浙江中烟工业有限责任公司 | 数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法 |
CN104865951A (zh) * | 2015-03-19 | 2015-08-26 | 浙江中烟工业有限责任公司 | 一种卷烟制丝过程烟片预处理段在线监测和故障诊断方法 |
CN105004542A (zh) * | 2015-07-15 | 2015-10-28 | 浙江中烟工业有限责任公司 | 基于主元分析的卷烟制丝掺配加香段在线监测和故障诊断方法 |
CN105150482A (zh) * | 2015-08-19 | 2015-12-16 | 广州市香港科大霍英东研究院 | 一种过胶圈故障在线检测方法 |
CN105629958A (zh) * | 2016-02-06 | 2016-06-01 | 北京工业大学 | 一种基于子时段mpca-svm的间歇过程故障诊断方法 |
CN106547899A (zh) * | 2016-11-07 | 2017-03-29 | 北京化工大学 | 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法 |
CN108229568A (zh) * | 2018-01-09 | 2018-06-29 | 上海海事大学 | 基于k均值聚类算法的岸桥金属结构载荷状态检测方法 |
CN108388234A (zh) * | 2018-03-19 | 2018-08-10 | 宁波大学 | 一种基于相关性划分多变量块pca模型的故障监测方法 |
CN108664009A (zh) * | 2017-08-03 | 2018-10-16 | 湖州师范学院 | 基于相关分析的阶段划分和故障检测方法 |
CN109085816A (zh) * | 2018-09-18 | 2018-12-25 | 兰州理工大学 | 一种基于动态正交的全局局部间歇过程故障检测方法 |
CN109212971A (zh) * | 2018-10-11 | 2019-01-15 | 海南师范大学 | 多阶段间歇过程2d线性二次跟踪容错控制方法 |
CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN112508320A (zh) * | 2020-09-21 | 2021-03-16 | 浙江大学 | 一种批生产的自动过程阶段划分工作流 |
CN112863541A (zh) * | 2020-12-31 | 2021-05-28 | 福州数据技术研究院有限公司 | 一种基于聚类和中值收敛的音频切割方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1511693A (zh) * | 2002-12-30 | 2004-07-14 | 财团法人工业技术研究院 | 电动式注塑机射速-压力切换与保压控制装置及方法 |
US20060216370A1 (en) * | 2005-03-28 | 2006-09-28 | Fanuc Ltd | Controller for injection molding machine |
CN101100105A (zh) * | 2007-07-12 | 2008-01-09 | 昌盛达机械(浙江)有限公司 | 注塑机的伺服节能控制系统 |
-
2011
- 2011-09-16 CN CN201110275004.7A patent/CN102431136B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1511693A (zh) * | 2002-12-30 | 2004-07-14 | 财团法人工业技术研究院 | 电动式注塑机射速-压力切换与保压控制装置及方法 |
US20060216370A1 (en) * | 2005-03-28 | 2006-09-28 | Fanuc Ltd | Controller for injection molding machine |
CN101100105A (zh) * | 2007-07-12 | 2008-01-09 | 昌盛达机械(浙江)有限公司 | 注塑机的伺服节能控制系统 |
Non-Patent Citations (2)
Title |
---|
JOSÉ CAMACHO, JESÚS PICÓ: "Multi-phase principal component analysis for batch processes modelling", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
YUAN YAO, FURONG GAO: "A survey on multistage/multiphase statistical modeling methods for batch processes", 《ANNUAL REVIEWS IN CONTROL》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116306B (zh) * | 2013-02-05 | 2015-06-17 | 浙江大学 | 一种自动的步进式有序时段划分方法 |
CN103116306A (zh) * | 2013-02-05 | 2013-05-22 | 浙江大学 | 一种自动的步进式有序时段划分方法 |
CN103310095A (zh) * | 2013-05-10 | 2013-09-18 | 广州市香港科大霍英东研究院 | 间歇过程质量指标软测量方法 |
CN103336507A (zh) * | 2013-06-24 | 2013-10-02 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
CN103336507B (zh) * | 2013-06-24 | 2015-08-19 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
CN103488561B (zh) * | 2013-07-09 | 2016-08-10 | 沈阳化工大学 | 一种在线升级主样本模型的kNN故障检测方法 |
CN103488561A (zh) * | 2013-07-09 | 2014-01-01 | 沈阳化工大学 | 一种在线升级主样本模型的kNN故障检测方法 |
CN104298187A (zh) * | 2014-06-12 | 2015-01-21 | 东北大学 | 金湿法冶金全流程三层结构过程监测方法 |
CN104699050A (zh) * | 2015-02-13 | 2015-06-10 | 浙江中烟工业有限责任公司 | 数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法 |
CN104865951A (zh) * | 2015-03-19 | 2015-08-26 | 浙江中烟工业有限责任公司 | 一种卷烟制丝过程烟片预处理段在线监测和故障诊断方法 |
CN105004542A (zh) * | 2015-07-15 | 2015-10-28 | 浙江中烟工业有限责任公司 | 基于主元分析的卷烟制丝掺配加香段在线监测和故障诊断方法 |
CN105150482A (zh) * | 2015-08-19 | 2015-12-16 | 广州市香港科大霍英东研究院 | 一种过胶圈故障在线检测方法 |
CN105629958B (zh) * | 2016-02-06 | 2018-03-16 | 北京工业大学 | 一种基于子时段mpca‑svm的间歇过程故障诊断方法 |
CN105629958A (zh) * | 2016-02-06 | 2016-06-01 | 北京工业大学 | 一种基于子时段mpca-svm的间歇过程故障诊断方法 |
CN106547899A (zh) * | 2016-11-07 | 2017-03-29 | 北京化工大学 | 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法 |
CN106547899B (zh) * | 2016-11-07 | 2020-05-19 | 北京化工大学 | 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法 |
CN108664009A (zh) * | 2017-08-03 | 2018-10-16 | 湖州师范学院 | 基于相关分析的阶段划分和故障检测方法 |
CN108229568A (zh) * | 2018-01-09 | 2018-06-29 | 上海海事大学 | 基于k均值聚类算法的岸桥金属结构载荷状态检测方法 |
CN108388234A (zh) * | 2018-03-19 | 2018-08-10 | 宁波大学 | 一种基于相关性划分多变量块pca模型的故障监测方法 |
CN108388234B (zh) * | 2018-03-19 | 2020-06-16 | 宁波大学 | 一种基于相关性划分多变量块pca模型的故障监测方法 |
CN109085816A (zh) * | 2018-09-18 | 2018-12-25 | 兰州理工大学 | 一种基于动态正交的全局局部间歇过程故障检测方法 |
CN109085816B (zh) * | 2018-09-18 | 2021-04-13 | 兰州理工大学 | 一种基于动态正交的全局局部间歇过程故障检测方法 |
CN109212971A (zh) * | 2018-10-11 | 2019-01-15 | 海南师范大学 | 多阶段间歇过程2d线性二次跟踪容错控制方法 |
CN109212971B (zh) * | 2018-10-11 | 2022-02-18 | 海南师范大学 | 多阶段间歇过程2d线性二次跟踪容错控制方法 |
CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN109932908B (zh) * | 2019-03-20 | 2022-03-01 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN112508320A (zh) * | 2020-09-21 | 2021-03-16 | 浙江大学 | 一种批生产的自动过程阶段划分工作流 |
CN112863541A (zh) * | 2020-12-31 | 2021-05-28 | 福州数据技术研究院有限公司 | 一种基于聚类和中值收敛的音频切割方法和系统 |
CN112863541B (zh) * | 2020-12-31 | 2024-02-09 | 福州数据技术研究院有限公司 | 一种基于聚类和中值收敛的音频切割方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102431136B (zh) | 2014-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102431136B (zh) | 一种基于多向主元分析法的多阶段批次过程阶段划分方法 | |
CN103116306B (zh) | 一种自动的步进式有序时段划分方法 | |
CN103336507B (zh) | 基于多模态协同时段自动划分的统计建模与在线监测方法 | |
CN103777627B (zh) | 一种基于少量批次的批次过程在线监测方法 | |
CN108664009B (zh) | 基于相关分析的阶段划分和故障检测方法 | |
CN107909179B (zh) | 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法 | |
CN102789545A (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
CN102129525B (zh) | 汽轮机组振动与过程信号异常搜索分析方法 | |
CN103310095A (zh) | 间歇过程质量指标软测量方法 | |
CN104932263A (zh) | 一种多阶段间歇过程的最小运行时间控制方法 | |
CN109647899B (zh) | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 | |
CN104571077B (zh) | 设备的监视诊断装置 | |
CN107526875A (zh) | 一种航空叶片型面加工误差可视化方法 | |
CN102004444A (zh) | 稀土萃取过程组分含量多模型预测控制方法 | |
CN103488091A (zh) | 一种数据驱动的基于动态成分分析的控制过程监控方法 | |
CN106803253A (zh) | 岩石三维图像裂缝提取方法 | |
CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
CN109669415A (zh) | 一种基于结构化典型变量分析的动态过程监测方法 | |
Faure et al. | Using self-organizing maps for clustering anc labelling aircraft engine data phases | |
CN108334674A (zh) | 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法 | |
Tian et al. | An outliers detection method of time series data for soft sensor modeling | |
CN115077640A (zh) | 一种城市固废焚烧过程主蒸汽流量实时预测方法 | |
CN112329191A (zh) | 一种多模态过程中模态辨识方法和过渡模态故障检测方法 | |
Zhu et al. | Development of energy efficiency principal component analysis model for factor extraction and efficiency evaluation in large‐scale chemical processes | |
Valivullah et al. | Manufacturing process information models for sustainable manufacturing |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141105 Termination date: 20200916 |
|
CF01 | Termination of patent right due to non-payment of annual fee |