CN105867345B - 一种多变量化工过程的故障源和故障传播路径定位方法 - Google Patents
一种多变量化工过程的故障源和故障传播路径定位方法 Download PDFInfo
- Publication number
- CN105867345B CN105867345B CN201610171423.9A CN201610171423A CN105867345B CN 105867345 B CN105867345 B CN 105867345B CN 201610171423 A CN201610171423 A CN 201610171423A CN 105867345 B CN105867345 B CN 105867345B
- Authority
- CN
- China
- Prior art keywords
- variable
- source
- matrix
- propagation path
- node
- 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
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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, 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
- G05B2219/24073—Avoid propagation of fault
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种多变量化工过程的故障源和故障传播路径定位方法，包括：确定待监测化工过程的n个变量，并计算变量间的相关性系数；构建邻接矩阵和可达矩阵；识别源节点变量和末节点变量；删除可达矩阵的相关行和列：输出源节点变量和源节点变量，确定故障源和故障传播路径。本发明包括利用所观察变量的相关性特征，构造元素为0和1的邻接矩阵，然后通过邻接矩阵的乘方获得变量间的相互关系信息，进而构造出可达矩阵，利用可达矩阵的行列信息能够快速清晰的定位出故障信号的源头。本发明可以滑动窗口的办法，对复杂化工过程进行在线分析，对过程无干扰，及时定位并预警，能显著降低大规模化工过程的维护和故障诊断成本，提升安全性和经济效益。
Description
技术领域
本发明涉及石油、化工等流程工业控制系统故障诊断领域，具体是涉及一种多变量化工过程的故障源和故障传播路径定位方法。
背景技术
石油、化工等流程工业常常以多变量的单元作为被控对象。这些单元通常由几个至几十个关键变量组成，而且这些变量间由于对象的物理特性，具备强耦合，非线性等特点。这些特性给控制系统的设计带来困难的同时，给后期的维护也构成了挑战。
通常的，复杂化工过程容易受到外部环境的变化，其它单元波动的影响以及本单元的故障等因素的影响，造成变量的波动，由于耦合关系进行传播，而且由于呈现非线性、时滞等特点使得对波动信号的分析以及对故障源的定位造难题。
针对上述难题，学术界和工业界出现了一些解决办法，例如通过输入激励信号，辨识被监测对象的模型变化。这一方法具有较高的可靠性，但是在工业实际应用中，激励信号的设计是一个难题，同时人为的输入激励信号对过程本身造成干扰，这在安全性要求极高的石油、化工过程中是很难实现的。
另外的一些方法通过分析变量间的因果关系，从而找到故障源，这一方法的缺点是采用了复杂的非线性时间序列分析方法，该方法需要严格的参数设定才能得到较好的效果，从而导致该方法在实际应用中受到限制，而且不利于采用自动化的分析工具来实现。
多变量化工过程通常伴随着强耦合性，非线性等特征，当由于传感器故障或者执行器故障发生时，故障信息会由于系统的耦合特性而在整个系统中进行传播，危及生产质量和生产安全。
发明内容
针对现有技术存在的问题，本发明提供了一种对过程无附加干扰，通过简洁有效的分析定位过程寻找多变量化工过程波动源头的方法，该方法无需复杂的参数设置，容易通过计算机程序自动化实现。通过该方法的使用，能够在线分析故障源所在变量，有助于提高系统性能维护效率，对于延长预测控制系统寿命，提高经济效益具有重要的实用价值。
一种多变量化工过程的故障源和故障传播路径定位方法，包括如下步骤：
(1)确定待监测化工过程的n个变量，n为大于1的自然数，组成变量矩阵X＝[x1,x2,...,xn]，并计算xi和xj的相关性系数cij，其中i,j＝1,2,...,n；
(2)根据置信大小，利用步骤(1)得到的相关性系数cij构建邻接矩阵A：
其中元素aij为0或1；
(3)利用步骤(2)中的邻接矩阵A构建可达矩阵R-；
令p＝1，进入步骤(4)；
(4)识别第p组源节点变量sp，源节点变量需要依次满足：(i)可达矩阵R-的第sp行含有值为1的元素；(ii)同时可达矩阵的第sp列的元素全部为0；sp为1～n中的一个或多个值；
(5)识别第p组末节点变量kp，末节点变量需要依次满足：(i)可达矩阵R-的第kp列含有值为1的元素；(ii)同时可达矩阵的第kp行的元素全部为0；kp为1～n中的一个或多个值；
(6)识别得到第p组源节点变量sp和末节点变量kp，同时删除可达矩阵R-的第sp行、第sp列、第kp行、第kp列：
如果可达矩阵R-中剩余元素不全为零，则令p＝p+1，返回步骤(4)；
如果可达矩阵R-中剩余元素为零，则输出第1～p组源节点变量和末节点变量，确定故障源和故障传播路径。
作为优选，步骤(2)中，根据置信大小，利用步骤(1)得到的相关性系数cij构建邻接矩阵A的具体方法为：
对步骤(1)所得到的相关性系数做显著性分析，令置信度高于95％的相关系数cij为1，否则相关系数cij为0，构建邻接矩阵A。
作为优选，步骤(3)中，构建可达矩阵的方法如下：
(3-1)计算步骤(2)所得邻接矩阵的高次幂，从2次幂开始依次增加，直到第N+1次幂，使得AN≠0且AN+1＝0，计算邻接矩阵及其所有N+1次幂的和，得到矩阵R，其表达式如下：
R＝A+A2+...AN+1
(3-2)获得可达矩阵R-，其表达式如下：
R-＝R-1。
作为优选，步骤(6)中，故障传播路径的确定方法为：
(6-1)故障传播路径包括的总节点数为2p个，首先确定每个节点：
对于第1～p个节点，第j个节点为第j组源节点变量sj，j为1～p的其中一个数值；
对于第p+1～2p个节点，第j’个节点为第2p-(j’-1)组末节点变量k2p-(j’-1)，j’为p+1～2p的其中一个数值；
(6-2)以第1个节点为起始源头，将第1～2p个节点依次连接，得到故障传播路径。
作为优选，步骤(6)中，故障源为第1组源节点变量对应的变量：xs1。
作为优选，所述多变量化工过程为聚丙烯生产过程。
作为优选，所述聚丙烯生产过程采用的装置包括：
按照物料流量依次连接的预聚单元、第一环管反应器、第二环管反应器和流化床反应器；所述预聚单元、第一环管反应器、第二环管反应器和流化床反应器上分别设有丙烯氢气和乙烯加料口或补加口；所述预聚单元设有催化剂加料口；所述流化床反应器上设有聚丙烯出料口和返料口。
本发明包括利用所观察变量的相关性特征，构造元素为0和1的邻接矩阵，然后通过邻接矩阵的乘方获得变量间的相互关系信息，进而构造出可达矩阵，利用可达矩阵的行列信息能够快速清晰的定位出故障信号的源头。
本发明与现有技术相比具有的有益效果：
1、无需外部信号激励，故对系统的没有附加扰动，能够实现完全的非侵入式检测与诊断。
2、计算简单，便于操作，无需复杂的算法，易于在现有的DCS工作站或者控制系统上位机上实施。
3、能够在故障发生早期定位到故障源变量，从而能够起到预防作用，有效增强复杂系统的安全性和无故障运行时间。
4、完全采用数据驱动的方法，无需具备过程耦合机理及动态特性知识。
本发明可以滑动窗口的办法，对复杂化工过程进行在线分析，对过程无干扰，及时定位并预警，能显著降低大规模化工过程的维护和故障诊断成本，提升安全性和经济效益。
附图说明
图1为本发明双环管工艺聚丙烯(PP)生产过程示意图。
图2为实施例中得出的故障传播路径图。
具体实施方式
结合实施例对本发明作进一步说明：
一种多变量化工过程的故障源和故障传播路径定位方法，它的步骤如下：
1)记所要分析的多变量化工过程具有n个待分析变量，变量名记为xi，其中i＝1,2,...,n。变量数据用矩阵方式表示为变量矩阵X＝[x1,x2,...,xn]，并计算xi和xj的相关性系数cij，其中i,j＝1,2,...,n；
2)根据步骤1)的计算结果构造邻接矩阵，方法如下：
对步骤1)所得到的相关性系数做显著性分析，令置信度高于95％的相关系数cij为1，否则为0，并按照如下方式构造邻接矩阵A，
3)构造可达矩阵，其方法如下：
计算步骤2)所得邻接矩阵的高次幂，从2次幂开始依次增加，直到第N+1次幂，使得AN≠0且AN+1＝0，计算邻接矩阵及其所有N+1次幂的和，得到矩阵R，其表达式如下：
R＝A+A2+…AN+1
进一步的，通过矩阵R-获得可达矩阵，其表达式如下：
R-＝R-1(即矩阵R中所有元素减去1)。
(4)识别第p组源节点变量sp，源节点变量需要依次满足：(i)可达矩阵R-的第sp行含有值为1的元素；(ii)同时可达矩阵的第sp列的元素全部为0；sp为1～n中的一个或多个值；
(5)识别第p组末节点变量kp，末节点变量需要依次满足：(i)可达矩阵R-的第kp列含有值为1的元素；(ii)同时可达矩阵的第kp行的元素全部为0；kp为1～n中的一个或多个值；
(6)识别得到第p组源节点变量sp和末节点变量kp，同时删除可达矩阵R-的第sp行、第sp列、第kp行、第kp列：
如果可达矩阵R-中剩余元素不全为零，则令p＝p+1，返回步骤(4)；
如果可达矩阵R-中剩余元素为零，则输出第1～p组源节点变量和末节点变量，确定故障源和故障传播路径。
其中，上述步骤(6)中，故障传播路径的确定方法为：
(6-1)故障传播路径包括的总节点数为2p个，首先确定每个节点：
对于第1～p个节点，第j个节点为第j组源节点变量sj，j为1～p的其中一个数值；
对于第p+1～2p个节点，第j’个节点为第2p-(j’-1)组末节点变量k2p-(j’-1)，j’为p+1～2p的其中一个数值；
(6-2)以第1个节点为起始源头，将第1～2p个节点依次连接，得到故障传播路径。
步骤(6)中，故障源为第1组源节点变量对应的变量：xs1。
实施例
某石化公司的聚丙烯(polypropylene,PP)生产过程工艺流程如图1所示，它采用Spheripol工艺，使用Ziegler-Natta系列催化剂。整个生产装置主要由两个环管反应器和一个流化床反应器组成，其中均聚反应在环管内进行而共聚反应在流化床反应器中进行。催化剂、丙烯、乙烯和氢气经预聚单元R200处理后进入第一环管反应器R201，在环管中循环并发生均聚反应。第一环管反应器R201的部分混合物(包括反应物和生产物)和新鲜进料气体一起进入第二环管反应器R202继续反应。均聚反应的产物进入后续的流化床反应器，与乙烯、丙烯等发生共聚反应。在这套装置中通过改变操作条件能够生产不同牌号的聚丙烯产品。
熔融指数MI是表征聚合物产品质量特性一个重要指标，通常用MI来区分不同的聚丙烯产品牌号。对于丙烯聚合这一复杂的化工生产过程，选取10个主要的过程变量进行分析，如表1所示。
表1过程变量描述
根据步骤2)提供的方法，得到邻接矩阵如下：
根据步骤3)构造可达矩阵，通过计算，得到邻接矩阵的5次方为全零矩阵，则按照步骤3)的方法得到可达矩阵如下:
| 0 | 0 | 1 | 1 | 1 | 1 | 1 | 0 | 0 | 2 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 1 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
| 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
根据步骤4)可得到故障传动的源变量为变量1，即R201的密度；
根据步骤5)可得到故障传动的末变量为变量3，4，10；
根据步骤6)，删除变量1，3，4，10所对应的行和列后得到矩阵如下：
重复步骤4)，步骤5)进一步得到故障的源变量为变量5，末变量为6)；
根据步骤6，删除变量5)和变量6)对应的行和列后，得到如下矩阵：
| 0 | 0 | 0 | 0 | ||||||
| 0 | 0 | 0 | 0 | ||||||
| 0 | 0 | 0 | 0 | ||||||
| 0 | 0 | 0 | 0 | ||||||
矩阵的元素全部为0，则分析步骤结束，通过以上的分析结果，可以得到该系统的故障传播路径如图2所示。由图2可以明确看出该聚丙烯(polypropylene,PP)生产过程的故障传播途径，其中故障源为x1，即R201的密度可能是导致故障的最初源头。
在化工生产过程中，可采用本发明的方法进行实时监测，并通过监测结果利用现有方法或经验进行反馈控制。或者，也可将监测的故障结果储存或者直接显示在现有的显示设备上，供现场人员参考和进行过程控制。
上述实施例中，得到的第1组源节点为一个，故障源路径相对较为简单，针对源节点和末节点为多个的情况，可采用现有的统计分析和实验方法，针对节点与节点之间的影响关系进行分析，最终得到具体的故障传播途径。利用本发明的方法，可以从整体上给出故障传播路径，能够大幅度降低故障定位的错误率和提高故障定位效率。
Claims (6)
1.一种多变量化工过程的故障源和故障传播路径定位方法，其特征在于，包括如下步骤：
(1)确定待监测化工过程的n个变量，n为大于1的自然数，组成变量矩阵X＝[x1,x2,...,xn]，并计算xi和xj的相关性系数cij，其中i,j＝1,2,...,n；
(2)根据置信大小，利用步骤(1)得到的相关性系数cij构建邻接矩阵A：
其中元素aij为0或1；
(3)利用步骤(2)中的邻接矩阵A构建可达矩阵R—；
令p＝1，进入步骤(4)；
(4)识别第p组源节点变量sp，源节点变量需要依次满足：(i)可达矩阵R—的第sp行含有值为1的元素；(ii)同时可达矩阵的第sp列的元素全部为0；sp为1～n中的一个或多个值；
(5)识别第p组末节点变量kp，末节点变量需要依次满足：(i)可达矩阵R-的第kp列含有值为1的元素；(ii)同时可达矩阵的第kp行的元素全部为0；kp为1～n中的一个或多个值；
(6)识别得到第p组源节点变量sp和末节点变量kp，同时删除可达矩阵R-的第sp行、第sp列、第kp行、第kp列：
如果可达矩阵R-中剩余元素不全为零，则令p＝p+1，返回步骤(4)；
如果可达矩阵R-中剩余元素为零，则输出第1～p组源节点变量和末节点变量，确定故障源和故障传播路径。
2.根据权利要求1所述的多变量化工过程的故障源和故障传播路径定位方法，其特征在于，步骤(2)中，根据置信大小，利用步骤(1)得到的相关性系数cij构建邻接矩阵A的具体方法为：
对步骤(1)所得到的相关性系数做显著性分析，令置信度高于95％的相关系数cij为1，否则相关系数cij为0，构建邻接矩阵A。
3.根据权利要求1所述的多变量化工过程的故障源和故障传播路径定位方法，其特征在于，步骤(3)中，构建可达矩阵的方法如下：
(3-1)计算步骤(2)所得邻接矩阵的高次幂，从2次幂开始依次增加，直到第N+1次幂，使得AN≠0且AN+1＝0，计算邻接矩阵及其所有N+1次幂的和，得到矩阵R，其表达式如下：
R＝A+A2+…AN1
(3-2)获得可达矩阵R—，其表达式如下：
R—＝R-1。
4.根据权利要求1所述的多变量化工过程的故障源和故障传播路径定位方法，其特征在于，步骤(6)中，故障传播路径的确定方法为：
(6-1)故障传播路径包括的总节点数为2p个，首先确定每个节点：
对于第1～p个节点，第j个节点为第j组源节点变量sj，j为1～p的其中一个数值；
对于第p+1～2p个节点，第j’个节点为第2p-(j’-1)组末节点变量k2p-(j’-1)，j’为p+1～2p中的一个数值；
(6-2)以第1个节点为起始源头，将第1～2p个节点依次连接，得到故障传播路径。
5.根据权利要求1所述的多变量化工过程的故障源和故障传播路径定位方法，其特征在于，步骤(6)中，故障源为第1组源节点变量对应的变量：
6.根据权利要求5所述的多变量化工过程的故障源和故障传播路径定位方法，其特征在于，所述多变量化工过程为聚丙烯生产过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610171423.9A CN105867345B (zh) | 2016-03-24 | 2016-03-24 | 一种多变量化工过程的故障源和故障传播路径定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610171423.9A CN105867345B (zh) | 2016-03-24 | 2016-03-24 | 一种多变量化工过程的故障源和故障传播路径定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105867345A CN105867345A (zh) | 2016-08-17 |
| CN105867345B true CN105867345B (zh) | 2018-04-27 |
Family
ID=56625432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610171423.9A Active CN105867345B (zh) | 2016-03-24 | 2016-03-24 | 一种多变量化工过程的故障源和故障传播路径定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105867345B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108088495B (zh) * | 2017-11-01 | 2020-05-05 | 佛山科学技术学院 | 多传感器监测数据驱动的复合系统故障定位方法 |
| CN109991472B (zh) * | 2017-12-29 | 2022-08-02 | 湖南工业大学 | 电网频率扰动实时监测方法、设备及系统 |
| CN109030983B (zh) * | 2018-06-11 | 2020-07-03 | 北京航空航天大学 | 一种考虑激励测试的诊断关系矩阵生成方法 |
| CN109815153B (zh) * | 2019-02-19 | 2024-01-26 | 北京天诚同创电气有限公司 | Plc程序及电机启停控制程序的静态切片方法和装置 |
| US11238129B2 (en) | 2019-12-11 | 2022-02-01 | International Business Machines Corporation | Root cause analysis using Granger causality |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8949032B2 (en) * | 2002-03-29 | 2015-02-03 | Genomatica, Inc. | Multicellular metabolic models and methods |
| CN201017224Y (zh) * | 2006-12-22 | 2008-02-06 | 浙江大学 | 工业聚丙烯生产熔融指数检测故障诊断装置 |
| CN100461043C (zh) * | 2006-12-22 | 2009-02-11 | 浙江大学 | 工业聚丙烯生产熔融指数检测故障诊断系统及方法 |
| CN101738435A (zh) * | 2009-11-30 | 2010-06-16 | 浙江大学 | 气固流化床反应器内聚合物结块的动态故障诊断方法 |
| CN102541017B (zh) * | 2012-01-12 | 2014-07-23 | 浙江大学 | 一种复杂化工过程中振荡信号的快速定位方法 |
| CN104298225B (zh) * | 2014-09-25 | 2017-07-04 | 中国石油化工股份有限公司 | 化工过程异常工况因果关系推理模型建模与图形化展示方法 |
-
2016
- 2016-03-24 CN CN201610171423.9A patent/CN105867345B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105867345A (zh) | 2016-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105867345B (zh) | 一种多变量化工过程的故障源和故障传播路径定位方法 | |
| CN102705303B (zh) | 一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法 | |
| CN100582978C (zh) | 用于预防加工厂中异常状况的配置系统和方法 | |
| US8577649B2 (en) | Anomaly detecting apparatus | |
| CN100461044C (zh) | 一种丙烯聚合生产中熔融指数检测的故障诊断系统及方法 | |
| CN108052007B (zh) | 火电机组运行优化方法、装置、设备及计算机存储介质 | |
| CN102110187B (zh) | 一种基于pca和人工免疫系统的流程工业混合故障诊断方法和系统 | |
| CN104536436B (zh) | 一种工业生产过程控制逻辑的自动测试系统及方法 | |
| CN102340811A (zh) | 无线传感器网络故障诊断方法 | |
| CN102541017B (zh) | 一种复杂化工过程中振荡信号的快速定位方法 | |
| CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
| CN107862324B (zh) | 一种基于mwspca的cbr预测模型智能化预警方法 | |
| US20220365521A1 (en) | Virtual simulation manufacturing platform based on automatic control | |
| CN104199441B (zh) | 基于稀疏贡献图的高炉多工况故障分离方法及系统 | |
| AU2014321713B2 (en) | Normalized process dynamics | |
| CN105243393A (zh) | 一种基于特征的复杂机电系统故障预报方法 | |
| CN105182141A (zh) | 变压器故障检测方法及系统 | |
| CN104675380A (zh) | 石油钻井钻柱在线监测系统及故障诊断方法 | |
| CN107292061A (zh) | 一种数据驱动的流程工业复杂机电系统信息建模方法 | |
| CN108764305A (zh) | 一种改进的群智能机器学习故障诊断系统 | |
| CN104615123B (zh) | 基于k近邻的传感器故障隔离方法 | |
| Ariamuthu Venkidasalapathy et al. | Hidden Markov model based approach for diagnosing cause of alarm signals | |
| CN111324036A (zh) | 一种有界干扰影响下时变系统可诊断性量化方法 | |
| CN103196691B (zh) | 基于主对角元占优模糊关系矩阵建立相关性故障测试矩阵的方法 | |
| Hwarng | Toward identifying the source of mean shifts in multivariate SPC: a neural network approach |
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 |