CN107272667B - 一种基于平行的偏最小二乘法的工业过程故障检测方法 - Google Patents
一种基于平行的偏最小二乘法的工业过程故障检测方法 Download PDFInfo
- Publication number
- CN107272667B CN107272667B CN201710670223.2A CN201710670223A CN107272667B CN 107272667 B CN107272667 B CN 107272667B CN 201710670223 A CN201710670223 A CN 201710670223A CN 107272667 B CN107272667 B CN 107272667B
- Authority
- CN
- China
- Prior art keywords
- input
- space
- output
- data
- unpredictable
- 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.)
- Expired - Fee Related
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000013499 data model Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 230000007257 malfunction Effects 0.000 abstract 1
- 238000005192 partition Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于平行的偏最小二乘法的工业过程故障检测方法，包括：获取正常工况下的过程数据和质量数据作为样本数据，建立平行偏最小二乘法数据模型，利用平行的偏最小二乘法将平行偏最小二乘法数据模型的输入和输出分为4个子空间：输入‑输出联合空间、不可预测输出主元空间、不可预测残差空间和输入残差空间；计算4个子空间的监测统计量指标及其控制限；获取待检测的工业过程数据和质量数据，将待检测的工业过程数据和质量数据分成4个子空间，并计算各个子空间的实际监测统计量指标，当实际监测统计量指标超过控制限，则判断待检测的工业过程发生故障。本发明对输入和输出数据进行了更合理的子空间划分，提高了故障监测的准确率。
Description
技术领域
本发明属于工业过程故障检测技术领域，更具体地，涉及一种基于平行的偏最小二乘法的工业过程故障检测方法。
背景技术
随着化工、石油、炼钢等行业的不断壮大，人们迫切需要可行有效的故障监控策略用于实际工业生产。偏最小二乘方法受到了学术研究和企业界的青睐，它能对工业生产中的故障进行检测与诊断。通过故障统计量是否超限判断出是否发生故障，以及该故障是否将影响产品输出质量。运用到实际中，能诊断出故障的具体情况，更重要的是告诉生产者该故障是否影响产品质量。对于那些会影响产品质量的故障，生产者会高度重视，仔细排查各生产装置，结合经验，确定故障发生的具体位置，进行整修排除故障。而对于那些不会影响产品输出质量的故障，生产者也不必过于担心，适当排查整修，可大大减小工人的工作量，提高工人的工作效率，同时，也保证了产品的质量。
原始的偏最小二乘法存在着一些不可忽视的缺陷。第一，分解得随着到的输入主空间中仍然含有与输出Y正交的变化信息。这些正交变化对预测输出Y毫无帮助，但它却被错误地包含在了主空间中。第二，偏最小二乘法提取潜变量不是按照方差大小的降序顺序，这导致了残差空间中可能包含了较大的方差变化，若用Q统计量监控就不合适了。第三，主空间里面含有干扰，这些干扰会影响主空间的监控结果。第四，偏最小二乘法(PartialLeast Squares，PLS)主要考虑的是输入X的监控，没有考虑Y的监控。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于平行的偏最小二乘法的工业过程故障检测方法，由此解决现有技术存在的以下4个技术问题：
第一，分解得随着到的输入主空间中仍然含有与输出Y正交的变化信息。这些正交变化对预测输出Y毫无帮助，但它却被错误地包含在了主空间中。第二，偏最小二乘法提取潜变量不是按照方差大小的降序顺序，这导致了残差空间中可能包含了较大的方差变化，若用Q统计量监控就不合适了。第三，主空间里面含有干扰，这些干扰会影响主空间的监控结果。第四，PLS主要考虑的是输入X的监控，没有考虑Y的监控。
为实现上述目的，本发明提供了一种基于平行的偏最小二乘法的工业过程故障检测方法，包括：
(1)获取正常工况下的过程数据和质量数据作为样本数据，建立平行偏最小二乘法数据模型，平行偏最小二乘法数据模型的输入为过程数据，输出为质量数据；
(2)利用平行的偏最小二乘法将平行偏最小二乘法数据模型的输入和输出分为4个子空间：输入-输出联合空间、不可预测输出主元空间、不可预测残差空间和输入残差空间；
(3)计算4个子空间的监测统计量指标，以及监测统计量指标相对应的控制限；
(4)获取待检测的工业过程数据和质量数据，将待检测的工业过程数据和质量数据分成4个子空间，并计算各个子空间的实际监测统计量指标，当实际监测统计量指标超过控制限，则判断待检测的工业过程发生故障。
进一步的，步骤(1)包括：
(1-1)获取正常工况下过程数据和质量数据，为过程数据，为质量数据，其中，m为过程数据样本个数，l为质量数据样本个数，n为变量个数；
(1-2)对X和Y进行归一化处理得到样本数据，使得每个样本数据的均值为0、方差为1，将样本数据中的X作为输入，将样本数据中的Y作为输出，建立平行偏最小二乘法数据模型。
进一步的，步骤(2)包括：
(2-1)对输入X和输出Y平行的运行偏最小二乘算法，得到关联矩阵K；
(2-2)对关联矩阵K进行滤波处理，得到新的关联矩阵
(2-3)对新的关联矩阵进行奇异值分解，从而将输入X分解成两个相互正交的子空间，得到输入残差空间；
(2-4)在输出Y中除去由X预测的部分，得到3个子空间：输入-输出联合空间、不可预测输出主元空间和不可预测残差空间。
进一步的，步骤(2-2)的具体实现方式为：
对关联矩阵K进行l0优化后成为新的关联矩阵即在的前提下最小化其中，ε为阈值。
进一步的，步骤(2-3)包括：
(2-3-1)对新的关联矩阵做奇异值分解如下所示：其中是对角阵，对角线上为矩阵的奇异值；UK和分别对应于非零奇异值和零奇异值，且UK和严格正交，它们的列组成对的正交″输入″的基向量，这些向量是的特征向量；VK的列组成对的正交″输出″的基向量，这些向量是的特征向量。
(2-3-2)构造矩阵和由此借助可以将X投影到两个相互垂直的子空间中：其中，代表输入主空间，包含非零奇异值相应的奇异向量，代表输入残差空间，包含零奇异值对应的奇异向量，和相互正交。
进一步的，步骤(2-4)包括：
(2-4-1)根据新的关联矩阵Y中不能由X预测的变化为
(2-4-2)对做主元分析PCA，用累计方差准则确定主元个数为ly，通过PCA将分解为相互正交的两部分：其中Py和分别为主元空间和残差空间的载荷矩阵，Λ＝diag{λ1，λ2，...，λl}是与主元对应的由特征值λ1，λ2，...，λl组成的对角矩阵，Ty是主元空间的得分矩阵，输出被分解为三个子空间，表示输入-输出联合空间，表示不可预测输出主元空间，表示不可预测残差空间。
进一步的，步骤(3)的具体实现方式为：
输入-输出联合空间的监测统计量指标为
的控制限为：
其中，F表示F分布，α表示置信水平，x为待检测的单个输入样本。
输入残差空间的监测统计量指标为
的控制限为
不可预测输出主元空间的监测统计量指标为Ty。：
其中，yK是待检测的单个输出样本的不可预测部分。
Ty。的控制限为：
不可预测残差空间的监测统计量指标为Qy。：
Qy。的控制限Qy，α为：
其中，表示自由度为h，置信水平为1-α的卡方分布，g和h通过输入X的协方差矩阵的特征值λ求得，输入X和输出Y用十字交叉验证定理确定主元个数A。
进一步的，步骤(4)的具体实现方式为：
获取待检测的工业过程数据和质量数据，基于平行偏最小二乘法数据模型将待检测的工业过程数据和质量数据分成4个子空间，并计算各个子空间的实际监测统计量指标，进行如下判断：当输入-输出联合空间的实际监测统计量指标时，有1-α的把握认为在输入-输出联合空间发生了故障，且该故障最终会影响输出产品质量；当输入残差空间的实际监测统计量指标时，有1-α的把握认为在输入残差空间发生了故障，但此类故障不会影响输出Y；当不可预测输出主空间的实际监测统计量指标有1-α的把握认为在不可预测输出主空间发生了故障，且该类故障不能有输入预测；当不可预测残差空间的实际监测统计量指标Qx＞Qx，α，有1-α的把握认为在不可预测残差空间发生了故障，且该故障与输出Y潜在相关。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明提出的平行的偏最小二乘法把整个输入输出空间只划分了4个子空间，包括输入-输出联合空间、不可预测输出主元空间、不可预测残差空间和输入残差空间，是现有方法中划分空间最少的，本发明分解得到的输入残差空间不包含与输出正交的变化信息，本发明分解得到的不可预测残差空间适用于Q统计量监控，本发明分解后的主空间里面不含有干扰，提高了监控结果的准确率，本发明同时对输入和输出进行监控。
(2)本发明通过对新的关联矩阵进行奇异值分解，从而将输入X分解成两个相互正交的子空间，从而把主空间里与Y正交的部分放到了输入残差空间里。输出的不可预测部分进行了主成分分析(Principal Component Analysis，PCA)，就可以用相应的统计量。对关联矩阵K进行滤波处理，并更新得到新的关联矩阵，使用平行的偏最小二乘法对输入X和输出Y共有4个子空间进行监控。
(3)本发明提出的平行偏最小二乘法，由于考虑了关联矩阵中包含的噪声，并用l0优化对其进行了去噪处理，消除了输入-输出联合空间里面的噪声干扰，对输入和输出数据进行了更合理的子空间划分。
附图说明
图1是本发明实施例提供的基于平行的偏最小二乘法的工业过程故障检测方法的流程图；
图2是本发明实施例提供的进行4个子空间划分的示意图；
图3是本发明实施例1提供的故障发生在联合空间时的监控结果图；
图4是本发明实施例1提供的故障发生在联合空间时的输出图；
图5是本发明实施例1提供的故障发生在输入残差空间时的输出图；
图6是本发明实施例1提供的故障发生在输入残差空间时的监控结果图；
图7是本发明实施例1提供的故障发生在不可预测输出主元空间时的监控结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供的工业过程故障检测方法，其流程如图1所示意的，包括如下步骤：
(1)采集正常工况下的数据组成建模所需的训练样本集：为过程数据，为质量数据，其中，m为样本个数，n为变量个数。
(2)对正常数据进行预处理。
(3)对数据输入输出数据X和Y运行偏最小二乘算法，并求得输入输出的关联矩阵K；
(4)对关联矩阵K进行滤波处理，并更新得到新的关联矩阵
(5)对新的关联矩阵进行奇异值分解，从而将输入X分解成两个相互正交的子空间；
(6)在输出数据Y中除去由X预测的部分，并对其进行主成分分析，将该部分分解成两个子空间。
(7)求出四个子空间的相应监测统计量Qy。，计算各自的控制限Qy，α。
(8)收集待检测的过程数据和质量数据。
(9)将待检测数据按照所建的平行最小二乘法分解为4个子空间，计算各自的监测统计量Qy。
(10)将监测统计量Qy和控制限Qy，α比较，判断故障是否发生以及故障所在子空间，进而判断故障是否会与产品质量有关。
进行子空间划分的方法如图2所示。
实施例1
实施例采用本发明提供的工业过程故障检测方法，对数值仿真实例进行故障检测；
实施例1中，数据按如下方式产生：
其中，
输入、输出空间的故障数据分别有下式构造：
式中，表示正常样本，Πx，Πy分别表示输入和输出空间中故障的方向，fx，fy表示输入和输出空间中故障的大小。产生的数据中，前200个样本表示正常数据，后200个样本为发生故障后的异常数据，各个例子中的故障类型不同。
采用本实施例提供的故障检测方法，对上述数值仿真实例进行故障检测的具体过程如下：
(1)采集正常工况下的数据组成建模所需的训练样本集：为过程数据，为质量数据。
(2)对X和Y进行归一化处理。
(3)对数据输入输出数据X和Y运行偏最小二乘算法，由十字交叉验证定理求得主元个数为5，并求得模型核心参数如下所示；
表1.偏最小二乘模型模型中的核心参数
(4)对关联矩阵K＝RQT进行滤波处理，并更新得到新的关联矩阵
(5)对新的关联矩阵进行奇异值分解，从而将输入X分解成两个相互正交的子空间；
(6)在输出数据Y中除去由X预测的部分，并对其进行主成分分析，主元个数ly选为2。因为总共只有两个输出变量，因此Qy矩阵为空。由步骤(5)和(6)得到的平行偏最小二乘模型参数如下所示：
表2.平行偏最小二乘模型的核心矩阵
(7)求出三个子空间的相应监测统计量置信水平1-α取为95％，计算各自的控制限
(8)收集待检测的过程数据和质量数据。
(9)将待检测数据按照所建的平行最小二乘法分解为4个子空间，计算各自的监测统计量
(10)将监测统计量和控制限比较，判断故障是否发生以及故障所在子空间，进而判断故障是否会与产品质量有关。
以下将展示发生各类型故障时的各统计量的监控结果。
情形一：当故障仅发生在输入-输出联合空间中时
取故障方向Πx为ΞK矩阵中的第四列，并标准化；取故障大小fx为3，产生故障数据。用平行偏最小二乘法建模并监控此类故障，监控结果如图3所示。三个统计量中只有超出了控制限，说明此时故障发生在输入-输出联合空间，且发生在此类空间中的故障都会影响到输出Y。其他两个统计量正常，说明与此对应的两个子空间正常。发生此故障时输出Y的图如图4所示，图中的第二个输出变量y(2)明显地偏离了原来均值0，印证了此类故障影响到了输出Y。
情形二：当故障仅发生在输入残差空间时
取故障的方向Πx为「0 0 0 0 1]T，故障大小取为4，那么故障只发生在x5上。因为C的第五列是全零列，所以，如图5所示，此故障将不会影响Y。用平行偏最小二乘法建模并监控此类故障，监控结果如图6所示。三个统计量中只有超出了控制限，说明此时故障发生在输入残差空间，且发生在此类空间中的故障都与输出Y无关。
情形三：当故障发生在不可预测的输出主空间时
取故障大小Πy为Py矩阵中的第一列，故障大小fy取为0.5，产生故障数据。用平行偏最小二乘法建模并监控此类故障，监控结果如图7所示。从图中可看出，当发生此类故障时，与输入有关的统计量均正常，说明该类故障不能有输入预测得到。由明显超出控制限可知，这类故障会影响输出。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于平行的偏最小二乘法的工业过程故障检测方法，其特征在于，包括：
(1)获取正常工况下的过程数据和质量数据作为样本数据，建立平行偏最小二乘法数据模型，平行偏最小二乘法数据模型的输入为过程数据，输出为质量数据；
(2)利用平行的偏最小二乘法将平行偏最小二乘法数据模型的输入和输出分为4个子空间：输入-输出联合空间、不可预测输出主元空间、不可预测残差空间和输入残差空间；
(3)计算4个子空间的监测统计量指标，以及监测统计量指标相对应的控制限；
(4)获取待检测的工业过程数据和质量数据，将待检测的工业过程数据和质量数据分成4个子空间，并计算各个子空间的实际监测统计量指标，当实际监测统计量指标超过控制限，则判断待检测的工业过程发生故障；
所述步骤(1)包括：
(1-1)获取正常工况下过程数据和质量数据，为过程数据，为质量数据，其中，m为过程数据样本个数，l为质量数据样本个数，n为变量个数；
(1-2)对X和Y进行归一化处理得到样本数据，使得每个样本数据的均值为0、方差为1，将样本数据中的X作为输入，将样本数据中的Y作为输出，建立平行偏最小二乘法数据模型；
所述步骤(2)包括：
(2-1)对输入X和输出Y平行的运行偏最小二乘算法，得到关联矩阵K；
(2-2)对关联矩阵K进行滤波处理，得到新的关联矩阵
(2-3)对新的关联矩阵进行奇异值分解，从而将输入X分解成两个相互正交的子空间，得到输入残差空间；
(2-4)在输出Y中除去由X预测的部分，得到3个子空间：输入-输出联合空间、不可预测输出主元空间和不可预测残差空间。
2.如权利要求1所述的一种基于平行的偏最小二乘法的工业过程故障检测方法，其特征在于，所述步骤(2-2)的具体实现方式为：
对关联矩阵K进行l0优化后成为新的关联矩阵即在的前提下最小化其中，ε为阈值。
3.如权利要求1所述的一种基于平行的偏最小二乘法的工业过程故障检测方法，其特征在于，所述步骤(2-3)包括：
(2-3-1)对新的关联矩阵做奇异值分解如下所示：其中是对角阵，对角线上为矩阵的奇异值；UK和分别对应于非零奇异值和零奇异值，且UK和严格正交，它们的列组成对的正交"输入"的基向量，这些向量是的特征向量；VK的列组成对的正交"输出"的基向量，这些向量是的特征向量；
(2-3-2)构造矩阵和由此借助ΞK,可以将X投影到两个相互垂直的子空间中：其中，代表输入主空间，包含非零奇异值相应的奇异向量，代表输入残差空间，包含零奇异值对应的奇异向量，和相互正交。
4.如权利要求1或2或3所述的一种基于平行的偏最小二乘法的工业过程故障检测方法，其特征在于，所述步骤(2-4)包括：
(2-4-1)根据新的关联矩阵Y中不能由X预测的变化为
(2-4-2)对做主元分析PCA，用累计方差准则确定主元个数为ly,通过PCA将分解为相互正交的两部分：其中Py和分别为主元空间和残差空间的载荷矩阵，Λ＝diag{λ1,λ2,…,λl}是与主元对应的由特征值λ1,λ2,…,λl组成的对角矩阵，Ty是主元空间的得分矩阵，输出被分解为三个子空间，表示输入-输出联合空间，表示不可预测输出主元空间，表示不可预测残差空间。
5.如权利要求4所述的一种基于平行的偏最小二乘法的工业过程故障检测方法，其特征在于，所述步骤(3)的具体实现方式为：
输入-输出联合空间的监测统计量指标为
的控制限为：
其中，F表示F分布，α表示置信水平，x为待检测的单个输入样本；
输入残差空间的监测统计量指标为
的控制限为
不可预测输出主元空间的监测统计量指标为Ty。：
其中，yK是待检测的单个输出样本的不可预测部分；
Ty。的控制限为：
不可预测残差空间的监测统计量指标为Qy。：
Qy。的控制限Qy,α为：
其中，表示自由度为h，置信水平为1-α的卡方分布，g和h通过输入X的协方差矩阵的特征值λ求得，g＝θ2/θ1,输入X和输出Y用十字交叉验证定理确定主元个数A。
6.如权利要求5所述的一种基于平行的偏最小二乘法的工业过程故障检测方法，其特征在于，所述步骤(4)的具体实现方式为：
获取待检测的工业过程数据和质量数据，基于平行偏最小二乘法数据模型将待检测的工业过程数据和质量数据分成4个子空间，并计算各个子空间的实际监测统计量指标，进行如下判断：当输入-输出联合空间的实际监测统计量指标时，有1-α的把握认为在输入-输出联合空间发生了故障，且该故障最终会影响输出产品质量；当输入残差空间的实际监测统计量指标时，有1-α的把握认为在输入残差空间发生了故障，但此类故障不会影响输出Y；当不可预测输出主空间的实际监测统计量指标有1-α的把握认为在不可预测输出主空间发生了故障，且该类故障不能有输入预测；当不可预测残差空间的实际监测统计量指标Qx＞Qx,α，有1-α的把握认为在不可预测残差空间发生了故障，且该故障与输出Y潜在相关。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710670223.2A CN107272667B (zh) | 2017-08-07 | 2017-08-07 | 一种基于平行的偏最小二乘法的工业过程故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710670223.2A CN107272667B (zh) | 2017-08-07 | 2017-08-07 | 一种基于平行的偏最小二乘法的工业过程故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107272667A CN107272667A (zh) | 2017-10-20 |
| CN107272667B true CN107272667B (zh) | 2019-04-12 |
Family
ID=60076877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710670223.2A Expired - Fee Related CN107272667B (zh) | 2017-08-07 | 2017-08-07 | 一种基于平行的偏最小二乘法的工业过程故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107272667B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107918828B (zh) * | 2017-11-16 | 2021-11-12 | 东南大学 | 基于最小充分统计量模式分析的给水泵故障检测方法 |
| CN108416106B (zh) * | 2018-02-05 | 2022-02-08 | 江苏方天电力技术有限公司 | 基于多尺度主元分析的给水泵故障检测方法 |
| CN108803337A (zh) * | 2018-06-28 | 2018-11-13 | 杭州电子科技大学 | 一种新型的化工过程数据监测方法 |
| CN111289256B (zh) * | 2018-12-07 | 2021-04-30 | 北京大学 | 一种数据驱动的船舶柴油机故障检测方法 |
| CN110928263B (zh) * | 2019-12-17 | 2022-10-28 | 中国人民解放军火箭军工程大学 | 一种预先考虑动态关系的复杂过程的故障检测方法及系统 |
| CN111985826B (zh) * | 2020-08-25 | 2024-03-19 | 华中科技大学 | 一种多指标工业产品的可视化质量分级方法和系统 |
| CN112348358A (zh) * | 2020-11-05 | 2021-02-09 | 麦哲伦科技有限公司 | 一种基于pls分析的流程工业故障检测与预测的方法 |
| CN112971770B (zh) * | 2021-02-10 | 2022-10-18 | 北京邮电大学 | 一种心冲击信号质量控制处理方法及系统 |
| CN113189968B (zh) * | 2021-05-08 | 2022-08-26 | 哈尔滨工业大学 | 互联工业过程的分布式故障诊断方法 |
| CN117169804B (zh) * | 2023-11-02 | 2024-01-12 | 华中科技大学 | 基于合电流矢量分析的电流互感器误差状态在线辨识方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033523B (zh) * | 2009-09-25 | 2014-01-01 | 上海宝钢工业检测公司 | 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 |
| CN103472820B (zh) * | 2013-09-18 | 2015-07-15 | 哈尔滨工业大学 | 一种基于偏最小二乘算法的推进系统故障诊断方法 |
| KR101579381B1 (ko) * | 2014-07-09 | 2015-12-21 | 제주대학교 산학협력단 | Ｆｔ-ｉｒ 스펙트럼 데이터의 다변량 통계분석을 이용한 감귤의 기능성 성분 함량 예측 방법 |
| CN104914847B (zh) * | 2015-04-09 | 2017-06-16 | 东北大学 | 基于方向核偏最小二乘的工业过程故障诊断方法 |
-
2017
- 2017-08-07 CN CN201710670223.2A patent/CN107272667B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| 基于改进T_PLS的化工过程故障诊断研究;薛永飞;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20141015;第8-21，34页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107272667A (zh) | 2017-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107272667B (zh) | 一种基于平行的偏最小二乘法的工业过程故障检测方法 | |
| CN105700518B (zh) | 一种工业过程故障诊断方法 | |
| CN105279365B (zh) | 用于学习异常检测的样本的方法 | |
| CN107632592B (zh) | 基于高效递推核主元分析的非线性时变过程故障监测方法 | |
| Zhao et al. | Fault-relevant principal component analysis (FPCA) method for multivariate statistical modeling and process monitoring | |
| Chiang et al. | Diagnosis of multiple and unknown faults using the causal map and multivariate statistics | |
| CN104699077B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
| JP5364265B2 (ja) | 連続工業プロセスの運転における異常事象検出のための装置および方法 | |
| CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
| Du et al. | Minimal Euclidean distance chart based on support vector regression for monitoring mean shifts of auto-correlated processes | |
| CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
| CN112000081B (zh) | 基于多块信息提取和马氏距离的故障监测方法及系统 | |
| Maestri et al. | A robust clustering method for detection of abnormal situations in a process with multiple steady-state operation modes | |
| CN109240276B (zh) | 基于故障敏感主元选择的多块pca故障监测方法 | |
| CN108830006B (zh) | 基于线性评价因子的线性-非线性工业过程故障检测方法 | |
| Vishnu et al. | Recurrent neural networks for online remaining useful life estimation in ion mill etching system | |
| CN111639304A (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
| CN112363462A (zh) | 一种静-动态协同感知的复杂工业过程运行状态评价方法 | |
| CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
| CN117333143B (zh) | 一种成本科目字典设置方法及系统 | |
| Feng et al. | Independent component analysis based on data‐driven reconstruction of multi‐fault diagnosis | |
| CN116957361B (zh) | 一种基于虚实结合的船舶任务系统健康状态检测方法 | |
| Lindner et al. | Application of data-based process topology and feature extraction for fault diagnosis of an industrial platinum group metals concentrator plant | |
| CN107272648B (zh) | 一种工业过程微小故障的分离方法 | |
| Zhao et al. | Comprehensive subspace decomposition and isolation of principal reconstruction directions for online fault diagnosis |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190412 Termination date: 20210807 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |