CN108491878B - 一种基于多个误差生成模型的故障分类诊断方法 - Google Patents

一种基于多个误差生成模型的故障分类诊断方法 Download PDF

Info

Publication number
CN108491878B
CN108491878B CN201810233507.XA CN201810233507A CN108491878B CN 108491878 B CN108491878 B CN 108491878B CN 201810233507 A CN201810233507 A CN 201810233507A CN 108491878 B CN108491878 B CN 108491878B
Authority
CN
China
Prior art keywords
fault
vector
matrix
formula
new
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
Application number
CN201810233507.XA
Other languages
English (en)
Other versions
CN108491878A (zh
Inventor
童楚东
俞海珍
朱莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aochen Technology Co ltd
Dragon Totem Technology Hefei Co ltd
Original Assignee
Ningbo University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo University filed Critical Ningbo University
Priority to CN201810233507.XA priority Critical patent/CN108491878B/zh
Publication of CN108491878A publication Critical patent/CN108491878A/zh
Application granted granted Critical
Publication of CN108491878B publication Critical patent/CN108491878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于多个误差生成模型的故障分类诊断方法，通过多个单分类的模型实施故障诊断。首先，本发明方法将每种故障类型可用训练数据转换成能体现变量间相互关系特征的误差，然后对各个故障训练数据转换后误差分别建立单分类匹配模型。在线故障类型识别时，先将在线故障样本按不同故障类型对应的误差生成模型转换为误差后，在计算相应的统计指标数值，并依据统计指标最小数值识别故障类型。与传统方法相比，本发明方法针对各测量变量单独建立一个偏最小二乘模型以生成误差，体现出了分散式建模的特点。此外，本发明方法将故障分类诊断的多分类问题转换成了多个单分类模型实施故障分类。因此，本发明方法是一种更为优选的故障分类诊断方法。

Description

一种基于多个误差生成模型的故障分类诊断方法
技术领域
本发明涉及一种数据驱动的工业故障诊断方法，尤其涉及一种基于多个误差生成模型的故障分类诊断方法。
背景技术
通常意义上来讲，对生产过程运行状态实施监测的目的首先在于及时而准确地发现故障，其次在于识别出故障的根源或类型。因此，故障检测与诊断两者缺一不可，它们对于保证安全生产与维持产品质量稳定是具有重要意义的。近十几年来，针对故障检测的研究层出不穷，涌现出了一大批故障检测新方法与新思路。相比之下，针对故障诊断的研究却寥寥无几。当前，由于工业信息化建设的大举推进，实施故障检测与诊断的主流技术是数据驱动的方法，这主要得益于现代化工过程的大型化建设以及先进仪表与计算机技术的广泛应用，生产过程可以采集海量的数据。数据驱动的故障诊断方法发展至今主要的实施方案有两种，其一是监测变量的贡献度分析，其二是将故障诊断当成一种分类问题实施故障分类。变量的贡献度分析由于变量间的交错关系，很容易将正常变量定位成故障根源。故障分类通过判别故障类型，在保证分类模型精确性的前提下可以较好地识别出故障类型。
然而，与传统分类问题不同的是，故障分类所能使用的数据皆采集自工况切换的过渡过程阶段，不仅数据的时变特性非常强，而且各类故障的可用参考样本有限。这主要是因为在故障发生后，现场操作人员会在第一时间内将过程修复至正常运行状态，各种故障工况下采集到的数据量是有限的。针对故障分类的研究若是直接采用模式识别领域常用的分类算法如判别分析、支持向量机、神经网络等建立多分类模型通常得不到满意的效果。此外，支持向量机与神经网络需要大量的数据实施训练才能保证模型精度，它们通常不适合用作故障分类诊断。
纵观现有的故障分类诊断方法的文献与专利，还鲜有涉及将故障多分类模型转变成多个单分类模型实施故障类型识别的解决思路。一般而言，针对某个故障类型进行特征描述建立单分类的模型与实施故障检测有相似之处，其特点在于可以针对每种故障类型实施其各自的特征挖掘与分析。然而，由于每种故障的可用训练数据时变特性强，建立单分类的模型实施故障类型匹配还有很多挑战性的难点未得到有效解决。
发明内容
本发明所要解决的主要技术问题是：如何通过多个单分类的模型实施故障类型识别。具体来讲，本发明方法首先将每种故障类型的可用训练数据转换成能体现变量间相互关系特征的误差，然后对误差建立分类的“故障检测”模型从而用于在线故障类型识别。
本发明解决上述技术问题所采用的技术方案为：一种基于多个误差生成模型的故障分类诊断方法，包括以下步骤：
(1)从生产过程历史数据库中找到不同故障工况条件下的采样数据，组成不同的参考故障数据集
Figure GSB0000196059360000021
其中Nc为第c种故障的可用样本数，c＝1，2，…，C，R为实数集，
Figure GSB0000196059360000022
表示Nc×m维的实数矩阵，m为过程测量变量的个数。
(2)对各类型故障的参考故障数据集X1，X2，…，XC按列实施标准化处理，对应得到均值为0，标准差为1的新数据矩阵
Figure GSB0000196059360000023
并初始化i＝1。
(3)将新数据矩阵
Figure GSB0000196059360000024
中的第i列向量xi取出，新数据矩阵
Figure GSB0000196059360000025
中其余的列组成新矩阵
Figure GSB0000196059360000026
再利用偏最小二乘算法建立由Yi预测输出xi的误差生成模型，具体的实施过程如下所示：
①置k＝1与Zi＝Yi后，初始化向量uk＝xi；
②根据公式wk＝Ziuk/||Ziuk||、sk＝Ziwk、qk＝xi Tsk/(sk Tsk)分别计算得到系数向量wk、得分向量sk、和系数qk，其中||Ziuk||表示计算向量Ziuk的长度；
③根据公式unew＝xiqk/qk 2计算向量unew；
④判断是否满足条件||uk-unew||＜10-6？若否，则置uk＝unew后返回步骤②；若是，则执行⑤；
⑤根据公式pk＝Zi Tsk/(sk Tsk)计算得到第k个投影向量pk∈R(m-1)×1，并保留投影向量pk、系数向量wk、和系数qk；
⑥判断矩阵Yk＝skpk T中的最大元素是否大于0.01？若是，根据公式Zi＝Zi-skpk T更新矩阵Zi后执行步骤⑦；若否，则得到投影矩阵P＝[p1，p2，…，pk]、系数矩阵W＝[w1，w2，…，wk]、和向量Q＝[q1，q2，…，qk]，并执行步骤⑧；
⑦判断k＜m-1？若是，则置k＝k+1后，返回步骤②；若否，则得到最终的投影矩阵P＝[p1，p2，…，pk]、系数矩阵W＝[w1，w2，…，wk]、和向量Q＝[q1，q2，…，qk]；
⑧根据公式br＝Wr(Pr TWr)-1Qr T计算在保留r个投影向量前提下的回归系数向量br。其中r＝1，2，…，k，对应可得到的回归系数向量有b1，n2，…，nk，Pr、Wr、和Qr分别为矩阵P、W、和Q中前1至r列向量组成的矩阵；
⑨根据公式
Figure GSB0000196059360000027
计算输出xi的预测值
Figure GSB0000196059360000028
后，计算保留不同个数投影向量所对应的模型预测误差
Figure GSB0000196059360000029
⑩根据MSE1，MSE2，…，MSEk的数值变化情况找出预测误差不再发生显著变化的收敛点位置，并将其下标号对应的具体数值作为偏最小二乘模型需保留的投影变量个数K，其中K≤k；
Figure GSB0000196059360000036
由输入Yi预测输出xi的误差生成模型最终可确定为
Figure GSB0000196059360000031
其中，输入-输出回归向量为
Figure GSB0000196059360000032
模型预测误差为ei。
(4)判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(3)；若否，则将得到的估计误差向量组成估计误差矩阵
Figure GSB0000196059360000033
后继续执行下一步骤(5)。
(5)对估计误差矩阵Ec实施奇异值分解，即：Ec＝UcΛcVc T，具体的实施过程如下所示：
①设置r＝1与F＝Ec后，初始化列向量tr为矩阵Ec中的第一列；
②根据公式vr＝FTtr/(tr Ttr)计算得到向量vr；
③根据公式tnew＝Fvr/(vr Tvr)计算向量tnew；
④判断是否满足条件||tnew-tr||＜10-6？若是，则执行下一步骤⑤；若否，则置tr＝tnew后返回步骤②；
⑤根据公式
Figure GSB0000196059360000034
分别计算得到第r个奇异值λr与向量μr，并根据公式F＝F-trvr T更新F；
⑥判断是否满足条件λr≤10-3？若否，则设置r＝r+1与向量tr为矩阵F中的第一列后返回步骤②；若是，则将所有得到的奇异值λ1，λ2，…，λr组成对角矩阵Λc∈Rr×r，将所有得到的向量μ1，μ2，…，μr组成矩阵Uc＝[μ1，μ2，…，μr]，再将所有的向量v1，v2，…，vr组成矩阵Vc＝[v1，v2，…，vr]。
(6)重复步骤(2)～(5)直至得到所有C种故障类型对应的误差生成模型、奇异值分解模型、以及控制上限。
(7)当在线检测出故障样本z∈R1×m后，对z实施与第c类故障的参考数据集Xc相同的标准化处理得到zc＝[z1，z2，…，zm]，并初始化i＝1。
(8)将zc中第i列元素zi取出，剩余元素作为输入向量yi∈R1×(m-1)，根据公式
Figure GSB0000196059360000035
生成对应的误差fi。
(9)判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(8)；若否，则将得到的误差组成向量Fc＝[f1，f2，…，fm]∈R1×m后继续执行下一步骤(10)。
(10)根据如下所示公式计算统计指标Dc的具体数值：
Dc＝||FcVcΛc -1||2 (1)
上式中符号||||表示计算向量的长度。
(11)重复步骤(7)～(10)得到不同故障类型条件下的统计指标D1，D2，…，DC，那么当前故障样本所隶属的故障类型为D1，D2，…，DC中最小值对应的故障类型。
与传统方法相比，本发明方法的优势在于：
本发明方法针对每种故障类型的训练数据，建立其各自的误差生成模型，然后利用误差建立单分类模型匹配统计监测指标。从这点上看，本发明方法将故障分类诊断的多分类问题转换成了多个单分类模型实施故障分类。此外，在生成误差的过程中，本发明方法针对各测量变量单独建立一个偏最小二乘模型以生成误差，体现出了分散式建模的特点。因此，本发明方法还具备分散式多模型的优势。综合以上两点优势，本发明方法是一种更为优选的故障分类诊断方法。
附图说明
图1为本发明方法的实施流程图。
图2为TE过程七类典型阶跃故障的故障分类诊断结果。
具体实施方式
下面结合附图与具体的实施案例对本发明方法进行详细的说明。
如图1所示，本发明公开一种基于多个误差生成模型的故障分类诊断方法。下面结合一个具体的工业过程的例子来说明本发明方法的具体实施过程。
表1：TE过程监测变量。
序号 变量描述 序号 变量描述 序号 变量描述
1 物料A流量 12 分离器液位 23 D进料阀门位置
2 物料D流量 13 分离器压力 24 E进料阀门位置
3 物料E流量 14 分离器塔底流量 25 A进料阀门位置
4 总进料流量 15 汽提塔等级 26 A和C进料阀门位置
5 循环流量 16 汽提塔压力 27 压缩机循环阀门位置
6 反应器进料 17 汽提塔底部流量 28 排空阀门位置
7 反应器压力 18 汽提塔温度 29 分离器液相阀门位置
8 反应器等级 19 汽提塔上部蒸汽 30 汽提塔液相阀门位置
9 反应器温度 20 压缩机功率 31 汽提塔蒸汽阀门位置
10 排空速率 21 反应器冷却水出口温度 32 反应器冷凝水流量
11 分离器温度 22 分离器冷却水出口温度 33 冷凝器冷却水流量
应用对象是来自于美国田纳西-伊斯曼(TE)化工过程实验，原型是伊斯曼化工生产车间的一个实际工艺流程。目前，TE过程因其流程的复杂性，已作为一个标准实验平台被广泛用于故障检测研究。整个TE过程包括22个测量变量、12个操作变量、和19个成分测量变量。TE过程除仿真正常工况以外，还可以模拟21组故障数操作工况。而在这些故障工况中，有7个是阶跃类型故障，如冷却水入口温度阶跃变化等。为了对该过程的七类故障进行故障分类诊断，选取如表1所示的33个过程变量，接下来结合该TE过程对本发明具体实施步骤进行详细的阐述。
首先，利用TE过程这七类故障的训练数据离线建立模型，每类故障的可用样本数设置为200个。
(1)从生产过程历史数据库中找到不同故障工况条件下的采样数据，组成不同的参考故障数据集Xc∈R200×33。
(2)对第c种故障类型的参考故障数据集Xc按列实施标准化处理，对应得到均值为0，标准差为1的新数据矩阵
Figure GSB0000196059360000051
并初始化i＝1。
(3)将新数据矩阵
Figure GSB0000196059360000052
中的第i列向量xi取出，新数据矩阵
Figure GSB0000196059360000053
中其余的列组成新矩阵Yi∈R200×32，再利用偏最小二乘算法建立由Yi预测输出xi的误差生成模型为
Figure GSB0000196059360000054
(4)判断是否满足条件i＜33？若是，则置i＝i+1后返回步骤(3)；若否，则将得到的误差组成估计误差矩阵Ec＝[e1，e2，…，e33]∈R200×33后继续执行下一步骤。
(5)对估计误差矩阵Ec实施奇异值分解，即：Ec＝UcΛcVc T。
(6)重复步骤(2)～(5)直至得到所有C种故障类型对应的误差生成模型、奇异值分解模型、以及控制上限。
其次，采集TE过程第五类故障(即冷凝器冷却水进口问题阶跃跳变故障)的的测试数据集，实施在线故障分类诊断。
(7)当在线检测出故障样本z∈R1×33后，对z实施与第c类故障的参考故障数据集Xc相同的标准化处理得到zc＝[z1，z2，…，z33]。
(8)将zc中第i列元素zi取出，剩余元素作为输入向量yi∈R1×32，根据公式
Figure GSB0000196059360000055
生成对应的误差fi。
(9)：判断是否满足条件i＜33？若是，则置i＝i+1后返回步骤(8)；若否，则将得到的误差组成向量Fc＝[f1，f2，…，f33]后继续执行下一步骤(10)。
(10)根据公式Dc＝||FcVcΛc -1||2计算统计指标Dc的具体数值。
(11)根重复步骤(7)～(10)得到不同故障类型条件下的统计指标D1，D2，…，DC，那么当前故障样本所隶属的故障类型为D1，D2，…，DC中最小值对应的故障类型。
最后，将本发明方法对于该故障的分057类诊断结果显示于图2中，带星号标记的曲线就是理应诊断出的故障类型。从图2中可以发现本发明方法能成功诊断出该故障。
上述实施案例只用来解释说明本发明的具体实施，而不是对本发明进行限制。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改，都落入本发明的保护范围。

Claims (1)

1.一种基于多个误差生成模型的故障分类诊断方法，其特征在于，包括以下步骤：
步骤(1)：从生产过程历史数据库中找到不同故障工况条件下的采样数据，组成不同的参考故障数据集
Figure FSB0000196059350000011
其中Nc为第c种故障的可用样本数，c＝1，2，…，C，R为实数集，
Figure FSB0000196059350000012
表示Nc×m维的实数矩阵，m为过程测量变量的个数；
步骤(2)：对各类型故障的参考故障数据集X1，X2，…，XC按列实施标准化处理，对应得到均值为0，标准差为1的新数据矩阵
Figure FSB0000196059350000013
并初始化i＝1；
步骤(3)：将新数据矩阵
Figure FSB0000196059350000014
中的第i列向量xi取出，新数据矩阵
Figure FSB0000196059350000015
中其余的列组成新矩阵
Figure FSB0000196059350000016
再利用偏最小二乘算法建立由Yi预测输出xi的误差生成模型，具体的实施过程如步骤①至步骤
Figure FSB00001960593500000113
所示；
①置k＝1与Zi＝Yi后，初始化向量uk＝xi；
②根据公式wk＝Ziuk/||Ziuk||，sk＝Ziwk和qk＝xi Tsk/(sk Tsk)分别计算得到系数向量wk，得分向量sk和系数qk，其中||Ziuk||表示计算向量Ziuk的长度；
③根据公式unew＝xiqk/qk 2计算向量unew；
④判断是否满足条件||uk-unew||＜10-6；若否，则置uk＝unew后返回步骤②；若是，则执行⑤；
⑤根据公式pk＝Zi Tsk/(sk Tsk)计算得到第k个投影向量pk∈R(m-1)×1，并保留投影向量pk、系数向量wk、和系数qk；
⑥判断矩阵Yk＝skpk T中的最大元素是否大于0.01；若是，根据公式Zi＝Zi-skpk T更新矩阵Zi后执行步骤⑦；若否，则得到投影矩阵P＝[p1，p2，…，pk]、系数矩阵W＝[w1，w2，…，wk]、和向量Q＝[q1，q2，…，qk]，并执行步骤⑧；
⑦判断k＜m-1；若是，则置k＝k+1后，返回步骤②；若否，则得到最终的投影矩阵P＝[p1，p2，…，pk]，系数矩阵W＝[w1，w2，…，wk]和向量Q＝[q1，q2，…，qk]；
⑧根据公式br＝Wr(Pr TWr)-1Qr T计算在保留r个投影向量前提下的回归系数向量br，其中，Pr，Wr和Qr分别为P，W和Q中前1至r列向量组成的矩阵，r＝1，2，…，k，对应可得到的回归系数向量有b1，b2，…，bk；
⑨根据公式
Figure FSB0000196059350000017
计算输出xi的预测值
Figure FSB0000196059350000018
后，计算保留不同个数投影向量所对应的模型预测误差
Figure FSB0000196059350000019
⑩根据MSE1，MSE2，…，MSEk的数值变化情况找出预测误差不再发生显著变化的收敛点位置，并将其下标号对应的具体数值作为偏最小二乘模型需保留的投影变量个数K，其中K≤k；
Figure FSB00001960593500000110
由Yi预测输出xi的误差生成模型最终可确定为
Figure FSB00001960593500000111
其中，输入-输出回归向量为
Figure FSB00001960593500000112
ei表示模型预测误差，PK，WK和QK分别为P，W和Q中前1至K列向量组成的矩阵；
步骤(4)：判断是否满足条件i＜m；若是，则置i＝i+1后返回步骤(3)；若否，则将得到的估计误差向量组成估计误差矩阵
Figure FSB0000196059350000021
后继续执行下一步骤(5)；
步骤(5)：对估计误差矩阵Ec实施奇异值分解，即：Ec＝UcΛcVc T；其中，确定矩阵Uc，矩阵Vc和对角矩阵Λc∈Rr×r的实施过程如步骤①至步骤⑥所示；
①设置r＝1与F＝Ec后，初始化列向量tr为估计误差矩阵Ec中的第一列；
②根据公式vr＝FTtr/(tr Ttr)计算得到向量vr；
③根据公式tnew＝Fvr/(vr Tvr)计算向量tnew；
④判断是否满足条件||tnew-tr||＜10-6；若是，则执行下一步骤⑤；若否，则置tr＝tnew后返回步骤②；
⑤根据公式
Figure FSB0000196059350000022
与μr＝trλr -1分别计算得到第r个奇异值λr与向量μr，并根据公式F＝F-trvr T更新F；
⑥判断是否满足条件λr≤10-3；若否，则设置r＝r+1与向量tr为矩阵F中的第一列后返回步骤②；若是，则将所有得到的奇异值λ1，λ2，…，λr组成对角矩阵Λc∈Rr×r，将所有得到的向量μ1，μ2，…，μr组成矩阵Uc＝[μ1，μ2，…，μr]，将所有的向量v1，v2，…，vr组成矩阵Vc＝[v1，v2，…，vr]；
步骤(6)：重复步骤(2)～(5)直至得到所有C种故障类型对应的误差生成模型，奇异值分解模型，以及控制上限；
步骤(7)：当在线检测出故障样本z∈R1×m后，对z实施与第c类故障的参考故障数据集Xc相同的标准化处理得到zc＝[z1，z2，…，zm]，并初始化i＝1；
步骤(8)：将zc中第i列元素zi取出，剩余元素作为输入向量yi∈R1×(m-1)，根据公式
Figure FSB0000196059350000023
生成对应的误差fi；
步骤(9)：判断是否满足条件i＜m；若是，则置i＝i+1后返回步骤(8)；若否，则将得到的误差组成向量Fc＝[f1，f2，…，fm]∈R1×m后继续执行下一步骤(10)；
步骤(10)：根据如下所示公式计算统计指标Dc的具体数值：
Dc＝||FcVcΛc -1||2 (1)
上式中符号|| ||表示计算向量的长度；
步骤(11)：重复步骤(7)～(10)得到不同故障类型条件下的统计指标D1，D2，…，DC，那么当前故障样本所隶属的故障类型为D1，D2，…，DC中最小值对应的故障类型。
CN201810233507.XA 2018-03-06 2018-03-06 一种基于多个误差生成模型的故障分类诊断方法 Active CN108491878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810233507.XA CN108491878B (zh) 2018-03-06 2018-03-06 一种基于多个误差生成模型的故障分类诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810233507.XA CN108491878B (zh) 2018-03-06 2018-03-06 一种基于多个误差生成模型的故障分类诊断方法

Publications (2)

Publication Number Publication Date
CN108491878A CN108491878A (zh) 2018-09-04
CN108491878B true CN108491878B (zh) 2022-02-11

Family

ID=63318811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810233507.XA Active CN108491878B (zh) 2018-03-06 2018-03-06 一种基于多个误差生成模型的故障分类诊断方法

Country Status (1)

Country Link
CN (1) CN108491878B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389313B (zh) * 2018-10-09 2021-05-04 宁波大学 一种基于加权近邻决策的故障分类诊断方法
TWI684839B (zh) * 2018-11-30 2020-02-11 財團法人金屬工業研究發展中心 扣件成型機之模具狀態診斷方法及其電腦程式產品
CN117970091A (zh) * 2023-12-29 2024-05-03 广东电网有限责任公司江门供电局 一种基于多分类算法的故障监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000222232A (ja) * 1999-01-28 2000-08-11 Toshiba Corp 電子計算機及び電子計算機のメモリ障害回避方法
US6766230B1 (en) * 2000-11-09 2004-07-20 The Ohio State University Model-based fault detection and isolation system and method
CN102966730A (zh) * 2011-08-31 2013-03-13 通用汽车环球科技运作有限责任公司 用于变速器螺线管的自适应控制系统和方法
CN103807042A (zh) * 2012-11-09 2014-05-21 通用汽车环球科技运作有限责任公司 使用燃料蒸气清除率的废气氧传感器故障检测系统和方法
CN106250937A (zh) * 2016-09-22 2016-12-21 宁波大学 一种基于非相似度指标的故障分类诊断方法
CN106444665A (zh) * 2016-09-22 2017-02-22 宁波大学 一种基于非高斯相似度匹配的故障分类诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000222232A (ja) * 1999-01-28 2000-08-11 Toshiba Corp 電子計算機及び電子計算機のメモリ障害回避方法
US6766230B1 (en) * 2000-11-09 2004-07-20 The Ohio State University Model-based fault detection and isolation system and method
CN102966730A (zh) * 2011-08-31 2013-03-13 通用汽车环球科技运作有限责任公司 用于变速器螺线管的自适应控制系统和方法
CN103807042A (zh) * 2012-11-09 2014-05-21 通用汽车环球科技运作有限责任公司 使用燃料蒸气清除率的废气氧传感器故障检测系统和方法
CN106250937A (zh) * 2016-09-22 2016-12-21 宁波大学 一种基于非相似度指标的故障分类诊断方法
CN106444665A (zh) * 2016-09-22 2017-02-22 宁波大学 一种基于非高斯相似度匹配的故障分类诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multiple Imputation of Missing Residuals for Fault Classification: A Wind Turbine Application;Eman M. Nejad etc.;《2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA)》;20160303;第1-3页 *
基于灰色理论的自适应多参数预测模型;郭阳明等;《航空学报》;20090525;第30卷(第05期);第925-931页 *

Also Published As

Publication number Publication date
CN108491878A (zh) 2018-09-04

Similar Documents

Publication Publication Date Title
CN108803520B (zh) 一种基于变量非线性自相关性剔除的动态过程监测方法
CN108897286B (zh) 一种基于分散式非线性动态关系模型的故障检测方法
CN108508865B (zh) 一种基于分散式osc-pls回归模型的故障检测方法
CN110009020B (zh) 一种基于多核主元分析模型的非线性过程监测方法
CN109522972B (zh) 一种基于潜变量自回归模型的动态过程监测方法
CN109669415B (zh) 一种基于结构化典型变量分析的动态过程监测方法
CN108469805B (zh) 一种基于动态性最优选择的分散式动态过程监测方法
CN108345284B (zh) 一种基于两变量块的质量相关故障检测方法
CN108960309B (zh) 一种基于rbf神经网络自相关性剔除的动态过程监测方法
CN108445867B (zh) 一种基于分散式icr模型的非高斯过程监测方法
CN108491878B (zh) 一种基于多个误差生成模型的故障分类诊断方法
CN108375965B (zh) 一种基于多变量块交叉相关性剔除的非高斯过程监测方法
CN108153267B (zh) 一种基于误差主元分析模型的工业过程监测方法
CN107153409A (zh) 一种基于缺失变量建模思路的非高斯过程监测方法
CN111913460B (zh) 一种基于序列相关局部保持投影算法的故障监测方法
CN108388234B (zh) 一种基于相关性划分多变量块pca模型的故障监测方法
CN107403196B (zh) 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法
CN108572639B (zh) 一种基于主成分自相关性剔除的动态过程监测方法
CN108427398B (zh) 一种基于分散式ar-pls模型的动态过程监测方法
CN110244690B (zh) 一种多变量工业过程故障辨识方法及系统
CN108536943B (zh) 一种基于多生产单元变量交叉相关解耦策略的故障监测方法
CN109669412B (zh) 一种基于新型动态独立成分分析的非高斯过程监测方法
CN110033175B (zh) 一种基于集成多核偏最小二乘回归模型的软测量方法
CN111915121B (zh) 一种基于广义典型变量分析的化工过程故障检测方法
CN110008548B (zh) 一种基于grnn分散式建模策略的故障检测方法

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
TR01 Transfer of patent right

Effective date of registration: 20230523

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: Room 521, Information Institute, 818 Fenghua Road, Jiangbei District, Ningbo City, Zhejiang Province

Patentee before: Ningbo University

Effective date of registration: 20230523

Address after: 163000 Saina garden No.2, Saertu District, Daqing City, Heilongjiang Province

Patentee after: Aochen Technology Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

TR01 Transfer of patent right