CN105676833B - 发电过程控制系统故障检测方法 - Google Patents
发电过程控制系统故障检测方法 Download PDFInfo
- Publication number
- CN105676833B CN105676833B CN201510958658.8A CN201510958658A CN105676833B CN 105676833 B CN105676833 B CN 105676833B CN 201510958658 A CN201510958658 A CN 201510958658A CN 105676833 B CN105676833 B CN 105676833B
- Authority
- CN
- China
- Prior art keywords
- matrix
- spe
- test
- training
- weight coefficient
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 20
- 238000004886 process control Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 155
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000000513 principal component analysis Methods 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种发电过程控制系统故障检测方法，所述方法包括：用主成分分析PCA法对经过降噪、标准化处理后的训练矩阵X进行矩阵分解，采用得分矩阵T作为基矩阵W的初始值W0；用带非负约束的交替最小二乘法迭代求解所述训练矩阵X的基矩阵W和权重系数矩阵H；构造基于非负矩阵分解的监控统计量和SPEn，利用核密度估计法分别计算监控统计量和SPEn的概率密度函数PDF，设置显著水平并分别求取统计量和SPEn的控制限；利用所述权重系数矩阵H和经过数据处理之后的测试矩阵Xtest计算得出所述测试矩阵Xtest基矩阵的近似值分别计算所述测试矩阵Xtest的监控统计量和SPEn，并与相应的所述控制限比较，超过所述控制限则表明有故障发生。本发明能够针对发电过程海量运行数据进行状态监测，进而实现发电过程控制系统的故障诊断。
Description
技术领域
本发明涉及发电技术领域，尤其涉及一种发电过程控制系统故障检测方法。
背景技术
发电过程是一类典型的复杂工业过程，对其控制系统进行故障检测与诊断已经成为控制理论研究的一个重要分支。对于复杂工业过程来说想要建立其精确的数学模型是非常困难的，但是发电过程分散控制系统(Distributed control system，DCS)与监控信息系统(Supervisory information system，SIS)已实现了生产过程的数字化，使运行数据得以长期保存。因此，利用机组正常运行的历史数据建立监视系统运行状态的模型是一个既方便又有效的方法。
如何从大量、高维的运行数据中提取有效的故障特征信息将是至关重要的问题。矩阵分解技术广泛应用于各类学科的研究中，通过矩阵分解可以将原始数据从高维空间投影到低维空间，从而发现原始数据的内在结构特征。常见的传统的矩阵分解方法有：主成分分析(Principal component analysis，PCA)，快速独立主成分分析(Fast Independentcomponent analysis，FastICA)，Fisher判据分析(Fisher discriminant analysis，FDA)等。在这些方法的计算过程中没有对数据进行非负约束使得其计算结果当中可能包含负数，这在数值计算的角度来看是没有问题的。但是，对于绝大多数工业过程来说，其运行数据都是非负的，这就在一定程度上造成了计算结果的不可解释性。同时，传统的PCA方法假设过程变量是服从高斯分布的，然而在复杂工业过程中这个假设很难成立的；Fast ICA算法对初始值的选择要求较高，如果初始值选择的不合适有可能会造成算法不收敛；FDA方法在实现过程中对数据均值信息的依赖程度很高，当处理均值变化不大的数据集时效果不理想。
为此，需要一种实现简便、分解形式和分解结果具有可解释性、以及占用存储空间少的发电过程控制系统故障检测方法。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种发电过程控制系统故障检测方法。
为达到上述目的，本发明实施例的技术方案是这样实现的：
一种发电过程控制系统故障检测方法，所述方法包括：
用主成分分析PCA法对经过降噪、标准化处理后的训练矩阵X进行矩阵分解，采用得分矩阵T作为基矩阵W的初始值W0；
用带非负约束的交替最小二乘法迭代求解所述训练矩阵X的基矩阵W和权重系数矩阵H；
构造基于非负矩阵分解的监控统计量和SPEn，利用核密度估计法分别计算监控统计量和SPEn的概率密度函数PDF，设置显著水平并分别求取统计量和SPEn的控制限；
利用所述权重系数矩阵H和经过数据处理之后的测试矩阵Xtest计算得出所述测试矩阵Xtest基矩阵的近似值分别计算所述测试矩阵Xtest的监控统计量和SPEn，并与相应的所述控制限比较，超过所述控制限则表明有故障发生。
其中，所述用主成分分析PCA法对经过降噪、标准化处理后的训练矩阵X进行矩阵分解，采用得分矩阵T作为基矩阵W的初始值W0，包括：
采集一个系统正常运行时的样本集合矩阵作为所述训练矩阵X，X∈Rn×m，n为数据样本个数，m为变量个数；
对所述训练矩阵X进行数据预处理：用带有遗忘因子的递推方法对数据样本进行降噪；对降噪后的所述训练矩阵X做标准化处理；
采用PCA方法对所述训练矩阵X进行矩阵分解；
采用基于故障信噪比确定所述得分矩阵T的主元个数a，并求得所述得分矩阵T，即基矩阵W的初始值W0。
其中，所述用带非负约束的交替最小二乘法迭代求解所述训练矩阵X的基矩阵W和权重系数矩阵H，包括：将主元分解得到的基矩阵初始值W0标准化；
在传统的交替最小二乘法中引入两个稀疏因子，通过增加所述两个稀疏因子的提高所述基矩阵W和权重系数矩阵H的稀疏程度；运用带约束的交替最小二乘法求解所述基矩阵W和权重系数矩阵H。
其中，所述构造基于非负矩阵分解的监控统计量和SPEn，利用核密度估计法分别计算监控统计量和SPEn的概率密度函数，包括：对所述基矩阵W进行重构，定义重构后的基矩阵为：其中，H为权重系数矩阵，T为得分矩阵，λW为稀疏因子；基于NMF的监控模型将所述训练矩阵X描述为E为残差矩阵；定义基于NMF的监控统计量和SPEn：其中，表示一个样本向量的重构值，II表示a×a的单位矩阵，a为所述得分矩阵T的主元个数；
采用所述核密度估计法估计所述监控统计量和SPEn的PDF，采用高斯核函数为核函数，带宽由广义交叉熵算法求取。
采用所述核密度估计法估计所述监控统计量和SPEn的PDF，包括：
定义训练矩阵X的密度函数f(x)的估计形式为：其中，n是样本个数，h是带宽，K(·)是核函数，满足：u表示变量，x表示需要求概率密度函数的变量的数值，xi表示数列元素；
使下列Csiszár测度达到最小值，即：其中，p(x)为给定数据的先验分布概率，若先验概率未知，则p(x)＝1，g(x)是的另一种表现形式，λ＝[λ1,…,λn]T为拉格朗日乘子；
根据求解得到广义交叉熵问题中带宽的解h*，其中，C为n×n方阵，其元素为熵值，
C和均为带宽h和数据x的函数；
通过将h*带入式计算hopt；
根据hopt以及式计算得到密度函数f(x)，密度函数f(x)即为要估算的PDF。
本发明实施例提供一种发电过程控制系统故障检测方法，能够针对发电过程海量运行数据进行状态监测，进而实现发电过程控制系统的故障诊断，为控制系统优化设计与调试维护提供了先进的检测工具。
附图说明
在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
图1为本发明实施例发电过程控制系统故障检测方法的流程图。
具体实施方式
本发明提供一种基于非负矩阵分解的发电过程控制系统故障检测方法，采用OPC通讯的方式与SIS连接，从SIS数据库中获取发电过程实时或历史运行数据或者在SIS站中进行二次开发也可以实现该方法的所有功能，其流程图如图1所示，包括以下步骤：
步骤101、用PCA对经过降噪、标准化处理后的训练矩阵X进行矩阵分解，采用得分矩阵T作为基矩阵W的初始值W0；
步骤102、用带非负约束的交替最小二乘法(ALS，Alternating Least-squares)迭代求解X的基矩阵W和权重系数矩阵H；
步骤103、构造基于非负矩阵分解的监控统计量和SPEn，利用核密度估计法(KDE，Kernel Density Estimation)分别计算监控统计量和SPEn的概率密度函数(PDF，Probability Density Function)，设置显著水平并分别求取统计量和SPEn的控制限；
步骤104、利用步骤102中分解得到权重系数矩阵H和经过数据处理之后的测试矩阵Xtest计算得出Xtest基矩阵的近似值分别计算Xtest的监控统计量和SPEn并与相应的控制限进行比较，如果超过控制限，则表明有故障发生，反之表明系统运行正常。
其中，步骤101具体可以包括：
步骤11：采集一个系统正常运行时的样本集合矩阵作为训练矩阵X(X∈Rn×m)，n为数据样本个数，m为变量个数；
步骤12：对训练矩阵X进行数据预处理；
1)用带有遗忘因子的递推方法对数据样本进行降噪，其过程可用下式(1)来描述：
x(k)＝λx(k)+(1-λ)x(k-1) (1)
其中，x(k)为第k时刻变量的测量值，λ为遗忘因子，0≤λ≤1，一般取0.4～0.5。
2)对降噪后的训练矩阵X做标准化处理，计算公式如下式(2)：
其中，x(j)为训练集的列向量，为变量均值，s(j)为变量的标准差，s(j)的计算如下式(3)所示：
步骤13：采用PCA方法对训练矩阵X进行矩阵分解；
定义标准化后的样本集合矩阵X协方差矩阵为下式(4)：
对协方差矩阵S进行奇异值分解，S＝U∑VT。
采用PCA对训练矩阵X进行如下分解：
T＝XP (6)
其中，P∈Rm×a为负载矩阵，由V的前a个奇异向量构成，T∈Rn×a为得分矩阵，T的各列被称为主元变量，a表示主元个数，也是得分矩阵的列数，E为残差矩阵，U是进行奇异值分解之后得到的左奇异矩阵；
步骤14：采用基于故障信噪比确定主元个数a；
将某一被测量发生的故障记为fξi，则被测量的输出可以描述为下式(7)：
x＝x*+fξi (7)
其中，x*是被测量正常时的观测值。f是一个标量值，表示故障的幅值。ξi是故障方向向量，描述故障的程度。当被测量发生故障时SPE统计量可以写成下式(8)：
其中，Pa表示主元个数为a时的负载矩阵，将式(7)带入式(8)，可以得到下式(9)：
由于x*标准化后其均值为0、方差为1，因此，令x*＝0，f＝1，定义SPE统计量的故障信噪比为下式(10)：
其中，是故障方向ξi在残差空间投影的平方范数，Qα是Q统计量的控制限。
同理，将式(7)带入T2＝xTPΛ-1PTx得到T2统计量的描述为下式(11)：
T2＝(x*+fξi)TPaλ-1Pa T(x*+fξi) (11)
同样，定义T2统计量的故障信噪比为下式(12)：
其中，分子是故障方向的T2统计量信息，分母是T2统计量的控制限。
从故障检测的几何意义上来讲，统计量与其相应的控制限的比值反映了故障检测的灵敏度，因此，使得故障信噪比取得最大值的主元个数，即为最优主元个数。由T＝XP便可求得得分矩阵，即基矩阵W的初始值W0。
其中，步骤102具体可以包括：
步骤21：将主元分解得到的基矩阵初始值W0标准化；
步骤22：在传统的交替最小二乘法中引入两个稀疏因子λH和λW(λH＞0，λW＞0)，通过增加λH和λW的值可以提高基矩阵W和权重系数矩阵H的稀疏程度。增加约束之后的最小二乘问题可以描述为下式(13)：
其中，xj和hj分别代表X和H的列向量。
步骤23：运用带约束的交替最小二乘法求解基矩阵W和权重系数矩阵H。
1)设定稀疏因子λH和λW的值，以及算法最大迭代次数maxiter；
2)固定W，将W0带入(WTW+λHI)H＝WTX中求解权重系数矩阵H，I表示a×a的单位矩阵，a为所述所述得分矩阵T的主元个数；
3)检查矩阵H中所有元素的大小，将小于0的元素设为0；
4)固定H，将3)中得到的H带入(HHT+λWI)WT＝HXT中求解基矩阵W；
5)检查矩阵W中所有元素的大小，将小于0的元素设为0；
6)判断算法迭代次数是否达到最大次数，是跳出循环，不是继续执行下一步；
7)计算W每列的L2范数，将W的列向量按其L2范数的大小降序排列；
8)将矩阵W标准化；
9)重复执行步骤2)—8)直到算法跳出循环，输出W和H的最终值。
其中，步骤103具体可以包括：
步骤31：对基矩阵W进行重构，定义重构后的基矩阵为下式(14)：
步骤32：基于NMF的监控模型描述训练矩阵X为下式(15)：
参考基于主元分析故障诊断方法中对监控统计量T2和SPE的定义，定义基于NMF的监控统计量和SPEn为下式(16)、(17)所示：
其中，表示一个样本向量的重构值，计算如下式(18)：
步骤33：采用KDE方法估计监控统计量和SPEn的概率密度函数(PDF)。在现实中，训练矩阵X的密度函数f(x)是不能准确得到的，定义其估计形式如下式(19)：
其中，n是样本个数，h是带宽，K(·)是核函数，且满足下式(20)：
在KDE方法中核函数和带宽是需要确定的参数，本申请采用高斯核函数为核函数，带宽由广义交叉熵(GCE)算法求取。
GCE算法的求解目标是使下列Csiszár测度达到最小值，如下式(21)：
其中，Csiszár测度可以理解成表示一种距离，D(g→p)即为Csiszár测度，p(x)为给定数据的先验分布概率，若先验概率未知，则p(x)＝1。g(x)是的另一种表现形式，如下式(22)：
其中，λ＝[λ1,…,λn]T为拉格朗日乘子。
求解GCE问题即求解拉格朗日乘子λ和带宽h，通过凸二次规划问题(CQPP)给出求解式(21)最小化的转化形式如下式(23)：
其中，C为n×n方阵，其元素为熵值，分别计算如下式(24)：
由上式可知，C和均为带宽h和数据矩阵x的函数，u表示变量，x表示需要求概率密度函数的变量的数值，xi表示数列元素，则通过求解式(23)可以得到GCE问题中带宽的解h*，但这并不是KDE问题中式(19)的最优带宽值，要求得式(19)中的带宽最优值还要将h*带入下式(26)计算hopt：
此时，根据hopt以及式(19)计算得到密度函数f(x)，密度函数f(x)即为要估算的PDF，如此，将上文计算得到的监控统计量和SPEn的值带入KDE方法中便可得到其分布情况。设置显著性水平为0.99(实际应用中，显著水平的设置取值还可以是0.95或其他，可以通过查表得到)，分别计算监控统计量和SPEn的控制限和SPEnα。
其中，步骤104具体可以包括：
根据上文求解得到的权重系数矩阵H和测试矩阵经过数据处理之后的Xtest利用式(14)计算得出Xtest基矩阵的近似值分别计算Xtest的监控统计量和SPEn并与相应的控制限进行比较，如果超过控制限则表明有故障发生，反之表明系统运行正常。
以上所述，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。
Claims (4)
1.一种发电过程控制系统故障检测方法，其特征在于，所述方法包括：
用主成分分析PCA法对经过降噪、标准化处理后的训练矩阵X进行矩阵分解，采用得分矩阵T作为基矩阵W的初始值W0；
用带非负约束的交替最小二乘法迭代求解所述训练矩阵X的基矩阵W和权重系数矩阵H；
构造基于非负矩阵分解的监控统计量和SPEn，利用核密度估计法分别计算监控统计量和SPEn的概率密度函数PDF，设置显著水平并分别求取统计量和SPEn的控制限；
利用所述权重系数矩阵H和经过数据处理之后的测试矩阵Xtest计算得出所述测试矩阵Xtest基矩阵的近似值分别计算所述测试矩阵Xtest的监控统计量和SPEn，并与相应的所述控制限比较，超过所述控制限则表明有故障发生；
其中，所述用带非负约束的交替最小二乘法迭代求解所述训练矩阵X的基矩阵W和权重系数矩阵H，包括：
将主元分解得到的基矩阵初始值W0标准化；
在传统的交替最小二乘法中引入两个稀疏因子，通过增加所述两个稀疏因子的提高所述基矩阵W和权重系数矩阵H的稀疏程度；
运用带非负约束的交替最小二乘法求解所述基矩阵W和权重系数矩阵H。
2.根据权利要求1所述的方法，其特征在于，所述用主成分分析PCA法对经过降噪、标准化处理后的训练矩阵X进行矩阵分解，采用得分矩阵T作为基矩阵W的初始值W0，包括：
采集一个系统正常运行时的样本集合矩阵作为所述训练矩阵X，X∈Rn×m，n为数据样本个数，m为变量个数；
对所述训练矩阵X进行数据预处理：用带有遗忘因子的递推方法对数据样本进行降噪；对降噪后的所述训练矩阵X做标准化处理；
采用PCA方法对所述训练矩阵X进行矩阵分解；
采用基于故障信噪比确定所述得分矩阵T的主元个数a，并求得所述得分矩阵T，即基矩阵W的初始值W0。
3.根据权利要求1所述的方法，其特征在于，所述构造基于非负矩阵分解的监控统计量和SPEn，利用核密度估计法分别计算监控统计量和SPEn的概率密度函数，包括：
对所述基矩阵W进行重构，定义重构后的基矩阵为：其中，H为权重系数矩阵，T为得分矩阵，λW为稀疏因子；
基于NMF的监控模型将所述训练矩阵X描述为E为残差矩阵；
定义基于NMF的监控统计量和SPEn： 其中，表示一个样本向量的重构值，I表示a×a的单位矩阵，a为所述得分矩阵T的主元个数；
采用所述核密度估计法估计所述监控统计量和SPEn的PDF，采用高斯核函数为核函数，带宽由广义交叉熵算法求取。
4.根据权利要求1所述的方法，其特征在于，所述采用所述核密度估计法估计所述监控统计量和SPEn的PDF，包括：
定义训练矩阵X的密度函数f(x)的估计形式为：其中，n是数据样本个数，h是带宽，K(·)是核函数，满足：u表示变量，x表示需要求概率密度函数的变量的数值，xi表示数列元素；
使下列Csiszár测度达到最小值，即：其中，p(x)为给定数据的先验分布概率，若先验概率未知，则p(x)＝1，g(x)是的另一种表现形式，λ＝[λ1,…,λn]T为拉格朗日乘子；
根据求解得到广义交叉熵问题中带宽的解h*，其中，C为n×n方阵，其元素为熵值，
C和均为带宽h和数据x的函数；
通过将h*带入式计算hopt；
根据hopt以及式计算得到密度函数f(x)，密度函数f(x)即为要估算的PDF。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510958658.8A CN105676833B (zh) | 2015-12-21 | 2015-12-21 | 发电过程控制系统故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510958658.8A CN105676833B (zh) | 2015-12-21 | 2015-12-21 | 发电过程控制系统故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105676833A CN105676833A (zh) | 2016-06-15 |
| CN105676833B true CN105676833B (zh) | 2018-10-12 |
Family
ID=56297584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510958658.8A Active CN105676833B (zh) | 2015-12-21 | 2015-12-21 | 发电过程控制系统故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105676833B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388233B (zh) * | 2018-03-21 | 2020-07-17 | 北京科技大学 | 一种工控现场设备隐蔽攻击检测方法 |
| JP2019179395A (ja) * | 2018-03-30 | 2019-10-17 | オムロン株式会社 | 異常検知システム、サポート装置および異常検知方法 |
| CN108490923B (zh) * | 2018-04-28 | 2020-09-15 | 南京航空航天大学 | 用于电气牵引系统的微小故障检测与定位的系统设计方法 |
| CN109885029B (zh) * | 2019-03-13 | 2021-07-06 | 东北大学 | 基于投影非负矩阵分解的电熔氧化镁过程故障检测方法 |
| CN110083797B (zh) * | 2019-04-19 | 2023-03-31 | 大禹节水集团股份有限公司 | 一种滴灌管生产线异常实时监测方法及系统 |
| CN110673578B (zh) * | 2019-09-29 | 2022-07-08 | 华北电力大学（保定） | 故障劣化程度确定方法、装置、计算机设备及存储介质 |
| CN110942258B (zh) * | 2019-12-10 | 2022-02-25 | 山东科技大学 | 一种性能驱动的工业过程异常监测方法 |
| CN111160776A (zh) * | 2019-12-30 | 2020-05-15 | 华东理工大学 | 利用分块主成分分析的污水处理过程异常工况检测方法 |
| CN114055251A (zh) * | 2021-12-17 | 2022-02-18 | 沈阳科网通信息技术有限公司 | 一种基于深度分解的电主轴系统早期故障检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102662321A (zh) * | 2012-03-23 | 2012-09-12 | 清华大学 | 一种主元分析监控模型的在线更新方法 |
| CN102982517A (zh) * | 2012-11-02 | 2013-03-20 | 武汉大学 | 基于光谱与空间局部相关的遥感影像融合方法 |
| CN103884359A (zh) * | 2014-04-17 | 2014-06-25 | 哈尔滨工业大学 | 一种基于主元分析算法的卫星陀螺部件故障诊断方法 |
| CN104864985A (zh) * | 2015-05-21 | 2015-08-26 | 南车株洲电力机车研究所有限公司 | 一种列车轴温传感器故障检测方法和装置 |
| CN105067252A (zh) * | 2015-08-23 | 2015-11-18 | 北京工业大学 | 一种基于改进的FastICA的冷水机组故障检测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7421351B2 (en) * | 2006-12-21 | 2008-09-02 | Honeywell International Inc. | Monitoring and fault detection in dynamic systems |
| US20100246920A1 (en) * | 2009-03-31 | 2010-09-30 | Iowa State University Research Foundation, Inc. | Recursive sparse reconstruction |
| US8582907B2 (en) * | 2009-11-09 | 2013-11-12 | Siemens Aktiengesellschaft | Method for reconstruction of magnetic resonance images |
| US9083945B2 (en) * | 2012-04-06 | 2015-07-14 | Adobe Systems Incorporated | Keyframe selection for robust video-based structure from motion |
| CN103150482B (zh) * | 2013-03-28 | 2016-03-16 | 湖南中烟工业有限责任公司 | 一种基于pls确定烘丝工艺参数影响因子的方法 |
| US9727824B2 (en) * | 2013-06-28 | 2017-08-08 | D-Wave Systems Inc. | Systems and methods for quantum processing of data |
| CN104865944B (zh) * | 2014-07-17 | 2017-11-28 | 辽宁石油化工大学 | 基于pca‑lssvm的气分装置控制系统性能评估方法 |
| CN104634872A (zh) * | 2015-01-10 | 2015-05-20 | 哈尔滨工业大学（威海） | 高铁钢轨伤损在线监测方法 |
-
2015
- 2015-12-21 CN CN201510958658.8A patent/CN105676833B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102662321A (zh) * | 2012-03-23 | 2012-09-12 | 清华大学 | 一种主元分析监控模型的在线更新方法 |
| CN102982517A (zh) * | 2012-11-02 | 2013-03-20 | 武汉大学 | 基于光谱与空间局部相关的遥感影像融合方法 |
| CN103884359A (zh) * | 2014-04-17 | 2014-06-25 | 哈尔滨工业大学 | 一种基于主元分析算法的卫星陀螺部件故障诊断方法 |
| CN104864985A (zh) * | 2015-05-21 | 2015-08-26 | 南车株洲电力机车研究所有限公司 | 一种列车轴温传感器故障检测方法和装置 |
| CN105067252A (zh) * | 2015-08-23 | 2015-11-18 | 北京工业大学 | 一种基于改进的FastICA的冷水机组故障检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| Statistical and Causal Model-Based Approaches to Fault Detection and Isolation;Seongkyu Yoon;《Aiche Journal》;20101231;第46卷(第9期);第1813-1824页 * |
| 一种基于核密度估计的模拟电路故障诊断方法;唐静 等;《计算机与数字工程》;20101231;第38卷(第11期);第188-192页 * |
| 二维非负稀疏偏最小二乘在人脸识别中的应用;步文斌 等;《土木建筑与环境工程》;20131231;第35卷;第73-77页 * |
| 基于稀疏主元分析的过程监控研究;彭必灿 等;《计算机工程与应用》;20141231;第50卷(第18期);第240-205页 * |
| 基于稀疏性非负矩阵分解的故障监测方法;王帆 等;《化工学报》;20150531;第66卷(第5期);第1798-1805页 * |
| 非线性主成分分析在电能质量综合评估中的应用;张涛 等;《电测与仪表》;20080630;第45卷(第510期);第5-9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105676833A (zh) | 2016-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105676833B (zh) | 发电过程控制系统故障检测方法 | |
| Angelikopoulos et al. | X-TMCMC: Adaptive kriging for Bayesian inverse modeling | |
| CN108062565B (zh) | 基于化工te过程的双主元-动态核主元分析故障诊断方法 | |
| US10387768B2 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
| Chen et al. | Probability density estimation via an infinite Gaussian mixture model: application to statistical process monitoring | |
| Chen et al. | Probabilistic contribution analysis for statistical process monitoring: A missing variable approach | |
| CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
| CN108958226B (zh) | 基于生存信息势—主成分分析算法的te过程故障检测方法 | |
| CN110579967B (zh) | 基于同时降维和字典学习的过程监控方法 | |
| CN104318243A (zh) | 基于稀疏表示和空谱拉普拉斯图的高光谱数据降维方法 | |
| CN113033618A (zh) | 基于支持向量回归的分层水库取水下泄水温预测模型及预测方法 | |
| Zhao et al. | A significance test for graph‐constrained estimation | |
| Peng et al. | Partial least squares and random sample consensus in outlier detection | |
| Jiang et al. | Fault detection in nonlinear chemical processes based on kernel entropy component analysis and angular structure | |
| CN111639304A (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
| US9002684B2 (en) | Apparatus and method for processing a process simulation database of a process | |
| CN111144650A (zh) | 电力负荷预测方法、装置、计算机可读存储介质及设备 | |
| CN110244690A (zh) | 一种多变量工业过程故障辨识方法及系统 | |
| Zhang et al. | A local and global statistics pattern analysis method and its application to process fault identification | |
| CN113151842A (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| CN106844976A (zh) | 一种基于配点型算法的随机参数结构可靠性评估方法 | |
| Duong et al. | Uncertainty quantification in prognostics: A data driven polynomial chaos approach | |
| Shang et al. | Sparse slow feature analysis for enhanced control monitoring and fault isolation | |
| Bhattacharyya et al. | Adaptive, online models to detect and estimate gross error in SPNDs | |
| Wu et al. | A RBF neural network modeling method based on sensitivity analysis and Pareto law |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 570100 Hairuihou Road, Longhua District, Haikou City, Hainan Province, 23 Co-patentee after: North China Electric Power University Patentee after: Hainan Electric Power Grid Co., Ltd. Electric Power Research Institute Address before: 570105 Hainan Institute of Electric Power Technology, 13th Floor, Xinheng Building, 123-8 Binhai Avenue, Haikou City, Hainan Province Co-patentee before: North China Electric Power University Patentee before: Hainan Power Technology Research Institute |