CN102541050A - 一种基于改进支持向量机的化工过程故障诊断方法 - Google Patents

一种基于改进支持向量机的化工过程故障诊断方法 Download PDF

Info

Publication number
CN102541050A
CN102541050A CN201210001539XA CN201210001539A CN102541050A CN 102541050 A CN102541050 A CN 102541050A CN 201210001539X A CN201210001539X A CN 201210001539XA CN 201210001539 A CN201210001539 A CN 201210001539A CN 102541050 A CN102541050 A CN 102541050A
Authority
CN
China
Prior art keywords
matrix
training sample
chemical process
class
type
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.)
Pending
Application number
CN201210001539XA
Other languages
English (en)
Inventor
叶海山
王宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201210001539XA priority Critical patent/CN102541050A/zh
Publication of CN102541050A publication Critical patent/CN102541050A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Automatic Analysis And Handling Materials Therefor (AREA)

Abstract

本发明公开了一种基于改进支持向量机的化工过程故障诊断方法，该方法将改进的支持向量机应用于化工过程故障诊断，判断化工过程是否发生故障，如果发生故障，对故障的类型进行诊断。本发明简单易实现，具有良好的故障诊断效果。

Description

一种基于改进支持向量机的化工过程故障诊断方法
技术领域
本发明涉及一种机器学习和化工过程故障诊断方法，尤其涉及一种化工过程故障的智能诊断方法。 
背景技术
近年来，伴随着计算机技术和控制理论的迅速发展，现代设备的结构越来越复杂，自动化系统的规模越来越大，使得企业的生产效率大大提高，并降低了生产成本。但是，与此同时，伴随着生产过程复杂化、大型化而来的是系统内部和系统之间的相互关联，如果系统一处发生故障，就有可能引起连锁反应，导致整个生产过程不能正常工作。这些故障不仅能够破坏生产，而且可能危及人们的生命安全，带来严重的环境污染，造成巨大的损失。对其进行及时准确地故障诊断以减少化工生产的停产时间，增加生产过程的安全性，无论从效益角度还是安全角度，都具有必要性和迫切性。
主元分析(PCA)在化工过程故障诊断中受欢迎度极高并且应用广泛。PCA将工业过程中采集的复杂信息数据压缩集中到少数几个主元特征信息，来描述整个过程的性能，而且不需要基本过程的解析模型。但是PCA本身具有缺陷，在故障类型的识别方面存在不足。采用以神经网络等软计算模型为主的软测量方法，则容易出现收敛速度慢，极度依赖先验知识，参数调整困难等问题。基于改进的支持向量机化工过程故障诊断方法能够克服PCA方法在能够故障类型的识别方面存在不足，并且能很好的解决神经网络等传统方法收敛速度慢，极度依赖先验知识等困难，具有良好的故障诊断能力。 
发明内容
本发明的目的是针对现有技术的不足，提供一种基于改进支持向量机的化工过程故障诊断方法。
本发明的目的是通过以下技术方案来实现的：一种基于改进支持向量机的化工过程故障诊断方法，包括以下步骤：
（1）将以往化工过程的故障数据作为训练样本集                                                
Figure 201210001539X100002DEST_PATH_IMAGE001
，按不同的故障类型进行分类；
（2）设定构造
Figure 566335DEST_PATH_IMAGE002
最近邻的参数
Figure 936137DEST_PATH_IMAGE002
，根据
Figure 154629DEST_PATH_IMAGE002
值，在训练样本集上构建类内图和类间图
Figure 622836DEST_PATH_IMAGE004
，分别计算权重矩阵
Figure 201210001539X100002DEST_PATH_IMAGE005
和
Figure 593066DEST_PATH_IMAGE006
，并根据
Figure 603748DEST_PATH_IMAGE005
和计算类内散度和类间散度
Figure 201210001539X100002DEST_PATH_IMAGE007
和
Figure 792469DEST_PATH_IMAGE008
，获得训练样本的局部判别信息；
（3）根据局部判别信息计算拉普拉斯矩阵
Figure 201210001539X100002DEST_PATH_IMAGE009
，得到问题的正则化表达；
（4）构造最优化问题并求解；
（5）根据求解得到的最优解构造决策函数，将现场采集到的实时数据输入到该决策函数中，得到判别结果，根据判别结果获得该实时数据所对应的化工过程工作状态，以此来完成化工故障诊断。
本发明的有益效果是，本发明基于改进支持向量机的化工过程故障诊断方法能够克服PCA方法在能够故障类型的识别方面存在不足，并且能很好的解决神经网络等传统方法收敛速度慢，极度依赖先验知识等困难，具有良好的故障诊断能力。
附图说明
图1是改进支持向量机化工过程故障检测方法流程图；
图2连续搅拌釜式反应器CSTR的化工过程图。
具体实施方式
本发明基于改进支持向量机的化工过程故障诊断方法，步骤如下：
1、将以往化工过程的故障数据作为训练样本集
Figure 697157DEST_PATH_IMAGE001
，按不同的故障类型进行分类。
2、设定构造最近邻的参数
Figure 216180DEST_PATH_IMAGE002
，根据
Figure 731475DEST_PATH_IMAGE002
值，在训练样本集
Figure 716749DEST_PATH_IMAGE001
上构建类内图
Figure 88824DEST_PATH_IMAGE003
和类间图
Figure 893969DEST_PATH_IMAGE004
，分别计算权重矩阵和，并根据
Figure 392450DEST_PATH_IMAGE005
和
Figure 950470DEST_PATH_IMAGE006
计算类内散度和类间散度
Figure 541988DEST_PATH_IMAGE007
和
Figure 564171DEST_PATH_IMAGE008
，获得训练样本的局部判别信息。
通过以下3个子步骤获得训练样本的局部判别信息：
2.1、对于训练样本集
Figure 215732DEST_PATH_IMAGE001
中的任意样本点，可以找到它的
Figure 57786DEST_PATH_IMAGE002
个最近邻居，并且在
Figure 452996DEST_PATH_IMAGE011
和这些邻居之间设置带权重的边，这样便构成了图，用
Figure 329685DEST_PATH_IMAGE012
表示
Figure 152147DEST_PATH_IMAGE011
的
Figure 419180DEST_PATH_IMAGE002
个最近邻居。
2.2、在训练样本集
Figure 680398DEST_PATH_IMAGE001
上构建类内图
Figure 349276DEST_PATH_IMAGE003
和类间图
Figure 404957DEST_PATH_IMAGE004
，分别计算权重矩阵
Figure 159286DEST_PATH_IMAGE005
和
Figure 161877DEST_PATH_IMAGE006
。用
Figure 201210001539X100002DEST_PATH_IMAGE013
表示样本
Figure 747580DEST_PATH_IMAGE011
的类标记，
Figure 974162DEST_PATH_IMAGE014
可以分为
Figure 201210001539X100002DEST_PATH_IMAGE015
和；其中表示
Figure 196698DEST_PATH_IMAGE014
中类标记与
Figure 797444DEST_PATH_IMAGE011
相同的训练样本，在
Figure 323103DEST_PATH_IMAGE011
与这些样本之间设置带权值的边，便得到类内图
Figure 667497DEST_PATH_IMAGE003
；
Figure 962212DEST_PATH_IMAGE016
表示
Figure 733859DEST_PATH_IMAGE014
中类标记与
Figure 684497DEST_PATH_IMAGE011
不同的训练样本，在
Figure 629320DEST_PATH_IMAGE011
与这些样本之间设置带权值的边，便得到类间图
Figure 981804DEST_PATH_IMAGE004
。计算图和的权重矩阵
Figure 110800DEST_PATH_IMAGE005
和
Figure 380107DEST_PATH_IMAGE006
，定义为：
Figure 201210001539X100002DEST_PATH_IMAGE017
  ；
Figure 555873DEST_PATH_IMAGE018
  。
2.3、通过下式计算类内散度
Figure 481104DEST_PATH_IMAGE007
和类间散度
Figure 705412DEST_PATH_IMAGE008
，获得训练样本的局部判别信息：
       
Figure 201210001539X100002DEST_PATH_IMAGE019
  ；
       
Figure 94805DEST_PATH_IMAGE020
  。
其中，
Figure 201210001539X100002DEST_PATH_IMAGE021
是决策函数。
3、根据局部判别信息计算拉普拉斯矩阵
Figure 175893DEST_PATH_IMAGE009
，得到问题的正则化表达。
该步骤通过以下两个子步骤来实现：
3.1、计算拉普拉斯矩阵
Figure 588420DEST_PATH_IMAGE009
，计算方式如下：
       
Figure 678736DEST_PATH_IMAGE022
    ；
      
Figure 201210001539X100002DEST_PATH_IMAGE023
    ；
其中，
Figure 860319DEST_PATH_IMAGE024
和
Figure 201210001539X100002DEST_PATH_IMAGE025
是一个对角矩阵，矩阵的元分别是
Figure 377888DEST_PATH_IMAGE005
和的列的和（或者是行的和，因为
Figure 640559DEST_PATH_IMAGE005
和
Figure 942227DEST_PATH_IMAGE006
是对称矩阵）。即
Figure 630697DEST_PATH_IMAGE026
，
Figure 201210001539X100002DEST_PATH_IMAGE027
；
Figure 752237DEST_PATH_IMAGE028
，。
       
Figure 184355DEST_PATH_IMAGE030
   ；
其中，
Figure 201210001539X100002DEST_PATH_IMAGE031
。
3.2、根据拉普拉斯矩阵
Figure 402847DEST_PATH_IMAGE009
构造问题的正则表达式，定义如下：
Figure 199902DEST_PATH_IMAGE032
    ；  
       
Figure 201210001539X100002DEST_PATH_IMAGE033
           ；  
其中，
Figure 871055DEST_PATH_IMAGE034
是不可分样本的惩罚，
Figure 201210001539X100002DEST_PATH_IMAGE035
和
Figure 841285DEST_PATH_IMAGE036
是正则化参数，
Figure 201210001539X100002DEST_PATH_IMAGE037
，
Figure 851966DEST_PATH_IMAGE038
是Gram矩阵。
4、构造最优化问题并求解。
4.1、问题的正则表达式利用Lagrange乘子，我们引入
Figure 201210001539X100002DEST_PATH_IMAGE039
和
Figure 882239DEST_PATH_IMAGE040
这两个乘子，得到：
Figure 201210001539X100002DEST_PATH_IMAGE041
    ；            
并对上式进行求导和化简，得到问题的对偶表达式：
     ；                          
Figure 201210001539X100002DEST_PATH_IMAGE043
       ；                       
其中，，
Figure 201210001539X100002DEST_PATH_IMAGE045
是一个对角矩阵，矩阵元由训练样本的故障类型组成。
4.2、上面的最优化问题是一个二次规划问题，我们可以用求解二次规划的相关算法来求得问题的解。在获得最优解
Figure 742114DEST_PATH_IMAGE046
之后，的最优解
Figure 880971DEST_PATH_IMAGE048
可以通过
Figure 526716DEST_PATH_IMAGE046
得到，可以表示为：
   
Figure 201210001539X100002DEST_PATH_IMAGE049
    。
5、根据求解得到的最优解构造决策函数
Figure 104328DEST_PATH_IMAGE010
，将现场采集到的实时数据输入到该决策函数中，得到判别结果，根据判别结果获得该实时数据所对应的化工过程工作状态，以此来完成化工故障诊断。
    下面根据实施例对本发明作进一步说明。
实施例
连续搅拌釜式反应器CSTR( Continuous Stired-Tank Reactor)是化工过程中常见的开环渐进稳定系统。CSTR内进行的是一个不可逆的一阶放热反应。考虑该CSTR可能会发生的主要故障有进料浓度偏高或偏低，进料温度偏高或偏低，其中偏离稳态值10%~20%被认为是小故障，偏离稳态值20%以上被认为是大故障，0~10%之间被认为是许可的正常情况，包括稳态，共有9种系统状态。
1）我们从以往的记录这9种状态的数据中，选取200组作为训练样本集
Figure 824022DEST_PATH_IMAGE001
。 100组作为测试样本集。
2）设定构造
Figure 196097DEST_PATH_IMAGE002
最近邻的参数
Figure 266822DEST_PATH_IMAGE002
为6。在训练样本集上构建类内图
Figure 222325DEST_PATH_IMAGE003
和类间图
Figure 702985DEST_PATH_IMAGE004
，分别计算权重矩阵
Figure 323322DEST_PATH_IMAGE005
和
Figure 977158DEST_PATH_IMAGE006
，并根据
Figure 671444DEST_PATH_IMAGE005
和
Figure 650901DEST_PATH_IMAGE006
计算类内散度和类间散度
Figure 430639DEST_PATH_IMAGE007
和
Figure 888165DEST_PATH_IMAGE008
，获得训练样本的局部判别信息；
3）计算
Figure 702537DEST_PATH_IMAGE009
，得到问题的正则化表达；
4）选取适当的核函数和参数，构造最优化问题并求解；
5）根据求解得到的最优解构造决策函数，得到化工故障诊断所需的判别函数
Figure 587316DEST_PATH_IMAGE010
。将100组测试样本进行测试，获得对CSTR过程的故障诊断准确率。

Claims (4)

1.一种基于改进支持向量机的化工过程故障诊断方法，其特征在于，包括以下步骤：
（1）将以往化工过程的故障数据作为训练样本集                                                
Figure 201210001539X100001DEST_PATH_IMAGE001
，按不同的故障类型进行分类；
（2）设定构造最近邻的参数
Figure 6020DEST_PATH_IMAGE002
，根据值，在训练样本集
Figure 474227DEST_PATH_IMAGE001
上构建类内图
Figure 201210001539X100001DEST_PATH_IMAGE003
和类间图
Figure 772353DEST_PATH_IMAGE004
，分别计算权重矩阵
Figure 201210001539X100001DEST_PATH_IMAGE005
和
Figure 845351DEST_PATH_IMAGE006
，并根据
Figure 813307DEST_PATH_IMAGE005
和
Figure 909439DEST_PATH_IMAGE006
计算类内散度和类间散度
Figure 201210001539X100001DEST_PATH_IMAGE007
和
Figure 417781DEST_PATH_IMAGE008
，获得训练样本的局部判别信息；
（3）根据局部判别信息计算拉普拉斯矩阵，得到问题的正则化表达；
（4）构造最优化问题并求解；
（5）根据求解得到的最优解构造决策函数，将现场采集到的实时数据输入到该决策函数中，得到判别结果，根据判别结果获得该实时数据所对应的化工过程工作状态，以此来完成化工故障诊断。
2.一种基于改进支持向量机的化工过程故障诊断方法，其特征在于，所述步骤（2）通过以下三个子步骤获得训练样本的局部判别信息：
（2.1）对于训练样本集中的任意样本点
Figure 201210001539X100001DEST_PATH_IMAGE011
，可以找到它的
Figure 395467DEST_PATH_IMAGE002
个最近邻居，并且在
Figure 645183DEST_PATH_IMAGE011
和这些邻居之间设置带权重的边，这样便构成了图，用
Figure 692774DEST_PATH_IMAGE012
表示
Figure 2532DEST_PATH_IMAGE011
的
Figure 135573DEST_PATH_IMAGE002
个最近邻居；
（2.2）在训练样本集
Figure 188980DEST_PATH_IMAGE001
上构建类内图
Figure 28760DEST_PATH_IMAGE003
和类间图
Figure 571737DEST_PATH_IMAGE004
，分别计算权重矩阵
Figure 864178DEST_PATH_IMAGE005
和
Figure 721275DEST_PATH_IMAGE006
；用
Figure 201210001539X100001DEST_PATH_IMAGE013
表示样本
Figure 477879DEST_PATH_IMAGE011
的类标记，
Figure 191757DEST_PATH_IMAGE014
可以分为
Figure 201210001539X100001DEST_PATH_IMAGE015
和
Figure 299390DEST_PATH_IMAGE016
；其中
Figure 694599DEST_PATH_IMAGE015
表示
Figure 243392DEST_PATH_IMAGE014
中类标记与
Figure 393751DEST_PATH_IMAGE011
相同的训练样本，在
Figure 660784DEST_PATH_IMAGE011
与这些样本之间设置带权值的边，便得到类内图
Figure 594105DEST_PATH_IMAGE003
；表示中类标记与
Figure 135311DEST_PATH_IMAGE011
不同的训练样本，在
Figure 137902DEST_PATH_IMAGE011
与这些样本之间设置带权值的边，便得到类间图
Figure 661287DEST_PATH_IMAGE004
；计算图
Figure 887869DEST_PATH_IMAGE003
和
Figure 129495DEST_PATH_IMAGE004
的权重矩阵和，定义为：
Figure 201210001539X100001DEST_PATH_IMAGE017
  ；
Figure 773469DEST_PATH_IMAGE018
  ；
（2.3）通过下式计算类内散度
Figure 236811DEST_PATH_IMAGE007
和类间散度，获得训练样本的局部判别信息：
       
Figure 201210001539X100001DEST_PATH_IMAGE019
  ；
         ；
其中，
Figure 201210001539X100001DEST_PATH_IMAGE021
是决策函数。
3.一种基于改进支持向量机的化工过程故障诊断方法，其特征在于，所述步骤（3）通过以下两个子步骤来实现：
（3.1）计算拉普拉斯矩阵
Figure 709884DEST_PATH_IMAGE009
，计算方式如下：
       
Figure 926101DEST_PATH_IMAGE022
    ；
    
Figure 201210001539X100001DEST_PATH_IMAGE023
    ；
其中，
Figure 870924DEST_PATH_IMAGE024
和
Figure 201210001539X100001DEST_PATH_IMAGE025
是一个对角矩阵，矩阵的元分别是
Figure 285724DEST_PATH_IMAGE005
和
Figure 962693DEST_PATH_IMAGE006
的列的和（或者是行的和，因为
Figure 462945DEST_PATH_IMAGE005
和
Figure 149141DEST_PATH_IMAGE006
是对称矩阵）；即
Figure 356131DEST_PATH_IMAGE026
，
Figure 201210001539X100001DEST_PATH_IMAGE027
；
Figure 531898DEST_PATH_IMAGE028
，
Figure 201210001539X100001DEST_PATH_IMAGE029
；
        
Figure 519445DEST_PATH_IMAGE030
   ；
其中，；
（3.2）根据拉普拉斯矩阵
Figure 806070DEST_PATH_IMAGE009
构造问题的正则表达式，定义如下：
Figure 133146DEST_PATH_IMAGE032
    ；  
       
Figure 201210001539X100001DEST_PATH_IMAGE033
           ；  
其中，
Figure 479814DEST_PATH_IMAGE034
是不可分样本的惩罚，
Figure 201210001539X100001DEST_PATH_IMAGE035
和是正则化参数，，
Figure 717077DEST_PATH_IMAGE038
是Gram矩阵。
4.一种基于改进支持向量机的化工过程故障诊断方法，其特征在于，所述步骤（4）通过以下两个子步骤来实现：
（4.1）问题的正则表达式利用Lagrange乘子，我们引入
Figure 201210001539X100001DEST_PATH_IMAGE039
和
Figure 960977DEST_PATH_IMAGE040
这两个乘子，得到：
Figure 201210001539X100001DEST_PATH_IMAGE041
    ；            
并对上式进行求导和化简，得到问题的对偶表达式：
Figure 478546DEST_PATH_IMAGE042
     ；                          
       ；                       
其中，，是一个对角矩阵，矩阵元由训练样本的故障类型组成；
（4.2）上面的最优化问题是一个二次规划问题，我们可以用求解二次规划的相关算法来求得问题的解；在获得最优解
Figure 6796DEST_PATH_IMAGE046
之后，
Figure 201210001539X100001DEST_PATH_IMAGE047
的最优解
Figure 105202DEST_PATH_IMAGE048
可以通过
Figure 793673DEST_PATH_IMAGE046
得到，可以表示为：
    
Figure 201210001539X100001DEST_PATH_IMAGE049
    。
CN201210001539XA 2012-01-05 2012-01-05 一种基于改进支持向量机的化工过程故障诊断方法 Pending CN102541050A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210001539XA CN102541050A (zh) 2012-01-05 2012-01-05 一种基于改进支持向量机的化工过程故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210001539XA CN102541050A (zh) 2012-01-05 2012-01-05 一种基于改进支持向量机的化工过程故障诊断方法

Publications (1)

Publication Number Publication Date
CN102541050A true CN102541050A (zh) 2012-07-04

Family

ID=46348141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210001539XA Pending CN102541050A (zh) 2012-01-05 2012-01-05 一种基于改进支持向量机的化工过程故障诊断方法

Country Status (1)

Country Link
CN (1) CN102541050A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106545A (zh) * 2013-02-06 2013-05-15 浙江工业大学 散堆填料塔液泛气速预测的集成方法
CN103616889A (zh) * 2013-11-29 2014-03-05 渤海大学 一种重构样本中心的化工过程故障分类方法
CN104731056A (zh) * 2015-01-28 2015-06-24 蓝星（北京）技术中心有限公司 快速判断化工生产装置的运行稳定性的方法及装置
CN105116872A (zh) * 2015-07-13 2015-12-02 哈尔滨工业大学 一种工业过程中基于度量学习与时间序列的故障诊断方法
CN105389595A (zh) * 2015-12-02 2016-03-09 中国石油大学(北京) 一种化工装备长周期运行安全风险雷达监测方法及装置
CN106095928A (zh) * 2016-06-12 2016-11-09 国家计算机网络与信息安全管理中心 一种事件类型识别方法及装置
CN106384130A (zh) * 2016-09-22 2017-02-08 宁波大学 基于数据多近邻局部特征嵌入的故障检测方法
CN106485286A (zh) * 2016-10-29 2017-03-08 华东理工大学 一种基于局部敏感判别的矩阵分类模型
CN110262447A (zh) * 2019-05-24 2019-09-20 南京航空航天大学 一种基于ann的acs闭环系统故障定位方法
CN111639304A (zh) * 2020-06-02 2020-09-08 江南大学 基于Xgboost回归模型的CSTR故障定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464964A (zh) * 2007-12-18 2009-06-24 同济大学 一种设备故障诊断的支持向量机模式识别方法
CN101587155A (zh) * 2009-06-08 2009-11-25 浙江大学 一种油浸式变压器的故障诊断方法
WO2010149935A1 (fr) * 2009-06-25 2010-12-29 Electricite De France Détection de défaut dans un dispositif électrochimique

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464964A (zh) * 2007-12-18 2009-06-24 同济大学 一种设备故障诊断的支持向量机模式识别方法
CN101587155A (zh) * 2009-06-08 2009-11-25 浙江大学 一种油浸式变压器的故障诊断方法
WO2010149935A1 (fr) * 2009-06-25 2010-12-29 Electricite De France Détection de défaut dans un dispositif électrochimique

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曹冲锋: "《改进支持向量机模型的旋转机械故障诊断方法》", 《振动、测试与诊断》, vol. 03, no. 03, 15 September 2009 (2009-09-15) *
陈剑雪: "基于支持向量机的化工过程故障诊断", 《华东理工大学学报》, vol. 03, no. 03, 30 June 2004 (2004-06-30) *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106545A (zh) * 2013-02-06 2013-05-15 浙江工业大学 散堆填料塔液泛气速预测的集成方法
CN103616889A (zh) * 2013-11-29 2014-03-05 渤海大学 一种重构样本中心的化工过程故障分类方法
CN103616889B (zh) * 2013-11-29 2015-12-09 渤海大学 一种重构样本中心的化工过程故障分类方法
CN104731056A (zh) * 2015-01-28 2015-06-24 蓝星（北京）技术中心有限公司 快速判断化工生产装置的运行稳定性的方法及装置
CN105116872A (zh) * 2015-07-13 2015-12-02 哈尔滨工业大学 一种工业过程中基于度量学习与时间序列的故障诊断方法
CN105389595A (zh) * 2015-12-02 2016-03-09 中国石油大学(北京) 一种化工装备长周期运行安全风险雷达监测方法及装置
CN106095928A (zh) * 2016-06-12 2016-11-09 国家计算机网络与信息安全管理中心 一种事件类型识别方法及装置
CN106384130A (zh) * 2016-09-22 2017-02-08 宁波大学 基于数据多近邻局部特征嵌入的故障检测方法
CN106485286A (zh) * 2016-10-29 2017-03-08 华东理工大学 一种基于局部敏感判别的矩阵分类模型
CN110262447A (zh) * 2019-05-24 2019-09-20 南京航空航天大学 一种基于ann的acs闭环系统故障定位方法
CN110262447B (zh) * 2019-05-24 2020-07-28 南京航空航天大学 一种基于ann的acs闭环系统故障定位方法
CN111639304A (zh) * 2020-06-02 2020-09-08 江南大学 基于Xgboost回归模型的CSTR故障定位方法
CN111639304B (zh) * 2020-06-02 2023-02-21 江南大学 基于Xgboost回归模型的CSTR故障定位方法

Similar Documents

Publication Publication Date Title
CN102541050A (zh) 一种基于改进支持向量机的化工过程故障诊断方法
CN105260279B (zh) 基于smart数据动态诊断硬盘故障的方法和装置
CN106844161B (zh) 一种带状态流计算系统中的异常监控及预测方法和系统
Gao et al. An improved SVM integrated GS-PCA fault diagnosis approach of Tennessee Eastman process
Shang et al. Slow feature analysis for monitoring and diagnosis of control performance
Li et al. Rolling element bearing fault detection using support vector machine with improved ant colony optimization
KR20180123951A (ko) 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법
Ji et al. A review on data-driven process monitoring methods: Characterization and mining of industrial data
CN110530650B (zh) 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法
Gaddam et al. Anomaly detection models for detecting sensor faults and outliers in the IoT-a survey
CN101738998B (zh) 一种基于局部判别分析的工业过程监测系统及方法
Yélamos et al. Simultaneous fault diagnosis in chemical plants using a multilabel approach
Qin et al. IIoT-enabled health monitoring for integrated heat pump system using mixture slow feature analysis
CN104699077A (zh) 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法
EP4148523A1 (en) Intelligent asset anomaly prediction via feature generation
CN111652310A (zh) 基于Bagging框架SVM继电器贮存寿命预测方法
Li et al. Fault diagnostic method based on deep learning and multimodel feature fusion for complex industrial processes
Kazemi et al. A practical framework for implementing multivariate monitoring techniques into distributed control system
CN114169254A (zh) 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
He et al. Novel pattern recognition using bootstrap-based discriminant locality-preserving projection and its application to fault diagnosis
Yan et al. Quality-driven autoencoder for nonlinear quality-related and process-related fault detection based on least-squares regularization and enhanced statistics
Tong et al. A novel ellipsoidal semisupervised extreme learning machine algorithm and its application in wind turbine blade icing fault detection
CN110298385A (zh) 一种基于*信息与增量svdd在线早期故障检测方法
CN107544447A (zh) 一种基于核学习的化工过程故障分类方法
CN106195247A (zh) 一种基于大数据管理模式的变速器控制系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120704