CN106439199B - 一种基于dcs数据的控制阀故障监控方法 - Google Patents
一种基于dcs数据的控制阀故障监控方法 Download PDFInfo
- Publication number
- CN106439199B CN106439199B CN201610984679.1A CN201610984679A CN106439199B CN 106439199 B CN106439199 B CN 106439199B CN 201610984679 A CN201610984679 A CN 201610984679A CN 106439199 B CN106439199 B CN 106439199B
- Authority
- CN
- China
- Prior art keywords
- valve
- value
- formula
- output
- liquid level
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
Abstract
本发明涉及一种基于DCS数据的控制阀故障监控方法,其特征在于:包括如下步骤,步骤1:获取阀门DCS数据作为训练数据,将训练数据按照不同工况进行分类,建立温度阀、液位阀、压力阀、流量阀的阀门模型;步骤2:基于训练数据,确定不同工况下对应的阀门模型;步骤3:识别当前工况,确定当前工况下对应的阀门模型;步骤4:根据步骤3确定的阀门模型,预测阀门状态值;步骤5:根据阀门实际状态值和其对应状态估计值,进行故障判断。
Description
技术领域
本发明涉及一种基于DCS数据的控制阀故障监控方法。
背景技术
控制阀(温度阀、液位阀、压力阀、流量阀)是工业自动化生产尤其是化工生产过程中采用最多的终端控制元件,决定着过程控制的及时有效性,也是整个控制回路中较为重要但又是长期以来技术比较薄弱的环节。一旦控制阀出现故障,控制回路将被迫中断控制操作,有可能引发更大的系统故障,导致装置停车和造成难以估量的经济损失。然而,在实际生产过程中,操作人员无法做到对于控制阀的实时监控,仅仅只能在计划检修时对重要的阀门进行预防性检修。这样的检修方式周期长,存在盲目性、不及时性,而且效率低下,时间、人员成本高。
数字式阀门定位器成为目前国内外设计阀门智能诊断系统的主要途径,FISHER、SAMSON、INVENSYS等各主要控制阀厂商都在着力开发数字式阀门定位器及完善各自的诊断软件。但是这些软件都与厂商的硬件紧密结合,需要安装额外的阀门定位器来获得相应的传感信号,从而可以进行故障分析。安装额外的数字式阀门定位器存在工艺上的困难,并且成本高昂。
集散控制系统(DCS)是随着现代大型工业生产自动化的不断兴起和过程控制要求的日益复杂应运而生的综合控制系统,是完成过程控制、过程管理的现代化设备,大多数工厂都已建立了完备的DCS数据库,用于记录相应的DCS数据,基于DCS数据实现流量控制阀监控目前尚属技术空白。
发明内容
本发明的发明目的在于提供一种基于DCS数据的控制阀故障监控方法,能够根据DSC数据实现对控制阀的实时监控,有效降低成本。
实现本发明目的的技术方案:
一种基于DCS数据的控制阀故障监控方法,其特征在于:包括如下步骤,
步骤1:获取阀门DCS数据作为训练数据,将训练数据按照不同工况进行分类,建立温度阀、液位阀、压力阀、流量阀的阀门模型;
步骤2:基于训练数据,确定不同工况下对应的阀门模型;
步骤3:识别当前工况,确定当前工况下对应的阀门模型;
步骤4:根据步骤3确定的阀门模型,预测阀门状态值;
步骤5:根据阀门实际状态值和其对应状态估计值,进行故障判断。
步骤1中,温度阀的阀门模型为,
式中,为温度阀门控制器的输出值,为个输出管路的流量值,所说输出管路为温度阀所控制的反应器输出管路,为个输入管路阀门控制器的输出值,所说输入管路为温度阀所控制的反应器输入管路,为两个温度采样值之差;
液位阀的阀门模型为,
式中,为液位阀门控制器的输出值,为个输出管路的流量值,所说输出管路为液位阀所控制的反应器输出管路,为个输入管路阀门控制器的输出值,所说输入管路为液位阀所控制的反应器输入管路,为两个液位采样值之差;
压力阀的阀门模型为,
式中,为压力值,为压力阀控制器输出值;
流量阀的阀门模型为,
式中,F为流量值,为流量阀控制器输出值。
步骤2中,用粒子群优化算法辨识出阀门模型的参数。
步骤3中,利用不同工况下的阀门模型估计阀门的状态值,求取当前实际状态值和对应状态估计值的相对误差,选取相对误差最小的工况作为当前工况;温度阀的状态值为温度阀门控制器的输出值,液位阀的状态值为液位阀门控制器的输出值,压力阀状态值为压力值,流量阀状态值为流量值。
步骤5中,计算阀门实际状态值和其对应状态估计值的偏差,利用该偏差值对控制阀故障程度进行评级。
步骤5中,根据阀门实际状态值和其对应状态估计值,可诊断内漏和脏堵故障,具体公式如下,
如果,则判断为脏堵,脏堵得分为,内漏得分为0;反之,脏堵得分为0,内漏得分为,式中M为选取的实时数据个数。
步骤5中,根据阀门实际状态值和其对应状态估计值,可诊断粘滞故障;利用最小二乘法进行粘滞故障评分,
当阀门为压力阀或流量阀时,粘滞故障评分score_2的具体公式如下:
式中是系统的采样周期,M为选取的实时数据个数;
当阀门为温度阀或液位阀时,粘滞故障评分score_2的具体公式如下:
式中是系统的采样周期,M为选取的实时数据个数。
步骤5中,根据阀门实际状态值和其对应状态估计值,可诊断卡死故障;卡死故障评分score_3计算公式如下:
式中M为选取的实时数据个数。
本发明具有的有益效果:
本发明获取阀门DCS数据作为训练数据,将训练数据按照不同工况进行分类,建立温度阀、液位阀、压力阀、流量阀的阀门模型;基于训练数据,确定不同工况下对应的阀门模型;识别当前工况,确定当前工况下对应的阀门模型;根据步骤3确定的阀门模型,预测阀门状态值;根据阀门实际状态值和其对应状态估计值,进行故障判断。本发明仅仅利用现有DCS数据库中的控制阀DCS数据,就可实现对控制阀的在线故障监控,不需要额外安装阀门定位器,大幅降低了监控成本;本发明将DCS数据作为训练数据,确定不同工况下对应的阀门模型,增加人机交互和学习能力,可适用于复杂的工况,监控效果更加可靠。
本发明建立了温度阀、液位阀、压力阀、流量阀阀门模型,其中温度阀、液位阀结合工艺图,进行阀门模型建立,获得控制器输出值与旁路数据的关系,通过建立压力阀、流量阀阀门模型,获得控制器测量值和控制器输出值之间的关系,进一步保证对控制阀监控效果。
本发明用粒子群优化算法辨识出阀门模型的参数,利用不同工况下的阀门模型估计阀门的状态值,求取当前实际状态值和对应状态估计值的相对误差,选取相对误差最小的工况作为当前工况;温度阀的状态值为温度阀门控制器的输出值,液位阀的状态值为液位阀门控制器的输出值,压力阀状态值为压力值,流量阀状态值为流量值,进一步保证了阀门模型的可靠性。
本发明利用不同工况下的阀门模型估计阀门的流量值,求取当前实际流量值和其估计值之间的相对误差,选取相对误差最小的工况作为当前工况,可实现对当前工况的准确判断,进一步保证对控制阀的监控效果。
本发明根据阀门实际状态值和其对应状态估计值的偏差,可实现对控制阀故障程度进行评级,根据阀门实际状态值和其对应状态估计值之间的相对误差,可诊断阀门的内漏和脏堵故障;根据阀门实际状态值和其对应状态估计值,利用最小二乘法估计出阀门的反应滞后时间,可诊断阀门的粘滞故障;根据阀门实际状态值和其对应状态估计值之间的协方差,可诊断阀门的卡死故障,即本发明可实现对控制阀的各种故障类型的监控。
附图说明
图1是温度控制回路示意图;
图2是液位控制回路示意图;
图3是压力控制回路示意图;
图4是流量控制回路示意图;
图5是本发明的流程图。
具体实施方式
如图5所示,本发明基于DCS数据的流量控制阀监控方法,包括如下步骤,
步骤1:获取阀门DCS数据作为训练数据,将训练数据按照不同工况进行分类,建立温度阀、液位阀、压力阀、流量阀的阀门模型。
从DCS数据库中可获得阀门控制器的测量值、输出值,其中,代表阀门开度,代表的意义随着阀门的而不同:对于流量阀,代表的是流量值F;对温度阀,代表的是温度值;对液位阀,代表的是液位值H;对压力阀,代表的是压力值P。
建立温度阀、液位阀的阀门模型需参考工艺图。由于压力阀的压力值和流量阀的流量值均为自身控制器的值,不需要旁路数据,所以建立压力阀、流量阀的阀门模型不需要参考工艺图。
温度阀的阀门模型为,
式中,为温度阀门控制器的输出值,为个输出管路的流量值,所说输出管路为温度阀所控制的反应器输出管路,为个输入管路阀门控制器的输出值,所说输入管路为温度阀所控制的反应器输入管路,为两个温度采样值之差。
如图1所示的温度控制回路,能够获得温度阀输出值以及对应的温度值,此外,通过温度阀所控制的反应器输入管路、输出管路,能够获得输出管路流量值;另外一个输入管路,虽然不能获得流量值,但是能够获得该管路上阀门控制器输出值。基于这些数据,建立温度阀的阀门模型:
液位阀的阀门模型为,
式中,为液位阀门控制器的输出值,为个输出管路的流量值,所说输出管路为液位阀所控制的反应器输出管路,为个输入管路阀门控制器的输出值,所说输入管路为液位阀所控制的反应器输入管路,为两个液位采样值之差。
如图2所示的液位控制回路,能够获得液位阀输出值以及对应的液位值,此外,通过温度阀所控制的反应器输入管路、输出管路,能够获得输出管路流量值;另外一个输入管路,虽然不能获得流量值,但是能够获得该管路上阀门控制器的输出值。基于这些数据,建立液位阀的阀门模型:
压力阀的阀门模型为,
式中,为压力值,为压力阀控制器输出值。
如图3所示的压力控制回路,能够直接获得压力阀控制器的输出值以及对应的压力值,基于这些数据,建立压力阀的阀门模型:
流量阀的阀门模型为,
式中,F为流量值,为流量阀控制器输出值。
如图4所示的流量控制回路,能够直接获得流量阀控制器的输出值以及对应的流量值,基于这些数据,我们能够得出:
步骤2:基于训练数据,确定不同工况下对应的阀门模型;用粒子群优化算法辨识出阀门模型的参数。
从DCS数据库中获得一段时间内控制阀相关的一些值和值(假定各取个),分别构成训练数据集和。和的选取标准为:
用粒子群优化算法(PSO)计算出每种工况下的训练数据和所对应的阀门模型种类以及对应的参数和,具体过程如下:
(1) 选定粒子群优化算法的粒子数(建议值=20)和进化次数(建议值=200);
(2)令,为每个粒子赋予随机值,中的值代表所求的参数和,将代入函数。计算每个粒子的适应值
,找出20个粒子中适应值最小的粒子,把这个粒子的值设为全局最优位置,同时将每个粒子的值设定为该粒子本身的历史最优位置。设定每个粒子的初始速度。
(3)令;用以下的方法更新20个粒子的位置:
其中, 和是每次进化都要重新赋值的0到1之间的随机数。重新计算每个粒子的适应值,如果,则;如果,则。
(4)如果 ,则返回(3),否则将中的值赋给参数和,且该模型的偏差为。
当一个控制阀存在种不同工况的时候,应当为该控制阀建立个模型。
步骤3:识别当前工况,确定当前工况下对应的阀门模型。
利用不同工况下的阀门模型估计阀门的状态值,求取当前实际状态值和对应状态估计值的相对误差,选取相对误差最小的工况作为当前工况;温度阀的状态值为温度阀门控制器的输出值,液位阀的状态值为液位阀门控制器的输出值,压力阀状态值为压力值,流量阀状态值为流量值。
从DCS数据库中获得个阀门实时数据和进行在线监测,将该数据代入个阀门模型,计算该数据在种不同工况模型下的相对模型偏差
,选择偏差最小的工况作为该阀门目前所处的工况,用对应的工况模型进行输出预测和故障诊断。
步骤4:根据步骤3确定的阀门模型,预测阀门状态值;
计算当前工况下的状态预测值,同时读取步骤3中计算出来的最小模型偏差作为当前监测数据模型偏差。
步骤5:根据阀门实际状态值和其对应状态估计值,进行故障判断
(一)故障评分
根据阀门实际状态值和其对应状态估计值之间的偏差,结合步骤3中所求的模型偏差来计算该阀门的故障得分,计算方法如下:
所求的故障得分为0到100,故障得分反映了当前阀门输出(输入)和理论输出(输入)的相对偏差。利用该得分进行故障分级:
分级的具体标准可根据现场实际情况进行调整。
(二)诊断内漏和脏堵故障
根据阀门实际状态值和其对应状态估计值,可诊断内漏和脏堵故障,具体公式如下,
如果,则判断为脏堵,脏堵得分为,内漏得分为0;反之,脏堵得分为0,内漏得分为,式中M为选取的实时数据个数。
内漏和脏堵故障评分的物理意义是当前阀门输出(输入)和理论输出(输入)的相对偏差。
(三)诊断粘滞故障
根据阀门实际状态值和其对应状态估计值,可诊断粘滞故障;利用最小二乘法进行粘滞故障评分,
当阀门为压力阀或流量阀时,粘滞故障评分score_2的具体公式如下:
式中是系统的采样周期,M为选取的实时数据个数;
当阀门为温度阀或液位阀时,粘滞故障评分score_2的具体公式如下:
式中是系统的采样周期,M为选取的实时数据个数。
粘滞故障评分体现了阀门的响应时间,该值越大,表示阀门的响应时间越长。
(四)诊断卡死故障
根据阀门实际流量值和其对应估计值,可诊断卡死故障;卡死故障评分score_3计算公式如下:
式中M为选取的实时数据个数。
卡死故障评分的物理意义为0到100之间的一个百分概率,概率越大,卡死的可能性越高。
Claims (7)
1.一种基于DCS数据的控制阀故障监控方法,其特征在于:包括如下步骤,
步骤1:获取阀门DCS数据作为训练数据,将训练数据按照不同工况进行分类,建立温度阀、液位阀、压力阀、流量阀的阀门模型;
步骤2:基于训练数据,确定不同工况下对应的阀门模型;
步骤3:识别当前工况,确定当前工况下对应的阀门模型;
步骤4:根据步骤3确定的阀门模型,预测阀门状态值;
步骤5:根据阀门实际状态值和其对应状态估计值,进行故障判断步骤1中,温度阀的阀门模型为,
式中,OP为温度阀门控制器的输出值,Fi为N1个输出管路的流量值,所述输出管路为温度阀所控制的反应器输出管路,OPi为N2个输入管路阀门控制器的输出值,所述输入管路为温度阀所控制的反应器输入管路,ΔT为两个温度采样值之差;
液位阀的阀门模型为,
式中,OP为液位阀门控制器的输出值,Fi为I1个输出管路的流量值,所述输出管路为液位阀所控制的反应器输出管路,OPi为I2个输入管路阀门控制器的输出值,所述输入管路为液位阀所控制的反应器输入管路,ΔH为两个液位采样值之差;
压力阀的阀门模型为,
P=fP(OP)=a1×OP+a2×OP2+a3×OP3+b
式中,P为压力值,OP为压力阀控制器输出值;
流量阀的阀门模型为,
F=fF(OP)=a1×OP+a2×OP2+a3×OP3+b
式中,F为流量值,OP为流量阀控制器输出值;
上述所有公式中,a1、a2、a3、为设定的系数,b为设定的常量。
2.根据权利要求1所述的方法,其特征在于:步骤2中,用粒子群优化算法辨识出阀门模型的参数。
3.根据权利要求2所述的方法,其特征在于:步骤3中,利用不同工况下的阀门模型估计阀门的状态值,求取当前实际状态值和对应状态估计值的相对误差,选取相对误差最小的工况作为当前工况;温度阀的状态值为温度阀门控制器的输出值,液位阀的状态值为液位阀门控制器的输出值,压力阀状态值为压力值,流量阀状态值为流量值。
4.根据权利要求3所述的方法,其特征在于:步骤5中,计算阀门实际状态值和其对应状态估计值的偏差,利用该偏差值对控制阀故障程度进行评级。
5.根据权利要求4所述的方法,其特征在于:步骤5中,根据阀门实际状态值和其对应状态估计值可诊断内漏和脏堵故障,具体公式如下,
如果result_1≥0,则判断为脏堵,脏堵得分为score_1,内漏得分为0;反之,脏堵得分为0,内漏得分为score_1,式中M为选取的实时数据个数。
6.根据权利要求5所述的方法,其特征在于:步骤5中,根据阀门实际状态值和其对应状态估计值可诊断粘滞故障;利用最小二乘法进行粘滞故障评分,
当阀门为压力阀或流量阀时,粘滞故障评分score_2的具体公式如下:
式中Ts是系统的采样周期,M为选取的实时数据个数;
Θ(1)表示用最小二乘法估计出参数Θ中的第1个分量,
当阀门为温度阀或液位阀时,粘滞故障评分score_2的具体公式如下:
Θ=(HTH)-1HTZ
式中Ts是系统的采样周期,M为选取的实时数据个数。
7.根据权利要求6所述的方法,其特征在于:步骤5中,根据阀门实际状态值和其对应状态估计值可诊断卡死故障;卡死故障评分score_3计算公式如下:
式中M为选取的实时数据个数,
为第l个阀门开度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610984679.1A CN106439199B (zh) | 2016-11-09 | 2016-11-09 | 一种基于dcs数据的控制阀故障监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610984679.1A CN106439199B (zh) | 2016-11-09 | 2016-11-09 | 一种基于dcs数据的控制阀故障监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106439199A CN106439199A (zh) | 2017-02-22 |
CN106439199B true CN106439199B (zh) | 2019-04-09 |
Family
ID=58207319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610984679.1A Active CN106439199B (zh) | 2016-11-09 | 2016-11-09 | 一种基于dcs数据的控制阀故障监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106439199B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106567964B (zh) * | 2016-11-09 | 2018-10-23 | 北京化工大学 | 一种基于dcs数据的流量控制阀监控方法 |
CN107728599B (zh) * | 2017-09-01 | 2020-12-18 | 北京中燕信息技术有限公司 | 一种确定炼化装置阀门状态的方法和装置 |
CN117093032B (zh) * | 2023-10-19 | 2024-02-02 | 万华化学集团股份有限公司 | 反应器温度控制方法、系统、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488906A (zh) * | 2013-09-30 | 2014-01-01 | 中国石油大学(华东) | 阀门内漏缺陷类型识别与内漏速率计算的方法 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN105930302A (zh) * | 2016-04-06 | 2016-09-07 | 东南大学 | 一种基于快速遗传算法和灰箱模型的磨煤机故障诊断方法 |
CN105974327A (zh) * | 2016-06-12 | 2016-09-28 | 广州市香港科大霍英东研究院 | 一种基于神经网络和ukf的锂电池组soc预测方法 |
CN106054104A (zh) * | 2016-05-20 | 2016-10-26 | 国网新疆电力公司电力科学研究院 | 一种基于决策树的智能电表故障实时预测方法 |
CN106567964A (zh) * | 2016-11-09 | 2017-04-19 | 北京化工大学 | 一种基于dcs数据的流量控制阀监控方法 |
-
2016
- 2016-11-09 CN CN201610984679.1A patent/CN106439199B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488906A (zh) * | 2013-09-30 | 2014-01-01 | 中国石油大学(华东) | 阀门内漏缺陷类型识别与内漏速率计算的方法 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN105930302A (zh) * | 2016-04-06 | 2016-09-07 | 东南大学 | 一种基于快速遗传算法和灰箱模型的磨煤机故障诊断方法 |
CN106054104A (zh) * | 2016-05-20 | 2016-10-26 | 国网新疆电力公司电力科学研究院 | 一种基于决策树的智能电表故障实时预测方法 |
CN105974327A (zh) * | 2016-06-12 | 2016-09-28 | 广州市香港科大霍英东研究院 | 一种基于神经网络和ukf的锂电池组soc预测方法 |
CN106567964A (zh) * | 2016-11-09 | 2017-04-19 | 北京化工大学 | 一种基于dcs数据的流量控制阀监控方法 |
Non-Patent Citations (1)
Title |
---|
Nonlinear coal mill modeling and its application to model predictive control;Andrea Cortinovis et al.;《Control Engineering Practice》;20130331;第21卷(第3期);308-320 |
Also Published As
Publication number | Publication date |
---|---|
CN106439199A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
US11079726B2 (en) | Predictive monitoring and diagnostics systems and methods | |
US9528914B2 (en) | Non-intrusive sensor system | |
CN111103803B (zh) | 使用多阶段数据分离的推理过程建模、质量预测及故障检测 | |
CN104049628B (zh) | 基于实验测试的阀预测 | |
US8838413B2 (en) | Valve actuator fault analysis system | |
CN106439199B (zh) | 一种基于dcs数据的控制阀故障监控方法 | |
West et al. | Automated fault detection and diagnosis of HVAC subsystems using statistical machine learning | |
CN111385140B (zh) | 生成监控网络物理系统的数据以早期确定异常的系统和方法 | |
US11604459B2 (en) | Real-time control using directed predictive simulation within a control system of a process plant | |
WO2008014349A1 (en) | Method and system for detecting abnormal operation in a process plant | |
CN106567964B (zh) | 一种基于dcs数据的流量控制阀监控方法 | |
CN105988402A (zh) | 具有回路和阀控制能力的集成过程控制器 | |
WO2008014344A2 (en) | Model based method for detecting abnormal operation of a level regulatory control loop and associated apparatus | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN102257448A (zh) | 使用切换模型进行机器状况监视的文件的滤波和预测 | |
CN113219934A (zh) | 自动化系统中的部件的参数设定 | |
Toothman et al. | A digital twin framework for mechanical system health state estimation | |
US11449044B2 (en) | Successive maximum error reduction | |
US20230376024A1 (en) | Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process | |
US11966217B2 (en) | Faulty variable identification technique for data-driven fault detection within a process plant | |
Gotzinger et al. | Applicability of context-aware health monitoring to hydraulic circuits | |
CN108268017A (zh) | 制罐生产线效率的评估方法和优化方法及其评估装置 | |
CN115186754A (zh) | 基于信息熵及自联想回归模型的机组能效监测诊断方法 | |
Galotto et al. | Data based tools for sensors continuous monitoring in industry applications |
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 |