CN106845826A - 一种基于PCA‑Cpk的冷连轧生产线服役质量状态评估方法 - Google Patents
一种基于PCA‑Cpk的冷连轧生产线服役质量状态评估方法 Download PDFInfo
- Publication number
- CN106845826A CN106845826A CN201710035596.2A CN201710035596A CN106845826A CN 106845826 A CN106845826 A CN 106845826A CN 201710035596 A CN201710035596 A CN 201710035596A CN 106845826 A CN106845826 A CN 106845826A
- Authority
- CN
- China
- Prior art keywords
- military service
- service quality
- matrix
- quality state
- production line
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 49
- 238000005096 rolling process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000010978 in-process monitoring Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于PCA‑Cpk的冷连轧生产线服役质量状态评估方法,通过数据预处理、T2统计指标和T2控制限计算、服役质量指数计算与系统服役质量状态评估三个步骤给出冷连轧生产线的服役质量指数,能够对冷连轧生产线服役质量状态做出准确评估,对系统故障实时做出预警预报,预防事故发生,指导维修维护。
Description
技术领域
本发明属于复杂机电系统服役质量状态监控与分析领域,具体涉及一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法。
背景技术
冷连轧机是冶金行业中控制系统最复杂、自动化程度最高、精度要求最严的装备之一,它在一定程度上代表了国家钢铁工业技术发展的水平。冷连轧生产线的服役质量状态直接影响所轧制面板的精度,不仅如此,不能准确得知生产线的服役质量状态,将带来极大的安全风险,所以,对生产线服役质量状态的评估十分必要。冷连轧生产线属于复杂机电系统,生产线在运行过程中会积累大量工艺、电气等数据,然而如何利用这些数据去评价生产线的服役质量状态,尚缺乏有效手段。传统的复杂机电系统服役质量状态评估主要分为三类,即基于模型的、基于知识的和数据驱动的方法。基于模型的分析方法以系统的数学模型为基础,建立系统的解析模型,以系统输入推导出系统输出。基于知识的方法以该领域专家的启发式经验为核心,建立知识库并推理出系统状态,如专家系统、模糊推理等。数据驱动的方法不建立系统数学模型,也不过分依赖先验知识,直接利用系统的输入输出数据进行信息处理获知系统状态。
冷连轧生产线监测参数通常在几十到数百个,采集间隔时间为毫秒级。当今国内冷连轧生产线基本都采取单变量超差预警方式,直接给参数设置控制限,超过该控制线则报警,该预警方式过于片面,不能反映整条生产线的运行状态,甚至有的生产线完全凭工人经验判断其服役质量状态。
主成分分析(PCA)方法是一种多变量统计方法,常用于过程监测领域,该方法最终以T2统计指标和变量贡献图来分析设备故障情况,但是实际生产中数据量大,PCA所得结果是若干图表,必须经过技术人员再分析才能判断设备的运行状态。过程能力指数(Cpk)表示过程平均值与目标值的偏离程度,但是在服役质量评估领域,目标值设置困难。
发明内容
为了解决现有技术中的问题,本发明提出一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法,以冷连轧生产线现场监测数据为基础,以多元传感器信息融合为理论依据,提出服役质量指数以实时评估冷连轧生产线的服役质量状态,评估运行状态更加简洁,减少了人工处理信息的繁琐步骤,容易实现自动化。
为了实现以上目的,本发明所采用的技术方案为:包括以下步骤:
1)从冷连轧生产线现场数据采集系统中提取服役质量状态评估数据,建立原始矩阵,并对原始矩阵进行标准化处理;
2)利用主成分分析方法对步骤1)标准化后的原始矩阵进行信息融合,得到T2统计指标和T2控制限;
3)以步骤2)得到的T2统计指标和T2控制限,采用过程能力指数计算公式计算服役质量指数,用所得服役质量指数与指数目标值比较,通过计算服役质量指数落在目标指数的区间来评价生产线的服役质量状态,指数数值越大代表服役质量状态越好。
所述步骤1)选取冷连轧生产线正常运行时的服役质量状态评估数据作为训练集,建立标准模式库,选取当前冷连轧生产线生产的服役质量状态评估数据作为测试集,分别建立训练集原始矩阵和测试集原始矩阵,并分别对训练集原始矩阵和测试集原始矩阵进行标准化处理。
所述步骤1)中服役质量状态评估数据包括电流、转矩、转速、力、位移和温度数据,所述原始矩阵的行数代表所选服役质量状态评估数据的条数,原始矩阵的列数代表每条数据包含的变量个数。
所述步骤1)中标准化处理包括数据中心化和方差归一化处理,计算公式如下:
其中,xi,j为原始矩阵,为归一化后矩阵,为原始矩阵第j列均值,sj为原始矩阵第j列方差。
所述步骤2)包括以下步骤:
2.1)标准化后的训练集原始矩阵为m x n的矩阵,m表示所选数据的条数,n表示每条数据所包含的变量个数,计算训练集原始矩阵的协方差矩阵:
2.2)求得训练集原始矩阵的协方差矩阵的特征值,并将特征值从大到小排列;
2.3)根据排序后的特征值计算累计贡献率:
其中,λi为排序后的第i个特征值,A为所选特征值个数,当计算到第A个特征值时,累计贡献率大于等于0.9,则取前A个特征值对应的特征向量,组成一个n x A的矩阵,该矩阵成为主元矩阵;
2.4)根据F分布计算主元矩阵的T2统计控制限:
其中,n为建模数据的样本个数,A为主成分模型中保留的主成分个数,α为显著性水平,在自由度为A,n-A条件下的F分布临界值由统计表中查到;
2.5)将标准化后的测试集原始矩阵投影到步骤2.3)建立的主元矩阵中;
2.6)计算投影后数据的T2统计指标:
其中,t为主元矩阵,A为主元个数。
所述步骤3)中服役质量指数计算公式如下:
服役质量指数=Cp·(1-|Ca|)
其中,σ为T2统计指标的标准差,X为T2统计指标的均值,n为T2分布值的个数;U为T2统计指标的中心值,即Tα 2/2。
与现有技术相比,本发明通过数据预处理、T2统计指标和T2控制限计算、服役质量指数计算与系统服役质量状态评估三个步骤给出冷连轧生产线的服役质量指数,以冷连轧生产线现场监测数据为基础,以多元传感器信息融合为理论依据,提出服役质量指数以实时评估冷连轧生产线的服役质量状态,能够做到及时预警,更有效的避免事故风险。本发明相比直接用PCA方法评估运行状态更加简洁,减少了人工处理信息的繁琐步骤,更容易实现自动化,能够对冷连轧生产线服役质量状态做出准确评估,对系统故障实时做出预警预报,预防事故发生,指导维修维护。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合具体的实施例和说明书附图对本发明作进一步的解释说明。
参见图1,本发明包括以下步骤:
1)从冷连轧生产线现场数据采集系统中提取服役质量状态评估数据,建立原始矩阵,并对原始矩阵进行标准化处理,具体包括以下步骤:
1.1)选取冷连轧生产线正常运行时的服役质量状态评估数据作为训练集,建立标准模式库,选取当前冷连轧生产线生产的服役质量状态评估数据作为测试集,分别建立训练集原始矩阵和测试集原始矩阵;服役质量状态评估数据包括从冷连轧生产线现场数据采集系统中提取服役质量状态评估所需电流、转矩、转速、力、位移、温度等相关数据,原始矩阵的行数代表所选服役质量状态评估数据的条数,原始矩阵的列数代表每条数据包含的变量个数;
1.2)分别对训练集原始矩阵和测试集原始矩阵进行标准化处理,标准化处理包括数据中心化和方差归一化处理,计算公式如下:
其中,xi,j为原始矩阵,为归一化后矩阵,为原始矩阵第j列均值,sj为原始矩阵第j列方差;
2)利用主成分分析方法对步骤1)标准化后的原始矩阵进行信息融合,得到T2统计指标和T2控制限,具体包括以下步骤:
2.1)标准化后的训练集原始矩阵为m x n的矩阵,m表示所选数据的条数,n表示每条数据所包含的变量个数,计算训练集原始矩阵的协方差矩阵:
2.2)求得训练集原始矩阵的协方差矩阵的特征值,并将特征值从大到小排列;
2.3)根据排序后的特征值计算累计贡献率:
其中,λi为排序后的第i个特征值,A为所选特征值个数,当计算到第A个特征值时,累计贡献率大于等于0.9,则取前A个特征值对应的特征向量,组成一个n x A的矩阵,该矩阵成为主元矩阵;
2.4)根据F分布计算主元矩阵的T2统计控制限:
其中,n为建模数据的样本个数,A为主成分模型中保留的主成分个数,α为显著性水平,在自由度为A,n-A条件下的F分布临界值由统计表中查到;
2.5)将标准化后的测试集原始矩阵投影到步骤2.3)建立的主元矩阵中;
2.6)计算投影后数据的T2统计指标:
其中,t为主元矩阵,A为主元个数,T2统计指标是一个多变量统计指标,当其处于受控状态时,表示生产过程稳定;
3)以步骤2)得到的T2统计指标和T2控制限,采用过程能力指数计算公式计算服役质量指数:
服役质量指数=Cp·(1-|Ca|)
其中,σ为T2统计指标的标准差,X为T2统计指标的均值,n为T2分布值的个数;U为T2统计指标的中心值,即Tα 2/2;
用所得服役质量指数与指数目标值比较:
等级 | Cpk值 |
1.67≤Cpk | |
A | 1.33≤Cpk<1.67 |
B | 1.00≤Cpk<1.33 |
C | 0.67≤Cpk<1.00 |
D | Cpk<0.67 |
通过服役质量指数落在目标指数的区间来评价生产线的服役质量状态,指数数值越大代表服役质量状态越好。
本发明将PCA和Cpk的概念集成起来,以PCA输出的T2统计指标和T2控制限为基础,用Cpk的计算公式计算服役质量指数,最终用一个指数来评估冷连轧生产线服役质量状态,结果清晰、准确,以冷连轧生产线现场监测数据为基础,以多元传感器信息融合为理论依据,提出服役质量指数以实时评估冷连轧生产线的服役质量状态,能够做到及时预警,更有效的避免事故风险。
Claims (6)
1.一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法,其特征在于,包括以下步骤:
1)从冷连轧生产线现场数据采集系统中提取服役质量状态评估数据,建立原始矩阵,并对原始矩阵进行标准化处理;
2)利用主成分分析方法对步骤1)标准化后的原始矩阵进行信息融合,得到T2统计指标和T2控制限;
3)以步骤2)得到的T2统计指标和T2控制限,采用过程能力指数计算公式计算服役质量指数,用所得服役质量指数与指数目标值比较,通过计算服役质量指数落在目标指数的区间来评价生产线的服役质量状态,指数数值越大代表服役质量状态越好。
2.根据权利要求1所述的一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法,其特征在于,所述步骤1)选取冷连轧生产线正常运行时的服役质量状态评估数据作为训练集,建立标准模式库,选取当前冷连轧生产线生产的服役质量状态评估数据作为测试集,分别建立训练集原始矩阵和测试集原始矩阵,并分别对训练集原始矩阵和测试集原始矩阵进行标准化处理。
3.根据权利要求2所述的一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法,其特征在于,所述步骤1)中服役质量状态评估数据包括电流、转矩、转速、力、位移和温度数据,所述原始矩阵的行数代表所选服役质量状态评估数据的条数,原始矩阵的列数代表每条数据包含的变量个数。
4.根据权利要求3所述的一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法,其特征在于,所述步骤1)中标准化处理包括数据中心化和方差归一化处理,计算公式如下:
其中,xi,j为原始矩阵,为归一化后矩阵,为原始矩阵第j列均值,sj为原始矩阵第j列方差。
5.根据权利要求4所述的一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法,其特征在于,所述步骤2)包括以下步骤:
2.1)标准化后的训练集原始矩阵为mxn的矩阵,m表示所选数据的条数,n表示每条数据所包含的变量个数,计算训练集原始矩阵的协方差矩阵:
2.2)求得训练集原始矩阵的协方差矩阵的特征值,并将特征值从大到小排列;
2.3)根据排序后的特征值计算累计贡献率:
其中,λi为排序后的第i个特征值,A为所选特征值个数,当计算到第A个特征值时,累计贡献率大于等于0.9,则取前A个特征值对应的特征向量,组成一个nxA的矩阵,该矩阵成为主元矩阵;
2.4)根据F分布计算主元矩阵的T2统计控制限:
其中,n为建模数据的样本个数,A为主成分模型中保留的主成分个数,α为显著性水平,在自由度为A,n-A条件下的F分布临界值由统计表中查到;
2.5)将标准化后的测试集原始矩阵投影到步骤2.3)建立的主元矩阵中;
2.6)计算投影后数据的T2统计指标:
其中,t为主元矩阵,A为主元个数。
6.根据权利要求5所述的一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法,其特征在于,所述步骤3)中服役质量指数计算公式如下:
服役质量指数=Cp·(1-|Ca|)
其中,σ为T2统计指标的标准差,X为T2统计指标的均值,n为T2分布值的个数;U为T2统计指标的中心值,即Tα 2/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710035596.2A CN106845826B (zh) | 2017-01-18 | 2017-01-18 | 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710035596.2A CN106845826B (zh) | 2017-01-18 | 2017-01-18 | 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845826A true CN106845826A (zh) | 2017-06-13 |
CN106845826B CN106845826B (zh) | 2021-02-02 |
Family
ID=59124598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710035596.2A Active CN106845826B (zh) | 2017-01-18 | 2017-01-18 | 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845826B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549967A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机刀盘性能健康评估方法与系统 |
CN109545346A (zh) * | 2018-11-13 | 2019-03-29 | 广州金域医学检验中心有限公司 | 检测系统的单侧能力评估方法及装置 |
CN109583075A (zh) * | 2018-11-26 | 2019-04-05 | 湖南科技大学 | 基于温度参数预测的永磁直驱风力机服役质量评价方法 |
CN113276370A (zh) * | 2020-12-07 | 2021-08-20 | 上海澎睿智能科技有限公司 | 利用注塑模腔内传感器数据进行注塑工艺能力分析的方法 |
CN116343359A (zh) * | 2023-02-16 | 2023-06-27 | 唐山三友化工股份有限公司 | 一种工业生产异常行为态势检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130035910A1 (en) * | 2010-09-29 | 2013-02-07 | Yingwei Zhang | Continuous annealing process fault detection method based on recursive kernel principal component analysis |
CN103324147A (zh) * | 2012-03-20 | 2013-09-25 | 陈景正 | 基于主成分分析的卷烟工序质量评价方法及其系统 |
CN104700200A (zh) * | 2014-12-18 | 2015-06-10 | 西安交通大学 | 一种面向数字化车间的产品多元质量监控方法 |
-
2017
- 2017-01-18 CN CN201710035596.2A patent/CN106845826B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130035910A1 (en) * | 2010-09-29 | 2013-02-07 | Yingwei Zhang | Continuous annealing process fault detection method based on recursive kernel principal component analysis |
CN103324147A (zh) * | 2012-03-20 | 2013-09-25 | 陈景正 | 基于主成分分析的卷烟工序质量评价方法及其系统 |
CN104700200A (zh) * | 2014-12-18 | 2015-06-10 | 西安交通大学 | 一种面向数字化车间的产品多元质量监控方法 |
Non-Patent Citations (3)
Title |
---|
冯玉光 等: "主成分分析法在薄板坯连铸连轧生产线质量控制问题中的应用", 《2006北京地区高校研究生学术交流会》 * |
金荣荣等: "基于主成分分析和霍特林T2控制图的损伤识别", 《2010 INTERNATIONAL CONFERENCE ON CIRCUIT AND SIGNAL PROCESSING (ICCSP 2010) & 2010 SECOND IITA INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE (IITA-JCAI 2010)》 * |
金荣荣等: "基于主成分分析和霍特林T2控制图的损伤识别", 《2011 AASRI CONFERENCE ON APPLIED INFORMATION TECHNOLOGY(AASRI-AIT 2011)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549967A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机刀盘性能健康评估方法与系统 |
CN108549967B (zh) * | 2018-03-07 | 2021-05-25 | 上海交通大学 | 盾构机刀盘性能健康评估方法与系统 |
CN109545346A (zh) * | 2018-11-13 | 2019-03-29 | 广州金域医学检验中心有限公司 | 检测系统的单侧能力评估方法及装置 |
CN109545346B (zh) * | 2018-11-13 | 2021-10-19 | 广州金域医学检验中心有限公司 | 检测系统的单侧能力评估方法及装置 |
CN109583075A (zh) * | 2018-11-26 | 2019-04-05 | 湖南科技大学 | 基于温度参数预测的永磁直驱风力机服役质量评价方法 |
CN109583075B (zh) * | 2018-11-26 | 2022-12-02 | 湖南科技大学 | 基于温度参数预测的永磁直驱风力机服役质量评价方法 |
CN113276370A (zh) * | 2020-12-07 | 2021-08-20 | 上海澎睿智能科技有限公司 | 利用注塑模腔内传感器数据进行注塑工艺能力分析的方法 |
CN116343359A (zh) * | 2023-02-16 | 2023-06-27 | 唐山三友化工股份有限公司 | 一种工业生产异常行为态势检测方法及系统 |
CN116343359B (zh) * | 2023-02-16 | 2023-10-31 | 唐山三友化工股份有限公司 | 一种工业生产异常行为态势检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106845826B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845826A (zh) | 一种基于PCA‑Cpk的冷连轧生产线服役质量状态评估方法 | |
CN102033523B (zh) | 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法 | |
DE102017108169B4 (de) | Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt | |
DE102016009032B4 (de) | Maschinenlerneinheit, Spindelersatzbeurteilungsvorrichtung, Steuerung, Werkzeugmaschine, Produktionssystem und maschinelles Lernverfahren, die zur Beurteilung der Notwendigkeit eines Spindelersatzes fähig sind | |
EP1743133B1 (de) | Verfahren und einrichtung zur ermittlung der leistungsfähigkeit eines wärmetauschers | |
DE102011102034B4 (de) | Online-Abgleich eines prozessanalytischen Modells mit effektivem Prozessbetrieb | |
CN105955219A (zh) | 基于互信息的分布式动态过程故障检测方法 | |
Zhu et al. | Two-dimensional contribution map for fault identification [focus on education] | |
DE112011101738T5 (de) | Mehrstufiges Prozessmodellierungsverfahren | |
CN102147982B (zh) | 一种扇区动态容量预测的方法 | |
CN106682781A (zh) | 一种电力设备多指标预测方法 | |
DE102012103652A1 (de) | Verfahren, Computerprogramm und System zur Durchführung der Interpolation bei Sensordaten zur Erzielung einer hohen Systemverfügbarkeit | |
CN101403923A (zh) | 基于非高斯成分提取和支持向量描述的过程监控方法 | |
EP3232282B1 (de) | Diagnoseeinrichtung und verfahren zur überwachung des be-triebs einer technischen anlage | |
CN110245460B (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
EP2895926A1 (de) | Verfahren zur rechnergestützten überwachung des betriebs eines technischen systems, insbesondere einer elektrischen energieerzeugungsanlage | |
DE102018115155A1 (de) | Verfahren zum Vorhersagen von Anlagendaten und Vorrichtung, die es verwendet | |
CN106529832A (zh) | 一种基于马尔科夫可靠性修正模型的继电保护系统风险评估方法 | |
CN112101811A (zh) | 一种供水管网爆管风险预测方法及系统 | |
WO2020216530A1 (de) | Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
EP2881822A1 (de) | Computer-implementiertes Verfahren und System zur automatischen Überwachung und Statusermittlung ganzer Prozessabschnitte in einer Process Unit | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
US6314413B1 (en) | Method for controlling process events using neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |