CN105511445A - 基于局部近邻标准化矩阵的多模态过程故障检测方法 - Google Patents
基于局部近邻标准化矩阵的多模态过程故障检测方法 Download PDFInfo
- Publication number
- CN105511445A CN105511445A CN201510869509.4A CN201510869509A CN105511445A CN 105511445 A CN105511445 A CN 105511445A CN 201510869509 A CN201510869509 A CN 201510869509A CN 105511445 A CN105511445 A CN 105511445A
- Authority
- CN
- China
- Prior art keywords
- mode
- data
- modal
- batch
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24033—Failure, fault detection and isolation
Abstract
基于局部近邻标准化矩阵的多模态过程故障检测方法,涉及工业过程故障检测方法,将正常状态下的历史数据作为建模数据的训练集,利用局部近邻标准化矩阵方法进行多模态过程建模和故障检测。首先,运用局部加权算法对不等长批次数据进行预处理。在训练样本中确定不等长数据的最大可保留长度,利用<i>k</i>近邻信息,通过加权重构出不等长批次缺失的数据点。其次,对等长的训练集构造主局部近邻标准化矩阵,运用K-means算法进行模态聚类,使用局部离群因子方法剔除各模态的离群样本。该方法可以避免信息的丢失影响多模态过程的模态聚类效果,同时剔除离群点,通过构造主次局部近邻标准化矩阵使得多模态间歇过程故障诊断结果更加准确。
Description
技术领域
本发明涉及工业过程故障检测方法,特别是涉及一种基于局部近邻标准化矩阵的多模态过程故障检测方法。
背景技术
为了满足市场需求和原料等变化,生产高价值和多样性产品的多模态过程更加普遍。多模态间歇过程相对于传统的间歇过程更加复杂,具有严重的非线性、时变性和多工况等特征,使得多模态间歇过程的故障诊断更加具有挑战性。近年来,许多学者通过不同角度分析多模态工业过程,并提出了多种故障诊断方法。这些方法不需要假设数据服从单一分布,对具有复杂数据分布的化工过程有较好的监控效果,为多模态过程故障检测和诊断开辟了新的途径。然而这些多模态故障诊断方法用于间歇过程时,需要假设间歇生产过程数据是等长的,且数据是没有污染的。
由于间歇过程的生产特点,不同的批次生产周期不同,不可避免地还会出现不等长批次问题。另一方面,现场过程数据中不可避免的包含不同程度的误差、测量噪声和系统噪声等,这些问题会给数据带来一定的污染,使得多模态生产过程数据产生局部的离群点。这种离群点会使主元方向发生偏移,在进行故障检测前,如果不对这类数据进行分析和预处理,就会影响最终故障诊断的准确性。如何保证避免信息的丢失,目前还没有一种对多模态的不等长间歇过程进行故障检测的方法。
发明内容
本发明的目的在于提供一种基于局部近邻标准化矩阵的多模态过程故障检测方法,该方法可以避免信息的丢失影响多模态过程的模态聚类效果,同时剔除离群点,通过构造主次局部近邻标准化矩阵(localneighbornormalizedmatrix,LNNM)使得多模态间歇过程故障诊断结果更加准确。
本发明的目的是通过以下技术方案实现的:
基于局部近邻标准化矩阵的多模态过程故障检测方法,所述方法包括以下过程:
首先,将生产过程中采集批次数据作为建模数据的训练集,运用局部加权算法对较短批次的缺失数据进行恢复,使不等长的批次数据变为等长的;对等长训练样本的主局部近邻标准化矩阵运用K-means方法进行模态聚类,使用局部离群因子方法剔除各模态的离群样本;运用MPCA分别建立各个模态的模型,并计算各模态的统计量及统计量的匹配系数和统一的控制限;对于新来的批次样本进行预处理后,构造次局部近邻标准化矩阵,运用训练样本的模态标签和K-means方法判断所属的模态,将其投影到相应模态MPCA模型上,运用对应模态的匹配系数计算统一的统计量;根据统计量是否超过控制限来判断该批次数据是否正常,如果统计量超过控制限,则该批次数据是故障的,否则是正常的;如果测试表明系统出现故障,则需要及时查明情况,排除险情。
所述的基于局部近邻标准化矩阵的多模态过程故障检测方法,所述建模包括不等长批次的预处理模型、正常状态模型以及故障检测模型;对于工业过程中的数据,运用局部加权算法对较短批次的缺失数据进行恢复,使不等长的批次数据变为等长的;对等长训练样本的主局部近邻标准化矩阵运用K-means方法进行模态聚类,使用局部离群因子方法剔除各模态的离群样本;运用MPCA分别建立各个模态的模型;将新来时刻数据预处理后运用相应模态的MPCA模型进行故障检测。
所述的基于局部近邻标准化矩阵的多模态过程故障检测方法,所述不等长批次的预处理模型利用kNN规则找到较短批次相应的k个近邻,各个近邻样本的权重由各个近邻所占的相关距离大小确定,利用k个近邻和其权重重构较短批次中缺失的数据。在较短批次样本的局部信息中提取缺失数据的相关信息,能够避免其它样本对较短批次样本的干扰,提高不等长批次预处理的精确度。
所述的基于局部近邻标准化矩阵的多模态过程故障检测方法,所述正常状态模型对等长训练样本的主局部近邻标准化矩阵运用K-means方法进行模态聚类,使用局部离群因子方法剔除各模态的离群样本;运用MPCA分别建立各个模态的模型,并计算各模态的统计量和统计量的匹配系数,确定进行多模态故障诊断的统一控制限。
所述的基于局部近邻标准化矩阵的多模态过程故障检测方法,所述故障检测模型对于新来的批次样本进行预处理后,构造次局部近邻标准化矩阵,运用训练样本的模态标签和K-means方法判断所属的模态,将其投影到相应模态的MPCA模型上,运用对应模态的匹配系数计算统一的统计量。
本发明的优点与效果是:
1.本发明能有效的保留不等长数据的信息,避免建模数据信息的缺失和不完善。由于间歇过程的生产特点,不同的批次生产周期不同,不可避免地还会出现不等长批次问题。运用局部加权算法对较短批次的缺失数据进行恢复,使不等长的批次数据变为等长的,避免建模数据信息的缺失和不完善。
2.本发明有效地剔除离群点,提高模型的准确度。现场过程数据中不可避免的包含不同程度的误差、测量噪声和系统噪声等,这些问题会给数据带来一定的污染,使得多模态生产过程数据产生局部的离群点。这种离群点会使主元方向发生偏移,在进行故障检测前,如果不对这类数据进行分析和预处理,就会影响最终故障诊断的准确性。本发明利用局部离群因子方法剔除离群点,减少边缘建模数据的偏离程度,突显故障数据与边缘建模数据的差异,提高模型的准确度。
3.本发明不仅提高多模态过程故障检测算法的性能,而且降低了维数。由样本数据构造局部近邻标准化矩阵可以有效地突显各个模态的轮廓特征,准确捕捉模态间和模态内的非线性位置关系,降低误报和漏报,提高多模态过程故障检测算法的性能。与此同时,局部近邻标准化矩阵也起到了降低维数的作用。
附图说明
图1为本发明基于局部近邻标准化矩阵的多模态故障检测的流程图。
具体实施方式
下面结合实施例对本发明进行详细说明。
本发明是运用局部加权算法对不等长批次过程进行预处理,把不等长批次处理成等长批次。在预处理的基础上,对等长的训练集构造主局部近邻标准化矩阵,运用K-means算法进行模态聚类,使用局部离群因子方法剔除各模态的离群样本,然后对各个模态建立MPCA模型进行间歇过程故障检测。本技术解决了间歇生产过程中的不等长批次和多模态过程的故障检测问题。为了更好的进行模态聚类,需要找到突显各模态特性的统计特征。本发明提出运用局部近邻标准化矩阵,通过K-means聚类算法,最终对各模态进行准确地聚类。
基于局部近邻标准化矩阵的故障检测技术:为了进行过程故障检测,需要利用已知的正常数据建模,然后对新来的数据进行检测。本发明将采集到的正常历史数据作为建模数据的训练集,利用局部近邻标准化矩阵、K-means聚类和MPCA方法进行建模和在线故障检测。将训练集进行等长预处理以后,构造主局部近邻标准化矩阵,运用K-means算法进行模态聚类,使用局部离群因子方法剔除各模态的离群样本。对各个模态分别建立MPCA模型,并计算各模态的统计量和匹配系数,确定进行多模态故障诊断的统一控制限。对于新来的批次样本进行预处理后,构造次局部近邻标准化矩阵,运用训练样本的模态标签和K-means方法判断所属的模态,将其投影到相应模态的MPCA模型上,运用对应模态的匹配系数计算统一的统计量。根据统计量是否超过建模的控制限来判断该时刻的数据是否正常。
软件系统:为了能够实现故障检测,本发明采用MathWorks公司的MALTAB软件编程开发,对工业过程中采集到的批次数据进行检测,当待测批次的统计量超过控制限时,则该批次样本是故障的,即系统出现故障,需要工作人员及时查明情况,排除险情。
本发明由以下三部分组成:不等长批次的预处理模型、正常状态模型、故障检测模型。对工业过程中的正常历史数据,运用局部加权算法对较短批次的缺失数据进行恢复,使不等长的批次数据变为等长的。对等长训练样本的主局部近邻标准化矩阵运用K-means方法进行模态聚类,使用局部离群因子方法剔除各模态的离群样本。运用MPCA分别建立各个模态的模型,并计算各模态的统计量和统计量的匹配系数,确定进行多模态故障检测的统一控制限。
对于新来的批次样本进行预处理后,构造次局部近邻标准化矩阵,运用训练样本的模态标签和K-means方法判断所属的模态,将其投影到相应模态的MPCA模型上进行降维,利用对应模态的匹配系数计算统一的统计量。根据统计量是否超过控制限来判断该批次是否正常。如果统计量超过控制限,则该批次数据是故障的;否则是正常的。实现了基于局部近邻标准化矩阵的多模态过程故障检测。
本发明利用局部加权方法处理不等长的间歇过程数据,可以避免信息的丢失影响多模态过程的模态聚类效果。在此基础上剔除各模态的离群点,由样本数据构造局部近邻标准化矩阵,放大了各个模态的特征,与此同时,也起到了降低维数的作用。通过对该矩阵的聚类,实现了自适应跟随模态分离,可以准确的建立多模态分离模型,提高多模态故障检测模型的精确度。
Claims (6)
1.基于局部近邻标准化矩阵的多模态过程故障检测方法,其特征在于,所述方法包括以下过程:
首先,将生产过程中采集批次数据作为建模数据的训练集,运用局部加权算法对较短批次的缺失数据进行恢复,使不等长的批次数据变为等长的;对等长训练样本的主局部近邻标准化矩阵运用K-means方法进行模态聚类,使用局部离群因子方法剔除各模态的离群样本;运用MPCA分别建立各个模态的模型,并计算各模态的统计量及统计量的匹配系数和统一的控制限;对于新来的批次样本进行预处理后,构造次局部近邻标准化矩阵,运用训练样本的模态标签和K-means方法判断所属的模态,将其投影到相应模态MPCA模型上,运用对应模态的匹配系数计算统一的统计量;根据统计量是否超过控制限来判断该批次数据是否正常,如果统计量超过控制限,则该批次数据是故障的,否则是正常的;如果测试表明系统出现故障,则需要及时查明情况,排除险情。
2.根据权利要求1所述的基于局部近邻标准化矩阵的多模态过程故障检测方法,其特征在于,所述建模包括不等长批次的预处理模型、正常状态模型以及故障检测模型;对于工业过程中的数据,运用局部加权算法对较短批次的缺失数据进行恢复,使不等长的批次数据变为等长的;对等长训练样本的主局部近邻标准化矩阵运用K-means方法进行模态聚类,使用局部离群因子方法剔除各模态的离群样本;运用MPCA分别建立各个模态的模型;将新来时刻数据预处理后运用相应模态的MPCA模型进行故障检测。
3.根据权利要求1所述的基于局部近邻标准化矩阵的多模态过程故障检测方法,其特征在于,所述不等长批次的预处理模型利用kNN规则找到较短批次相应的k个近邻,各个近邻样本的权重由各个近邻所占的相关距离大小确定,利用k个近邻和其权重重构较短批次中缺失的数据。
4.在较短批次样本的局部信息中提取缺失数据的相关信息,能够避免其它样本对较短批次样本的干扰,提高不等长批次预处理的精确度。
5.根据权利要求1所述的基于局部近邻标准化矩阵的多模态过程故障检测方法,其特征在于,所述正常状态模型对等长训练样本的主局部近邻标准化矩阵运用K-means方法进行模态聚类,使用局部离群因子方法剔除各模态的离群样本;运用MPCA分别建立各个模态的模型,并计算各模态的统计量和统计量的匹配系数,确定进行多模态故障诊断的统一控制限。
6.根据权利要求1所述的基于局部近邻标准化矩阵的多模态过程故障检测方法,其特征在于,所述故障检测模型对于新来的批次样本进行预处理后,构造次局部近邻标准化矩阵,运用训练样本的模态标签和K-means方法判断所属的模态,将其投影到相应模态的MPCA模型上,运用对应模态的匹配系数计算统一的统计量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510869509.4A CN105511445B (zh) | 2015-12-01 | 2015-12-01 | 基于局部近邻标准化矩阵的多模态过程故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510869509.4A CN105511445B (zh) | 2015-12-01 | 2015-12-01 | 基于局部近邻标准化矩阵的多模态过程故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105511445A true CN105511445A (zh) | 2016-04-20 |
CN105511445B CN105511445B (zh) | 2018-03-30 |
Family
ID=55719508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510869509.4A Expired - Fee Related CN105511445B (zh) | 2015-12-01 | 2015-12-01 | 基于局部近邻标准化矩阵的多模态过程故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105511445B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105955214A (zh) * | 2016-05-26 | 2016-09-21 | 华东理工大学 | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 |
CN106338977A (zh) * | 2016-10-17 | 2017-01-18 | 沈阳化工大学 | 基于差分局部保持投影的非线性过程故障检测方法 |
CN106338981A (zh) * | 2016-09-23 | 2017-01-18 | 沈阳化工大学 | 动态多向局部离群因子算法的间歇过程在线故障检测方法 |
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 |
CN106444706A (zh) * | 2016-09-22 | 2017-02-22 | 宁波大学 | 基于数据邻域特征保持的工业过程故障检测方法 |
CN106483942A (zh) * | 2016-09-20 | 2017-03-08 | 广东家易科技有限公司 | 一种半导体制造设备和工艺的智能控制系统及方法 |
CN106548191A (zh) * | 2016-09-23 | 2017-03-29 | 沈阳化工大学 | 基于集成核局部保持投影的连续过程故障检测方法 |
CN108732931A (zh) * | 2018-05-17 | 2018-11-02 | 北京化工大学 | 一种基于jit-rvm的多模态间歇过程建模方法 |
CN108920863A (zh) * | 2018-07-20 | 2018-11-30 | 湖南大学 | 一种机器人伺服系统能耗估计模型的建立方法 |
CN110543166A (zh) * | 2019-09-18 | 2019-12-06 | 河南工学院 | 一种加权k近邻标准化方法的多模态工业过程故障检测方法 |
CN113741364A (zh) * | 2021-08-26 | 2021-12-03 | 上海应用技术大学 | 一种基于改进t-SNE的多模态化工过程故障检测方法 |
CN116628564A (zh) * | 2023-04-20 | 2023-08-22 | 上海宇佑船舶科技有限公司 | 用于检测发电机状态的模型训练方法和系统 |
CN117742304A (zh) * | 2024-02-09 | 2024-03-22 | 珠海市南特金属科技股份有限公司 | 曲轴双顶车控制系统的故障诊断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1546823B1 (de) * | 2002-09-30 | 2006-08-02 | Gerhard Kranner | Verfahren zur rechnergestützten erstellung von prognosen für operative systeme sowie system zur erstellung von prognosen für operative systeme |
KR100858770B1 (ko) * | 2005-12-15 | 2008-09-16 | 오므론 가부시키가이샤 | 프로세스 이상 분석 장치 및 프로그램 기록매체 |
CN103279123A (zh) * | 2013-05-21 | 2013-09-04 | 沈阳化工大学 | 对间歇控制系统进行分段故障监视的方法 |
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 |
CN104808648A (zh) * | 2015-03-09 | 2015-07-29 | 杭州电子科技大学 | 一种基于k近邻的批次过程在线实时监测方法 |
-
2015
- 2015-12-01 CN CN201510869509.4A patent/CN105511445B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1546823B1 (de) * | 2002-09-30 | 2006-08-02 | Gerhard Kranner | Verfahren zur rechnergestützten erstellung von prognosen für operative systeme sowie system zur erstellung von prognosen für operative systeme |
KR100858770B1 (ko) * | 2005-12-15 | 2008-09-16 | 오므론 가부시키가이샤 | 프로세스 이상 분석 장치 및 프로그램 기록매체 |
CN103279123A (zh) * | 2013-05-21 | 2013-09-04 | 沈阳化工大学 | 对间歇控制系统进行分段故障监视的方法 |
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 |
CN104808648A (zh) * | 2015-03-09 | 2015-07-29 | 杭州电子科技大学 | 一种基于k近邻的批次过程在线实时监测方法 |
Non-Patent Citations (3)
Title |
---|
JINYU GUO 等: "MPCA fault detection method based on multiblock statistics for uneven-length batch processes", 《JOURNAL OF COMPUTATIONAL INFORMATION SYSTEMS》 * |
郭金玉 等: "基于统计特征的不等长间歇过程故障诊断研究", 《计算机应用研究》 * |
马贺贺 等: "基于马氏距离局部离群因子方法的复杂化工过程故障检测", 《化工学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105955214A (zh) * | 2016-05-26 | 2016-09-21 | 华东理工大学 | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 |
CN105955214B (zh) * | 2016-05-26 | 2018-10-02 | 华东理工大学 | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 |
CN106483942B (zh) * | 2016-09-20 | 2019-06-04 | 孙敬玺 | 一种半导体制造设备和工艺的智能控制系统及方法 |
CN106483942A (zh) * | 2016-09-20 | 2017-03-08 | 广东家易科技有限公司 | 一种半导体制造设备和工艺的智能控制系统及方法 |
CN106444706A (zh) * | 2016-09-22 | 2017-02-22 | 宁波大学 | 基于数据邻域特征保持的工业过程故障检测方法 |
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 |
CN106444706B (zh) * | 2016-09-22 | 2018-08-17 | 宁波大学 | 基于数据邻域特征保持的工业过程故障检测方法 |
CN106548191A (zh) * | 2016-09-23 | 2017-03-29 | 沈阳化工大学 | 基于集成核局部保持投影的连续过程故障检测方法 |
CN106338981A (zh) * | 2016-09-23 | 2017-01-18 | 沈阳化工大学 | 动态多向局部离群因子算法的间歇过程在线故障检测方法 |
CN106338977A (zh) * | 2016-10-17 | 2017-01-18 | 沈阳化工大学 | 基于差分局部保持投影的非线性过程故障检测方法 |
CN108732931A (zh) * | 2018-05-17 | 2018-11-02 | 北京化工大学 | 一种基于jit-rvm的多模态间歇过程建模方法 |
CN108920863A (zh) * | 2018-07-20 | 2018-11-30 | 湖南大学 | 一种机器人伺服系统能耗估计模型的建立方法 |
CN108920863B (zh) * | 2018-07-20 | 2021-02-09 | 湖南大学 | 一种机器人伺服系统能耗估计模型的建立方法 |
CN110543166A (zh) * | 2019-09-18 | 2019-12-06 | 河南工学院 | 一种加权k近邻标准化方法的多模态工业过程故障检测方法 |
CN113741364A (zh) * | 2021-08-26 | 2021-12-03 | 上海应用技术大学 | 一种基于改进t-SNE的多模态化工过程故障检测方法 |
CN116628564A (zh) * | 2023-04-20 | 2023-08-22 | 上海宇佑船舶科技有限公司 | 用于检测发电机状态的模型训练方法和系统 |
CN116628564B (zh) * | 2023-04-20 | 2024-03-12 | 上海宇佑船舶科技有限公司 | 用于检测发电机状态的模型训练方法和系统 |
CN117742304A (zh) * | 2024-02-09 | 2024-03-22 | 珠海市南特金属科技股份有限公司 | 曲轴双顶车控制系统的故障诊断方法及系统 |
CN117742304B (zh) * | 2024-02-09 | 2024-05-07 | 珠海市南特金属科技股份有限公司 | 曲轴双顶车控制系统的故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105511445B (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105511445A (zh) | 基于局部近邻标准化矩阵的多模态过程故障检测方法 | |
CN105955241B (zh) | 一种基于联合数据驱动生产过程的质量故障定位方法 | |
CN101963802B (zh) | 批次制程的虚拟量测方法与系统 | |
CN106845526B (zh) | 一种基于大数据融合聚类分析的关联参数故障分类方法 | |
CN104483575A (zh) | 用于非侵入式电力监测的自适应负荷事件检测方法 | |
CN107153409B (zh) | 一种基于缺失变量建模思路的非高斯过程监测方法 | |
CN105955214B (zh) | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 | |
CN110083860A (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN106338981A (zh) | 动态多向局部离群因子算法的间歇过程在线故障检测方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
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 | |
CN103488561A (zh) | 一种在线升级主样本模型的kNN故障检测方法 | |
CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和系统 | |
CN112257767A (zh) | 针对类不均衡数据的产品关键零部件状态分类方法 | |
CN105137354A (zh) | 一种基于神经网络电机故障检测方法 | |
CN104504367A (zh) | 一种基于级联字典的人群异常检测方法及系统 | |
WO2023273249A1 (zh) | 基于tsvm模型的智能电能表自动化检定系统异常检测方法 | |
CN110119579A (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
CN108988496A (zh) | 一种智能变电站二次系统故障的诊断方法、装置及设备 | |
CN111198979A (zh) | 一种用于对输变电可靠性评估大数据进行清洗的方法及系统 | |
CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警系统及方法 | |
CN109389313A (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
Cohen et al. | Fault diagnosis of timed event systems: An exploration of machine learning methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180330 Termination date: 20201201 |