CN106959684B - 基于压缩感知和联合范数优化的故障诊断方法和装置 - Google Patents
基于压缩感知和联合范数优化的故障诊断方法和装置 Download PDFInfo
- Publication number
- CN106959684B CN106959684B CN201710195943.8A CN201710195943A CN106959684B CN 106959684 B CN106959684 B CN 106959684B CN 201710195943 A CN201710195943 A CN 201710195943A CN 106959684 B CN106959684 B CN 106959684B
- Authority
- CN
- China
- Prior art keywords
- norm
- joint
- fault diagnosis
- optimization
- default
- 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
-
- 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
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提出一种基于压缩感知和联合范数优化的故障诊断方法和装置,其中,方法包括:对获取的故障状态进行二值化处理;根据处理结果建立故障诊断的线性测量模型;通过压缩感知方法根据线性测量模型的测量数据推断系统状态;利用具有第一预设范数和第二预设范数的联合范数作为目标函数对系统状态进行优化求解。由此,通过基于压缩感知和联合范数优化的故障诊断,能够使得求解结果精确度更高,提高故障诊断的准确性和效率。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种基于压缩感知和联合范数优化的故障诊断方法和装置。
背景技术
目前,主要采用主元分析(PCA)和主元回归(PCR)的方法分析故障诊断问题。具体地,对存在相关性的自变量进行处理,从而得出内在相关性最大的主要变元,然后对于这些主元进行回归运算求出在误差最小约束下的最优解。
上述方式在一些领域有着非常广泛的应用和显著的效果,然而在处理某些问题上却不是特别有效。举例而言,对于高炉炼铁的问题,用PCA和PCR的方法,检测一些变量大小的变化往往有效,但对于阀门开关的问题,控制量是否施加这种简单的问题检测效果却并不是很理想,尤其是多维度强耦合的系统。可以理解的是,一般PCR采用的是误差二范数最小的约束,但当优化目标为二值化变量时,这种方法就有一定的局限性了。我们通常假设只是某一些尽可能少的节点出现了问题,而大多数节点我们认为还是正常可靠工作的。
因此,针对上述类似这种可以二值化或者是离散系统问题的故障诊断就需要一种有效的分析方法,解决故障诊断准确性低的问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种基于压缩感知和联合范数优化的故障诊断方法,该方法通过基于压缩感知和联合范数优化的故障诊断,能够使得求解结果精确度更高,提高故障诊断的准确性和效率。
本发明的第二个目的在于提出一种基于压缩感知和联合范数优化的故障诊断装置。
为达上述目的,本发明第一方面实施例提出了一种基于压缩感知和联合范数优化的故障诊断方法,包括:对获取的故障状态进行二值化处理;根据所述处理结果建立故障诊断的线性测量模型;通过压缩感知方法根据所述线性测量模型的测量数据推断系统状态;利用具有第一预设范数和第二预设范数的联合范数作为目标函数对所述系统状态进行优化求解。
本发明实施例的基于压缩感知和联合范数优化的故障诊断方法,通过对获取的故障状态进行二值化处理,并根据处理结果建立故障诊断的线性测量模型,然后通过压缩感知方法根据线性测量模型的测量数据推断系统状态,最后利用具有第一预设范数和第二预设范数的联合范数作为目标函数对系统状态进行优化求解。由此,通过基于压缩感知和联合范数优化的故障诊断,能够使得求解结果精确度更高,提高故障诊断的准确性和效率。
另外,根据本发明上述实施例的基于压缩感知和联合范数优化的故障诊断方法还可以具有如下附加的技术特征:
可选地,所述故障诊断的线性测量模型为:r=Ax+w,其中,A∈RM×N为已知测量矩阵,r∈RM为测量数据向量,为噪声向量,x∈XN为系统状态变量。
可选地,通过压缩感知方法根据所述线性测量模型的测量数据推断系统状态的故障诊断为:
可选地,所述第一预设范数为l1范数和所述第二预设范数为l∞范数、或者所述联合范数为l1-∞范数。
可选地,所述目标优化函数为:其中,λ为可调参数。
为达上述目的,本发明第二方面实施例提出了一种基于压缩感知和联合范数优化的故障诊断装置,包括:处理模块,用于对获取的故障状态进行二值化处理;建立模块,用于根据所述处理结果建立故障诊断的线性测量模型;推断模块,用于通过压缩感知方法根据所述线性测量模型的测量数据推断系统状态;求解模块,用于利用具有第一预设范数和第二预设范数的联合范数作为目标函数对所述系统状态进行优化求解。
本发明实施例的基于压缩感知和联合范数优化的故障诊断装置,通过对获取的故障状态进行二值化处理,并根据处理结果建立故障诊断的线性测量模型,然后通过压缩感知方法根据线性测量模型的测量数据推断系统状态,最后利用具有第一预设范数和第二预设范数的联合范数作为目标函数对系统状态进行优化求解。由此,通过基于压缩感知和联合范数优化的故障诊断,能够使得求解结果精确度更高,提高故障诊断的准确性和效率。
另外,根据本发明上述实施例的基于压缩感知和联合范数优化的故障诊断装置还可以具有如下附加的技术特征:
可选地,所述故障诊断的线性测量模型为:r=Ax+w,其中,A∈RM×N为已知测量矩阵,r∈RM为测量数据向量,为噪声向量,x∈XN为系统状态变量。
可选地,推断模块的故障诊断为:
可选地,所述第一预设范数为l1范数和所述第二预设范数为l∞范数、或者所述联合范数为l1-∞范数。
可选地,所述目标优化函数为:其中,λ为可调参数。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例的基于压缩感知和联合范数优化的故障诊断方法的流程图;
图2是根据本发明一个实施例不同范数进行优化求解的结果比较示意图;
图3是根据本发明一个实施例的基于压缩感知和联合范数优化的故障诊断装置的结构示意图;
图4是根据本发明另一个实施例的基于压缩感知和联合范数优化的故障诊断装置的结构示意图;
图5是根据本发明一个实施例的基于压缩感知和联合范数优化的故障诊断系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于压缩感知和联合范数优化的故障诊断方法和装置。
目前,传统的故障诊断方法在某些情况下对于系统的故障检测和识别的效果不是很理想,尤其是对于监控变量和控制量特别多的复杂系统,比如大型的系统如电网系统、水电站系统、高炉炼铁系统等。
为了克服上述问题,本申请提出一种基于压缩感知和联合范数优化的故障诊断方法,能够使得求解结果精确度更高,提高故障诊断的准确性和效率。具体如下:
图1是根据本发明一个实施例的基于压缩感知和联合范数优化的故障诊断方法的流程图。
如图1所示,该基于压缩感知和联合范数优化的故障诊断方法包括以下步骤:
步骤110,对获取的故障状态进行二值化处理。
可以理解的是,不同的系统出现的故障不同。可以根据实际应用需要进行选择设置。例如,比如对于具体工业系统表现为某个阀门的开闭,或者风扇的开关等。
具体地,可以根据需要通过不同的方法来获取上述故障,比如通过预设的传感器获取某个阀门的开启等。
进一步地,在获取故障后,可以通过二值化的方式对故障状态进行处理。其中,二值化有很多种方式,可以根据实际应用需要进行选择设置,举例说明如下:
示例一,通过设置阈值的方式。
具体地,针对较为简单的系统设置阈值即可进行二值化操作。
示例二,通过采用聚类的方法进行二值化处理。
具体地,针对较为复杂的系统,可以对各工作模态进行多元统计建模,结合数据挖掘和多元统计分析的技术,最后通过采用聚类的方法进行二值化处理。
更具体地,为了本领域人员更加清楚直观了解上述处理结果。比如正常状态可以用0表示,故障状态可以用1来表示。进一步的,还可以更加细化故障程度,如0表示无故障,1表示轻度故障,2表示中度故障,3表示严重故障。
步骤120,根据处理结果建立故障诊断的线性测量模型。
具体地,在本发明的一个实施例中,故障诊断的线性测量模型为:r=Ax+w,其中,A∈RM×N为已知测量矩阵,r∈RM为测量数据向量,为噪声向量,x∈XN为系统状态变量。
可以理解的是,x∈XN×1,X={0,1,2,3},即0表示无故障,1表示轻度故障,2表示中度故障,4表示严重故障。
步骤130,通过压缩感知方法根据线性测量模型的测量数据推断系统状态。
步骤140,利用具有第一预设范数和第二预设范数的联合范数作为目标函数对系统状态进行优化求解。
具体地,压缩感知方法是将具有稀疏特性的有限维原始信号投影到感知矩阵上,从而由此可以得到观测向量。对于观测信号进行处理分析原始信号中的重要信息,从而得到重构信号。由于观测向量包含的原始信号的重要信息,且其包含较少的冗余信息,所以,可以对观测向量进行重构,得到既包含原始信号重要信息又具有较小冗余信息的重构信号。
具体地,在本发明的一个实施例中,根据测量数据向量r来推断系统状态x的故障诊断为
可以理解的是,由于实际条件限制,往往使得测量数据有限,使得测量变量个数M小于故障状态变量数N,从而构成一个病态故障诊断问题。
进一步地,由于出现故障的概率较小,因而故障状态是一个稀疏向量,传统基于最小二乘法的各种检测算法在本问题中失效。此问题可以转化为一个二进制压缩感知问题。
在实际应用当中,可以考虑有限字符集因素可以将X={0,1}转化为X′={-1,1}进而原问题松弛为
在实际应用当中,进一步考虑稀疏性因素,可以使用l0范数进行刻画,l0范数最紧致的凸松弛是l1范数。综合考虑稀疏性和二值性两方面因素,最合理的思路是引入l1-∞范数,从而利用凸优化进行求解。目标优化函数为:
其中,λ为可调参数。
需要说明的是,在实际问题中可以通过调整数值使得求解更加精确。
需要说明的是,设计凸优化目标为使得l1-∞范数,也就是对带参数的l1范数与l∞的联合范数使用凸优化的方法求解。传统方法多为使用投影梯度,最近有研究者采用正交匹配追踪方法,但基于l1-∞范数联合优化的方法为首创。
综上所述,本发明实施例的基于压缩感知和联合范数优化的故障诊断方法,通过对获取的故障状态进行二值化处理,并根据处理结果建立故障诊断的线性测量模型,然后通过压缩感知方法根据线性测量模型的测量数据推断系统状态,最后利用具有第一预设范数和第二预设范数的联合范数作为目标函数对系统状态进行优化求解。由此,通过基于压缩感知和联合范数优化的故障诊断,能够使得求解结果精确度更高,提高故障诊断的准确性和效率。
基于上述实施例,为了本领域人员更加清楚上述过程,下面以一个具有256个系统状态、160个测量数据,并且测量矩阵已知的系统结合上述步骤举例说明如下:
具体地,故障诊断的线性测量模型为:r=Ax+w。
设M为160,N为256且A∈RM×N为已知测量矩阵,x∈XN×1,X={0,1,2,3},0表示无故障,1表示轻度故障,2表示中度故障,4表示严重故障。其中,ai,j~N(0,1/M),
进一步,根据测量数据向量r来推断系统状态x,引入l1-∞范数,根据目标优化函数利用凸优化进行求解。选取单纯l1范数、l∞范数、正交匹配追踪、以及投影梯度算法进行比较。
为了本领域人员更加直观了解上述比较结果,下面结合图2进行具体说明。
图2是根据本发明一个实施例不同范数进行优化求解的结果比较示意图。如图2所示,从上往下具体描述,第1表示原始故障状态(original);第2表示使用l1范数作为目标函数优化;第3表示使用l∞范数作为目标函数优化;第4表示使用l1-∞范数作为目标函数混合优化;第5表示正交匹配追踪算法;第6表示投影梯度算法。可以看出联合l1-∞范数优化算法精确度比其余算法明显更高。
由此,通过基于压缩感知和联合范数优化的故障诊断,能够使得求解结果精确度更高,提高故障诊断的准确性和效率。
为了实现上述实施例,本发明还提出一种基于压缩感知和联合范数优化的故障诊断装置。
图3是根据本发明一个实施例的基于压缩感知和联合范数优化的故障诊断装置的结构示意图。
如图3所示,该基于压缩感知和联合范数优化的故障诊断装置包括:处理模块31、建立模块32、推断模块33和求解模块34。
其中,处理模块31用于对获取的故障状态进行二值化处理。
建立模块32用于根据处理结果建立故障诊断的线性测量模型。
推断模块33用于通过压缩感知方法根据线性测量模型的测量数据推断系统状态。
求解模块34用于利用具有第一预设范数和第二预设范数的联合范数作为目标函数对系统状态进行优化求解。
在本发明的一个实施例中,所述故障诊断的线性测量模型为:r=Ax+w,其中,A∈RM×N为已知测量矩阵,r∈RM为测量数据向量,为噪声向量,x∈XN为系统状态变量。
在本发明的一个实施例中,推断模块的故障诊断为:
在本发明的一个实施例中,所述第一预设范数为l1范数和所述第二预设范数为l∞范数、或者所述联合范数为l1-∞范数。
在本发明的一个实施例中,所述目标优化函数为:其中,λ为可调参数。
需要说明的是,前述对基于压缩感知和联合范数优化的故障诊断方法实施例的解释说明也适用于本实施例基于压缩感知和联合范数优化的故障诊断装置,此处不再赘述。
综上所述,本发明实施例的基于压缩感知和联合范数优化的故障诊断装置,通过对获取的故障状态进行二值化处理,并根据处理结果建立故障诊断的线性测量模型,然后通过压缩感知方法根据线性测量模型的测量数据推断系统状态,最后利用具有第一预设范数和第二预设范数的联合范数作为目标函数对系统状态进行优化求解。由此,通过基于压缩感知和联合范数优化的故障诊断,能够使得求解结果精确度更高,提高故障诊断的准确性和效率。
为了本领域人员更加清楚上述实施例中的基于压缩感知和联合范数优化的故障诊断装置是如何具体基于压缩感知和联合范数优化的故障诊断,获得求解结果。下面结合图4和图5具体说明如下:图4是根据本发明另一个实施例的基于压缩感知和联合范数优化的故障诊断装置的结构示意图。
如图4所示,该基于压缩感知和联合范数优化的故障诊断装置包括:处理模块31、建立模块32、推断模块33和求解模块34。
图5是根据本发明一个实施例的基于压缩感知和联合范数优化的故障诊断系统的结构示意图。
如图5所示,该基于压缩感知和联合范数优化的故障诊断系统包括:数据采集模块A,联合范数获取模块B和基于压缩感知和联合范数优化的故障诊断装置C。
具体地,图5中的数据采集设备A获取的工业系统(比如水电站系统)中的故障状态,将故障状态输入处理模块31,接着处理模块31能够通过多个二值化处理方式对故障状态进行二值化处理。其中,不同的二值化处理方式得到的结果不同。
进一步地,将处理结果输入建立模块32,接着建立模块能够通过处理结果比如无故障、轻度故障、中度故障和严重故障等建立一个线性测量模型。
进一步地,将线性测量模型应用到推断模块33中,推断模块33基于压缩感知方法根据线性测量模型的测量数据推断系统的状态。
最后,将系统的状态输入求解模块34,图5中具有第一预设范数和第二预设范数的联合范数获取模块B,求解模块34利用B作为目标函数对系统的状态进行优化求解。
由此,通过对获取的故障状态进行二值化处理,并根据处理结果建立故障诊断的线性测量模型,然后通过压缩感知方法根据线性测量模型的测量数据推断系统状态,最后利用具有第一预设范数和第二预设范数的联合范数作为目标函数对系统状态进行优化求解。由此,通过基于压缩感知和联合范数优化的故障诊断,能够使得求解结果精确度更高,提高故障诊断的准确性和效率。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于压缩感知和联合范数优化的故障诊断方法,其特征在于,包括以下步骤:
对获取的故障状态进行二值化处理;
根据所述二值化处理结果建立故障诊断的线性测量模型;
通过压缩感知方法根据所述线性测量模型的测量数据推断系统状态;
利用具有第一预设范数和第二预设范数的联合范数作为目标函数对所述系统状态进行优化求解。
2.如权利要求1所述的方法,其特征在于,所述故障诊断的线性测量模型为:
r=Ax+w,其中,A∈RM×N为已知测量矩阵,r∈RM为测量数据向量,为噪声向量,x∈XN为系统状态变量,IM为M*M的单位矩阵。
3.如权利要求2所述的方法,其特征在于,通过压缩感知方法根据所述线性测量模型的测量数据推断系统状态的故障诊断为:
4.如权利要求1所述的方法,其特征在于,所述第一预设范数为l1范数和所述第二预设范数为l∞范数、或者所述联合范数为l1-∞范数。
5.如权利要求3所述的方法,其特征在于,目标优化函数为:
其中,λ为可调参数。
6.一种基于压缩感知和联合范数优化的故障诊断装置,其特征在于,包括:
处理模块,用于对获取的故障状态进行二值化处理;
建立模块,用于根据所述二值化处理结果建立故障诊断的线性测量模型;
推断模块,用于通过压缩感知方法根据所述线性测量模型的测量数据推断系统状态;
求解模块,用于利用具有第一预设范数和第二预设范数的联合范数作为目标函数对所述系统状态进行优化求解。
7.如权利要求6所述的装置,其特征在于,所述故障诊断的线性测量模型为:
r=Ax+w,其中,A∈RM×N为已知测量矩阵,r∈RM为测量数据向量,为噪声向量,x∈XN为系统状态变量,IM为M*M的单位矩阵。
8.如权利要求7所述的装置,其特征在于,推断模块的故障诊断为:
9.如权利要求6所述的装置,其特征在于,所述第一预设范数为l1范数和所述第二预设范数为l∞范数、或者所述联合范数为l1-∞范数。
10.如权利要求8所述的装置,其特征在于,目标优化函数为:
其中,λ为可调参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710195943.8A CN106959684B (zh) | 2017-03-29 | 2017-03-29 | 基于压缩感知和联合范数优化的故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710195943.8A CN106959684B (zh) | 2017-03-29 | 2017-03-29 | 基于压缩感知和联合范数优化的故障诊断方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106959684A CN106959684A (zh) | 2017-07-18 |
CN106959684B true CN106959684B (zh) | 2019-02-19 |
Family
ID=59470643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710195943.8A Active CN106959684B (zh) | 2017-03-29 | 2017-03-29 | 基于压缩感知和联合范数优化的故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106959684B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112099477B (zh) * | 2020-11-05 | 2021-02-02 | 天能电池集团股份有限公司 | 一种锂离子电池生产过程中的故障溯源方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200478B (zh) * | 2014-09-12 | 2017-03-22 | 广东财经大学 | 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法 |
CN104717689B (zh) * | 2015-03-12 | 2018-05-11 | 清华大学 | 一种无线传感器网络的故障诊断方法 |
CN105260777B (zh) * | 2015-09-24 | 2018-02-02 | 上海电力学院 | 一种多参数优化的弱暂态零序电流故障特征提取方法 |
CN105258947B (zh) * | 2015-11-06 | 2017-06-23 | 北京航空航天大学 | 一种基于压缩感知的工况扰动条件下的滚动轴承故障诊断方法 |
CN106444694A (zh) * | 2016-05-30 | 2017-02-22 | 重庆大学 | 一种大数据下系统异常工况预警技术 |
-
2017
- 2017-03-29 CN CN201710195943.8A patent/CN106959684B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106959684A (zh) | 2017-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Anomaly detection and critical SCADA parameters identification for wind turbines based on LSTM-AE neural network | |
Lee et al. | Fault detection based on one-class deep learning for manufacturing applications limited to an imbalanced database | |
CN102354204B (zh) | 诊断装置 | |
Baraldi et al. | Unsupervised clustering for fault diagnosis in nuclear power plant components | |
CN101937207B (zh) | 机械设备状态的智能可视化监测与诊断方法 | |
CN104123448B (zh) | 基于上下文的多数据流异常检测方法 | |
CN108919059A (zh) | 一种电网故障诊断方法、装置、设备及可读存储介质 | |
Xu et al. | Anomaly detection of power consumption in yarn spinning using transfer learning | |
CN106959684B (zh) | 基于压缩感知和联合范数优化的故障诊断方法和装置 | |
Ma et al. | Fault Diagnosis Method of Check Valve Based on Multikernel Cost‐Sensitive Extreme Learning Machine | |
KR102383675B1 (ko) | 시계열 데이터 이상 진단 시스템 | |
CN117195114A (zh) | 一种化工产线状态识别方法及系统 | |
Mandal et al. | A novel approach for fault detection and classification of the thermocouple sensor in nuclear power plant using singular value decomposition and symbolic dynamic filter | |
CN102156772A (zh) | 基于逻辑相容性的数字电路故障诊断方法及系统 | |
CN117094164A (zh) | 一种基于混合信息熵的传感器布局优化方法 | |
TW202100863A (zh) | 異常診斷裝置及方法 | |
CN116522070A (zh) | 一种机械零部件无监督智能故障诊断方法及系统 | |
Jastrzebska et al. | Measuring wind turbine health using fuzzy-concept-based drifting models | |
CN116562120A (zh) | 一种基于rve的涡轮发动机系统健康状况评估方法及装置 | |
Hassan et al. | Fault classification of power plants using artificial neural network | |
CN112257773B (zh) | 基于无线传感器网络多测量向量的机械装备故障诊断方法 | |
CN114548701A (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
Yang et al. | Convolutional autoencoder-based sensor fault classification | |
JP2019179379A (ja) | 状態分析装置および状態分析方法 | |
Yuan et al. | Deep learning approach to multiple features sequence analysis in predictive maintenance |
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 |