CN106295712A - 一种故障检测方法和系统 - Google Patents
一种故障检测方法和系统 Download PDFInfo
- Publication number
- CN106295712A CN106295712A CN201610693517.2A CN201610693517A CN106295712A CN 106295712 A CN106295712 A CN 106295712A CN 201610693517 A CN201610693517 A CN 201610693517A CN 106295712 A CN106295712 A CN 106295712A
- Authority
- CN
- China
- Prior art keywords
- data
- density
- support vector
- fault
- test data
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了检测一种故障检测方法和系统,对预先收集的工业过程中的正常训练数据进行标准化预处理,并计算经过标准化预处理后的正常训练数据的相对密度;根据经过标准化预处理后的正常训练数据和相对密度建立训练样本数据集;为训练样本数据集建立密度诱导支持向量数据描述模型,对密度诱导支持向量数据描述模型的参数T进行定值处理,令参数T为相对密度的平均值,并利用密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据。本方案对密度诱导支持向量数据描述模型的参数T提供了定值,令参数T为相对密度的平均值,从而可以提高基于密度诱导支持向量数据描述的故障检测方法的稳定性,保证高效的故障检测性能。
Description
技术领域
本申请涉及检测技术领域,更具体地涉及一种故障检测方法和系统。
背景技术
随着现代化生产的发展和科学技术的进步,现代生产设备向大规模、复杂化和自动化的方向发展,工业过程变得越来越复杂,一旦发生异常,就可能对生产安全、效率或产品质量造成不良的影响,所以对工业生产的操作状态监督、过程变化和故障检测等过程监控提出了更高的要求。
由于实际工业过程中,不确定因素多且过程复杂,一般包括非线性、时变、变量耦合、时间相关性、多模态、多时段、大规模等特性,使其难以建立精确的过程模型。但是工业过程中产生的大量数据能被用来分析去判断过程中是否有故障发生,所以基于这些数据的故障检测方法被广泛用于工业过程中,对系统运行状态和异常情况进行监视及诊断,对故障类型、故障部位及原因进行检测,最终给出解决方案,实现正常运作,为系统故障恢复提供依据。
目前,故障检测技术主要包括基于多元统计理论的故障检测技术、基于支持向量数据描述SVDD的故障检测技术和基于密度诱导支持向量数据描述DSVDD的故障检测技术。
基于多元统计理论的故障检测技术已被广泛应用于工业生产系统中,其基本思想是直接利用工业过程中采集的数据进行故障检测,通过对变换后的低维数据进行统计分析,给出一些有意义的表征系统的状态数值。但是,基于多元统计理论的故障检测技术是在过程数据满足高斯分布且变量之间是线性的假设条件下进行的。
基于支持向量数据描述SVDD的故障检测技术是采用支持向量数据描述建立基于正常数据的一类分类器去检测故障,该方法需要建立一个尽可能小的超球体去包含尽可能多的已知的正常样本,在处理异常检测问题中,根据数据的特性可分为两种情况:一种情况是只包含正常样本;另一种情况是除了正常的样本,还包含小数量级的异常样本。与基于多元统计理论的故障检测技术相比较,基于支持向量数据描述SVDD的故障检测技术摆脱了变量间线性关系的假设,但是SVDD的超球面完全是由支持向量决定的,忽略了大部分的非支持向量。
为了弥补SVDD没有考虑到数据分布的情况,基于密度诱导支持向量数据描述DSVDD的故障检测技术通过引入相对密度的概念来体现正常训练数据集中数据的密度分布。但是基于密度诱导支持向量数据描述DSVDD的故障检测技术的稳定性很差,在DSVDD中的关键参数T的取值不恰当时,会严重降低故障检测的性能。
发明内容
有鉴于此,本发明提供了一种故障检测方法和系统,以提高基于密度诱导支持向量数据描述的故障检测方法的稳定性,保证高效的故障检测性能。
为实现上述目的,本发明提供如下技术方案:
一种故障检测方法,包括:
对预先收集的工业过程中的正常训练数据进行标准化预处理,并计算经过所述标准化预处理后的所述正常训练数据的相对密度;
根据经过所述标准化预处理后的所述正常训练数据和所述相对密度建立训练样本数据集;
为所述训练样本数据集建立密度诱导支持向量数据描述模型,对所述密度诱导支持向量数据描述模型的参数T进行定值处理,令所述参数T为所述相对密度的平均值,并利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据。
优选地,所述利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据,包括:
实时收集工业过程中的测试数据,并对所述测试数据进行标准化预处理;
计算经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的距离;
根据所述密度诱导支持向量数据描述模型的半径,对经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的所述距离进行归一化处理,并根据经过所述归一化处理后的数据判断所述测试数据是否为故障数据。
优选地,所述根据经过所述归一化处理后的数据判断所述测试数据是否为故障数据,包括:
判断经过所述归一化处理后的数据是否大于1;
如果大于1,所述测试数据是故障数据,否则所述测试数据不是故障数据。
一种故障检测系统,包括:
处理模块,用于对预先收集的工业过程中的正常训练数据进行标准化预处理,并计算经过所述标准化预处理后的所述正常训练数据的相对密度;
建立模块,用于根据经过所述标准化预处理后的所述正常训练数据和所述相对密度建立训练样本数据集;
检测模块,用于为所述训练样本数据集建立密度诱导支持向量数据描述模型,对所述密度诱导支持向量数据描述模型的参数T进行定值处理,令所述参数T为所述相对密度的平均值,并利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据。
优选地,所述检测模块,包括:
处理单元,用于实时收集工业过程中的测试数据,并对所述测试数据进行标准化预处理;
计算单元,用于计算经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的距离;
判断单元,用于根据所述密度诱导支持向量数据描述模型的半径,对经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的所述距离进行归一化处理,并根据经过所述归一化处理后的数据判断所述测试数据是否为故障数据。
优选地,所述判断单元,具体用于:判断经过所述归一化处理后的数据是否大于1;如果大于1,所述测试数据是故障数据,否则所述测试数据不是故障数据。
经由上述的技术方案可知,与现有技术相比,本发明公开了一种故障检测方法和系统,对预先收集的工业过程中的正常训练数据进行标准化预处理,并计算经过所述标准化预处理后的所述正常训练数据的相对密度;根据经过所述标准化预处理后的所述正常训练数据和所述相对密度建立训练样本数据集;为所述训练样本数据集建立密度诱导支持向量数据描述模型,对所述密度诱导支持向量数据描述模型的参数T进行定值处理,令所述参数T为所述相对密度的平均值,并利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据。本申请提供的技术方案对密度诱导支持向量数据描述模型中的参数T提供了定值选取方案,令所述参数T为所述相对密度的平均值,从而可以提高基于密度诱导支持向量数据描述的故障检测方法的稳定性,保证高效的故障检测性能。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1示出了本发明一个实施例公开的一种故障检测方法的流程示意图;
图2示出了本发明一个实施例公开的一种故障检测系统的结构示意图;
图3提供了不同T值对应的密度诱导支持向量数据描述模型的平均故障检测率的对比图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1示出了本发明一个实施例公开的一种故障检测方法的流程示意图。
由图1可知,该方法包括:
S101:对预先收集的工业过程中的正常训练数据进行标准化预处理,并计算经过所述标准化预处理后的所述正常训练数据的相对密度;
在本申请实施例中,可以采用标准化公式对预先收集的工业过程中的正常训练数据进行标准化预处理,得到经过所述标准化预处理后的正常训练数据xi;其中,i=1,2,...,n,n为正常训练数据的总个数,为xi的均值,σ为xi的标准差;
采用相对密度计算公式计算经过所述标准化预处理后的所述正常训练数据的相对密度ρi;其中,是xi的第K个近邻,是xi到的距离,是平均距离;
S102:根据经过所述标准化预处理后的所述正常训练数据和所述相对密度建立训练样本数据集;
在本申请实施例中,根据所述正常训练数据经过所述标准化预处理后的所述正常训练数据xi和所述相对密度ρi建立训练样本数据集
S103:为所述训练样本数据集建立密度诱导支持向量数据描述模型,对所述密度诱导支持向量数据描述模型的参数T进行定值处理,令所述参数T为所述相对密度的平均值,并利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据。
在本申请实施例中,采用核函数k(xj,xi),为所述训练样本数据集建立密度诱导支持向量数据描述模型,并获得所述密度诱导支持向量数据描述模型的模型系数αi,i=1,…,n及所述密度诱导支持向量数据描述模型的半径R,对参数T进行定值处理,令所述参数T为所述相对密度的平均值,即取然后即可利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据。
在本申请实施例中,所述利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据,包括:实时收集工业过程中的测试数据,并对所述测试数据进行标准化预处理;计算经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的距离;根据所述密度诱导支持向量数据描述模型的半径,对经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的所述距离进行归一化处理,并根据经过所述归一化处理后的数据判断所述测试数据是否为故障数据。
具体的,在利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据时:
首先,实时收集工业过程中的测试数据,并对所述测试数据进行标准化预处理;
然后,计算经过所述标准化预处理后的所述测试数据xj到所述密度诱导支持向量数据描述模型的球心的距离Rj 2,其中,j=1,2,...,m,m为所述测试数据的总个数,αi,i=1,…,n为所述密度诱导支持向量数据描述模型的模型系数;
最后,根据所述密度诱导支持向量数据描述模型的半径R,归一化处理经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的距离Rj 2,得到所述归一化处理后的数据并根据经过所述归一化处理后的数据判断所述测试数据是否为故障数据;
进一步的,根据经过所述归一化处理后的数据判断所述测试数据是否为故障数据,包括:判断经过所述归一化处理后的数据是否大于1;如果大于1,所述测试数据是故障数据,即Dj>1时,则xj为故障数据;否则所述测试数据不是故障数据,即如果Dj≤1,则说明测试数据在所述密度诱导支持向量数据描述模型的超球面内,此时xj为正常数据。
经由上述的技术方案可知,本申请实施例公开的故障检测方法,对预先收集的工业过程中的正常训练数据进行标准化预处理,并计算经过所述标准化预处理后的所述正常训练数据的相对密度;根据经过所述标准化预处理后的所述正常训练数据和所述相对密度建立训练样本数据集;为所述训练样本数据集建立密度诱导支持向量数据描述模型,对所述密度诱导支持向量数据描述模型的参数T进行定值处理,令所述参数T为所述相对密度的平均值,并利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据。本申请提供的技术方案对密度诱导支持向量数据描述模型中的参数T提供了定值选取方案,令所述参数T为所述相对密度的平均值,从而可以提高基于密度诱导支持向量数据描述的故障检测方法的稳定性,保证高效的故障检测性能。
参见图2示出了本发明一个实施例公开的一种故障检测系统的结构示意图。
由图2可知,该系统包括:
处理模块1,用于对预先收集的工业过程中的正常训练数据进行标准化预处理,并计算经过所述标准化预处理后的所述正常训练数据的相对密度;
建立模块2,用于根据经过所述标准化预处理后的所述正常训练数据和所述相对密度建立训练样本数据集;
检测模块3,用于为所述训练样本数据集建立密度诱导支持向量数据描述模型,对所述密度诱导支持向量数据描述模型的参数T进行定值处理,令所述参数T为所述相对密度的平均值,并利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据。
优选地,所述检测模块3,包括:
处理单元,用于实时收集工业过程中的测试数据,并对所述测试数据进行标准化预处理;
计算单元,用于计算经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的距离;
判断单元,用于根据所述密度诱导支持向量数据描述模型的半径,对经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的所述距离进行归一化处理,并根据经过所述归一化处理后的数据判断所述测试数据是否为故障数据。
优选地,所述判断单元,具体用于:判断经过所述归一化处理后的数据是否大于1;如果大于1,所述测试数据是故障数据,否则所述测试数据不是故障数据。
需要说明的是,本申请中的系统实施例提供的故障检测系统可以采用上述方法实施例中的故障检测方法,可以用于实现上述方法实施例中的全部技术方案,其各个功能模块的功能可以根据上述方法实施例中的方法具体实现,其具体实现过程可参照上述实施例中的相关描述,此处不再赘述。
下面对本发明的实例作详细说明:本实例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和过程,但本发明的保护范围不限于下述的实例。
本发明在田纳西伊斯曼过程(Tennessee-Eastman Process,TEP)数据集上进行了测试。TEP数据集中包含正常数据集和21种不同故障的数据集。对于每一种故障,测试集有960个观测数据组成,每个观测数据包含52个变量,测试集的数据以正常数据开始,到第161次采样出现故障,所有的数据每隔3分钟采样一次,所有数据均由TEP仿真软件生成。我们取正常数据集中的共1460个数据作为训练集的输入,对每种故障的测试集进行故障检测。具体实施步骤如下:
一、密度诱导支持向量数据描述模型的建立过程:
1)对已经收集到的工业过程中的正常训练数据xi,i=1,2,...,n,进行标准化预处理,其中n为训练样本的总个数,这里n=1460。标准化公式为
其中为xi的均值,σ为xi的标准差。
2)计算正常训练数据xi的相对密度ρi,计算公式如下:
其中是xi的第K个近邻,这里的K取5,是xi到的距离,即为每个训练数据xi到的距离,是平均距离,即
3)对参数T进行定值处理,取数据集上求得的T=1.0068。
4)选用核函数k(xj,xi),本实例中选用RBF核函数,对训练样本数据集建立起密度诱导支持向量数据描述模型,获得模型系数αi,i=1,…,1460,及模型的半径R。
二、利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据的过程:
1)实时收集工业过程测试数据xj(j=1,2,...,m,m为测试数据的个数),并按照训练模块1)步骤将数据标准化。本实例中选取21种故障的测试集,每种故障有960个观测数据,则m=960。
2)计算测试数据到模型球心的距离Rj 2,计算公式如下:
3)归一化测试样本点到超球面球心的距离建立检测规则:
如果Dj≤1,则xj为正常数据;如果Dj>1,则xj为故障数据。
本发明的效果可以通过如下实验验证:
通过本发明提出的参数T的定值方法,以TEP的正常数据集为正常训练数据,取10个T值,与T=1.0068分别建立DSVDD模型,对21种故障进行检测,平均检测结果如图3,可以看出本发明提出的定参数密度诱导支持向量数据描述的故障检测方法能获得更高的平均故障检测率。
而对于像故障3、9、15这类测试样本的方差、均值或高阶矩阵上基本没有变化的数据集来说,由于DSVDD由于考虑了训练样本间的密度分布,比SVDD在检测故障时更具优势,从表1就可以看出,DSVDD有更高的故障检测率。
故障类型 | SVDD | DSVDD |
故障3 | 48.19% | 48.56% |
故障9 | 42.31% | 47.56% |
故障15 | 60.75% | 64.56% |
表1不同故障CSVDD和DSVDD故障检测率
为了描述的方便,描述以上系统时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种故障检测方法,其特征在于,包括:
对预先收集的工业过程中的正常训练数据进行标准化预处理,并计算经过所述标准化预处理后的所述正常训练数据的相对密度;
根据经过所述标准化预处理后的所述正常训练数据和所述相对密度建立训练样本数据集;
为所述训练样本数据集建立密度诱导支持向量数据描述模型,对所述密度诱导支持向量数据描述模型的参数T进行定值处理,令所述参数T为所述相对密度的平均值,并利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据。
2.根据权利要求1所述的方法,其特征在于,所述利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据,包括:
实时收集工业过程中的测试数据,并对所述测试数据进行标准化预处理;
计算经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的距离;
根据所述密度诱导支持向量数据描述模型的半径,对经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的所述距离进行归一化处理,并根据经过所述归一化处理后的数据判断所述测试数据是否为故障数据。
3.根据权利要求2所述的方法,其特征在于,所述根据经过所述归一化处理后的数据判断所述测试数据是否为故障数据,包括:
判断经过所述归一化处理后的数据是否大于1;
如果大于1,所述测试数据是故障数据,否则所述测试数据不是故障数据。
4.一种故障检测系统,其特征在于,包括:
处理模块,用于对预先收集的工业过程中的正常训练数据进行标准化预处理,并计算经过所述标准化预处理后的所述正常训练数据的相对密度;
建立模块,用于根据经过所述标准化预处理后的所述正常训练数据和所述相对密度建立训练样本数据集;
检测模块,用于为所述训练样本数据集建立密度诱导支持向量数据描述模型,对所述密度诱导支持向量数据描述模型的参数T进行定值处理,令所述参数T为所述相对密度的平均值,并利用所述密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据。
5.根据权利要求4所述的系统,其特征在于,所述检测模块,包括:
处理单元,用于实时收集工业过程中的测试数据,并对所述测试数据进行标准化预处理;
计算单元,用于计算经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的距离;
判断单元,用于根据所述密度诱导支持向量数据描述模型的半径,对经过所述标准化预处理后的所述测试数据到所述密度诱导支持向量数据描述模型的球心的所述距离进行归一化处理,并根据经过所述归一化处理后的数据判断所述测试数据是否为故障数据。
6.根据权利要求5所述的系统,其特征在于:
所述判断单元,具体用于:判断经过所述归一化处理后的数据是否大于1;如果大于1,所述测试数据是故障数据,否则所述测试数据不是故障数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610693517.2A CN106295712A (zh) | 2016-08-19 | 2016-08-19 | 一种故障检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610693517.2A CN106295712A (zh) | 2016-08-19 | 2016-08-19 | 一种故障检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106295712A true CN106295712A (zh) | 2017-01-04 |
Family
ID=57661619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610693517.2A Pending CN106295712A (zh) | 2016-08-19 | 2016-08-19 | 一种故障检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106295712A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122611A (zh) * | 2017-04-28 | 2017-09-01 | 中国石油大学(华东) | 青霉素发酵过程质量相关故障检测方法 |
CN109523171A (zh) * | 2018-11-20 | 2019-03-26 | 未必然数据科技(北京)有限公司 | 一种基于svdd的燃气轮机进气系统健康度评估方法 |
CN113788023A (zh) * | 2021-09-28 | 2021-12-14 | 广州杰赛科技股份有限公司 | 车辆驾驶故障检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
CN102339389A (zh) * | 2011-09-14 | 2012-02-01 | 清华大学 | 一种基于密度的参数优化单分类支持向量机故障检测方法 |
CN103761445A (zh) * | 2014-02-18 | 2014-04-30 | 苏州大学 | 基于密度诱导1类支持向量机的医疗诊断方法及系统 |
CN103926919A (zh) * | 2014-04-29 | 2014-07-16 | 华东理工大学 | 基于小波变换和Lasso函数的工业过程故障检测方法 |
CN105868783A (zh) * | 2016-03-31 | 2016-08-17 | 华东理工大学 | 一种基于信息熵的约简型支持向量数据描述方法 |
-
2016
- 2016-08-19 CN CN201610693517.2A patent/CN106295712A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
CN102339389A (zh) * | 2011-09-14 | 2012-02-01 | 清华大学 | 一种基于密度的参数优化单分类支持向量机故障检测方法 |
CN103761445A (zh) * | 2014-02-18 | 2014-04-30 | 苏州大学 | 基于密度诱导1类支持向量机的医疗诊断方法及系统 |
CN103926919A (zh) * | 2014-04-29 | 2014-07-16 | 华东理工大学 | 基于小波变换和Lasso函数的工业过程故障检测方法 |
CN105868783A (zh) * | 2016-03-31 | 2016-08-17 | 华东理工大学 | 一种基于信息熵的约简型支持向量数据描述方法 |
Non-Patent Citations (1)
Title |
---|
张海飞: "基于相对密度的支持向量数据描述算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122611A (zh) * | 2017-04-28 | 2017-09-01 | 中国石油大学(华东) | 青霉素发酵过程质量相关故障检测方法 |
CN109523171A (zh) * | 2018-11-20 | 2019-03-26 | 未必然数据科技(北京)有限公司 | 一种基于svdd的燃气轮机进气系统健康度评估方法 |
CN109523171B (zh) * | 2018-11-20 | 2022-11-25 | 未必然数据科技(北京)有限公司 | 一种基于svdd的燃气轮机进气系统健康度评估方法 |
CN113788023A (zh) * | 2021-09-28 | 2021-12-14 | 广州杰赛科技股份有限公司 | 车辆驾驶故障检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103776654B (zh) | 多传感器信息融合的故障诊断方法 | |
CN106201871A (zh) | 基于代价敏感半监督的软件缺陷预测方法 | |
CN111126759B (zh) | 一种基于异常事件故障关联度的电能表状态评估方法 | |
CN106647718A (zh) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 | |
CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
CN106295712A (zh) | 一种故障检测方法和系统 | |
CN109507972B (zh) | 基于分层式非高斯监测算法的工业生产过程故障监测方法 | |
CN105786678A (zh) | 一种基于相关性模型的测试性预计方法 | |
CN101689051A (zh) | 异常因素确定方法及系统、用于使计算机执行所述异常因素确定方法的程序、以及记录所述程序的计算机可读记录介质 | |
CN104537211A (zh) | 一种基于层次分析法及灰色理论的企业安全风险预警方法 | |
Ma et al. | Semisupervised classification for fault diagnosis in nuclear power plants | |
CN104268392A (zh) | 基于质量偏差的制造过程产品可靠性下滑风险评价方法 | |
Guo et al. | Fault diagnosis for power system transmission line based on PCA and SVMs | |
CN112632845B (zh) | 基于数据的小型反应堆在线故障诊断方法、介质及设备 | |
CN105975797A (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
CN107644694A (zh) | 一种核电厂大破口事故分析方法 | |
Ghashghaei et al. | Maximum multivariate exponentially weighted moving average and maximum multivariate cumulative sum control charts for simultaneous monitoring of mean and variability of multivariate multiple linear regression profiles | |
CN113283113B (zh) | 太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 | |
Zhu et al. | Should the advanced measurement approach for operational risk be discarded? Evidence from the Chinese banking industry | |
CN106126949A (zh) | 一种汽轮发电机运行状态评估方法 | |
CN102591732A (zh) | 信息系统安全评测系统及其评测方法 | |
CN104714205B (zh) | 电表错置侦测系统及其方法 | |
CN105989095A (zh) | 顾及数据不确定性的关联规则显著性检验方法及装置 | |
CN106342306B (zh) | 漏检情况下的产品测试性指标获取方法 | |
CN105243271A (zh) | 一种基于实测数据的继电保护装置时变故障率计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170104 |
|
RJ01 | Rejection of invention patent application after publication |