CN108508865B - 一种基于分散式osc-pls回归模型的故障检测方法 - Google Patents
一种基于分散式osc-pls回归模型的故障检测方法 Download PDFInfo
- Publication number
- CN108508865B CN108508865B CN201810233506.5A CN201810233506A CN108508865B CN 108508865 B CN108508865 B CN 108508865B CN 201810233506 A CN201810233506 A CN 201810233506A CN 108508865 B CN108508865 B CN 108508865B
- Authority
- CN
- China
- Prior art keywords
- vector
- fault detection
- data
- matrix
- regression model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000010238 partial least squares regression Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 3
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000007796 conventional method Methods 0.000 abstract 1
- 238000004064 recycling Methods 0.000 abstract 1
- 239000000463 material Substances 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 239000000498 cooling water Substances 0.000 description 4
- 238000012880 independent component analysis Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011664 signaling Effects 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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种基于分散式OSC‑PLS回归模型的故障检测方法，旨在从同等对待各测量变量的角度出发，建立行之有效的故障检测模型实施更可靠的故障检测。具体来讲，本发明方法借鉴分散式建模的策略，在剔除每个测量变量与其他测量变量之间正交不相关信号后，再利用PLS回归算法建立两者之间的回归模型，然后利用每个测量变量的估计误差实施故障检测。相比于传统方法，本发明方法在利用分散式建模的基础上同等的为每个测量变量建立其各自的回归模型，并且将各个回归模型中的正交不相关信号剔除，最大程度地保障了回归模型的软测量精度从而保证了后续的故障检测性能。可以说，本发明方法是一种更为优选的数据驱动故障检测方法。
Description
技术领域
本发明涉及一种数据驱动的故障检测方法，尤其涉及一种基于分散式OSC-PLS回归模型的故障检测方法。
背景技术
随着全球化市场竞争日趋激烈化，有效地保证生产的正常运行是现代过程工业面临的主要挑战。因此，故障检测在整个综合自动化系统中占有着重要地位。在已有的科研文献与专利资料中，实施故障检测的技术手段可以大体上分为基于机理模型的与数据驱动的。基于机理模型的故障检测方法以误差生成为核心要素，通过过程对象精确的机理模型产生过程对象某些参数或变量的实测值与估计值之间的误差，然后监测估计误差的变化情况来反应过程对象是否处于正常生产工况。近年来，由于计算机技术的飞跃发展和工业规模的不断扩大，工业过程能够测量和存储的数据信息越来越大而精确描述过程的机理模型却难以获得。数据驱动的过程监测技术就是在这个背景下应运而生的，其中针对多变量统计过程监测(MSPM)的研究已得到了工业界和学术界的广泛关注。通常来讲，数据驱动的故障检测方法在于对正常工况下的采样数据进行特征挖掘，从而提取出少数几个特征成分，然后对特征成分计算相应的统计量指标以判断在线采样数据是否来自于正常工况。
数据驱动的故障检测方法主要以主元分析(Principal Component Analysis，PCA)、独立元分析(Independent Component Analysis，ICA)、和偏最小二乘(PartialLeast Square，PLS)算法为基础，相应的研究成果层出不穷。一般来讲，PLS算法及其拓展形式主要用于与质量相关的故障检测研究，旨在建立输入数据与质量指标之间的软测量关系。而PCA算法是一种无监督型的特征挖掘算法，旨在提取训练数据的潜在有用特征成分。但无论是利用哪种算法的建立故障检测模型，其基本思想都是对原始数据进行投影变换。而进行投影变换时，这些投影变换向量上各系数其实可看做成不同变量的权重系数。从这一角度讲，不同投影变换向量为不同变量赋予不同的权值，每个变量经投影转换后因权值的差异而导致这些变量重要性程度是不等同的。然而，从故障检测的角度出发，每个测量变量的异常变化都能表征过程对象出现了故障，各个测量变量在故障检测中的重要性是等同的。因此，传统数据驱动的故障检测方法在故障检测性能的提升上还有待进一步研究，即如何从等同对待各个测量变量的前提下，对数据特征进行有效挖掘。
针对上述问题，一种可行的思路是对每个测量变量进行单独的分析，利用相应回归算法描述出该变量与其他变量之间的相互关系特征。由于过程测量变量间是交错相关的，用一部分变量测量数据就预测或者估计出其他变量的测量数据，这也就是软测量的基本思想。然而，在利用回归算法建立软测量模型时，需要考虑模型输入与输出之间不相关信息的干扰影响，也就是需要实施正交信号校正(Orthogonal Signal Correction，OSC)以剔除输入与输出之间正交不相关的成分信息。只有这样，才能改善软测量模型的精度，从而使输入-输出关系特征描述更加准确。
发明内容
本发明所要解决的主要技术问题是：如何从同等对待各测量变量的角度出发，准确地描述出各测量变量与其他测量变量之间的相互关系特征，从而建立行之有效的故障检测模型实施更可靠的故障检测。具体来讲，本发明方法借鉴分散式建模的策略，在剔除每个测量变量与其他测量变量之间正交不相关信号后，再利用PLS回归算法建立两者之间的回归模型，然后利用每个测量变量的估计误差实施故障检测。
本发明解决上述技术问题所采用的技术方案为：一种基于分散式OSC-PLS回归模型的故障检测方法，包括以下步骤：
(1)采集生产过程正常运行状态下的样本，组成训练数据集X∈Rn×m，并对每个测量变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵。
(2)将标准化后的数据集表示成其中xi∈Rn×l为第i个测量变量的n数据组成的列向量，i＝1，2，…，m表示变量下标号，并初始化i＝1。
(3)将矩阵中第i列数据去除得到回归模型的输入矩阵而将xi作为回归模型的输出，利用正交信号校正(OSC)方法剔除输入与输出xi之间的正交不相关成分，具体的实施过程如下所示：
①计算的协方差矩阵
②求解矩阵C最大特征值λ所对应的特征向量ai；
③根据公式计算主元向量ti∈Rn×l；
④根据公式tnew＝[I-xi(xi Txi)-1xi T]ti更新主元向量，这一步实为实施正交信号提取；
⑤根据公式计算与tnew之间的回归系数向量bi，并计算得到主元向量的ti的更新值
⑥检验是否满足条件||ti-tnew||/||ti||＜10-6？若否，重复④～⑤；若是，执行⑦；
⑦保留特征向量ai与回归系数向量bi，并根据公式剔除中与输出xi之间的正交不相关成分，从而得到剔除正交不相关成分后的输入数据矩阵Zi。
(4)利用PLS回归算法建立输入Zi与输出xi之间的软测量模型，具体实施过程如下所示：
①置k＝1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；
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，则执行步骤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)×l，并保留向量pk、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0.001？若是，根据公式Zi＝Zi-skpk T更新输入矩阵Zi后执行步骤⑦；若否，则得到投影矩阵Pi＝[p1，p2，…，pk]、系数矩阵Wi＝[w1，w2，…，wk]、和列向量Q＝[q1，q2，…，qk]T，并执行步骤⑧；
⑦判断k＜m-2？若是，则置k＝k+1后，返回步骤②；若否，则得到投影矩阵Pi＝[p1，p2，…，pk]、系数矩阵Wi＝[w1，w2，…，wk]、和列向量Q＝[q1，q2，…，qk]T，并执行步骤⑧；
⑧计算回归向量Ri＝Wi(Pi TWi)-1Q，那么输入Zi与输出xi之间的软测量模型为：
xi＝ZiRi+ei (1)
上式中，ei表示第i个变量的估计误差。
(5)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矩阵E＝[e1，e2，…，em]后继续执行下一步骤(6)。
(6)依次计算矩阵E的均值行向量μ∈Rl×m与协方差矩阵S＝(E-μ)T(E-μ)/(n-1)，并计算马氏距离监测统计指标D的上限其中表示自由度为m的卡方分布在置信水平α＝99％下的取值。
(7)收集新采样时刻的数据样本x∈Rl×m，对其实施与步骤(1)中相同的标准化处理得到新数据向量后，初始化i＝1。
(8)将行向量中的第i个元素yi取出后得到输入向量并按照如下所示公式剔除输入中与输出yi之间正交不相关的信号成分，从而得到新输入向量zi：
(9)根据公式fi＝yi-ziRi得到当前监测数据中第i个测量值的估计误差。
(10)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，则将得到的估计误差组成向量f＝[f1，f2，…，fm]并继续执行下一步骤(11)。
(11)根据如下所示公式计算误差向量f的统计监测指标D：
D＝(f-μ)S-1(f-μ)T (3)
进而根据D的具体数值实施在线故障检测，具体思路为：若则当前时刻过程对象运行正常，继续监测下一个新样本数据；若否，当前时刻运行出现异常。
与传统方法相比，本发明方法的优势在于：
首先，本发明方法借鉴了分散式建模的思想，同等地为每个测量变量建立其各自的回归模型，并且将各个回归模型中的正交不相关信号剔除，最大程度地保障了回归模型的软测量精度。其次，本发明方法的主要特点在于监测的对象为估计误差而不是原始数据或者特征成分，这点实施思路与基于机理模型的故障检测方法类似。本发明方法的这一特点能充分结合基于机理模型方法与数据驱动方法的优势。因此，本发明方法能显著提升传统故障检测方法的故障检测能力，是一种更为优选的故障检测方法。
附图说明
图1为本发明方法实施流程图。
图2为本发明方法利用OSC-PLS回归模型生成估计误差的示意图
图3为TE过程故障20的故障检测详情对比图。
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，一种基于分散式OSC-PLS回归模型的故障检测方法。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，以及相对于现有方法的优越性。
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。所采集的数据分为22组，其中包括1组正常工况下的数据集与21组故障数据。而在这些故障数据中，有16个是已知故障类型，如冷却水入口温度或进料成分的变化、阀门粘滞、反应动力学漂移等，还有5个故障类型是未知的。为了对该过程进行监测，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过程正常工况下的采样数据建立故障检测模型，包括以下步骤：
(1)收集生产过程正常运行状态下的数据样本，组成训练数据集X∈R960×33，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵
(2)将标准化后的数据集表示成其中xi∈R960×l为第i个测量变量的n数据组成的列向量，i＝1，2，…，33表示变量下标号，并初始化i＝1。
图2展示了本发明方中利用OSC-PLS实现误差生成的基本流程，具体的实施过程如步骤(3)～(4)所示。
(3)将矩阵中第i列数据去除得到回归模型的输入矩阵而将xi作为回归模型的输出，利用OSC方法剔除输入与输出xi之间的正交不相关成分，从而得到新输入矩阵Zi。
(4)利用PLS回归算法建立输入Zi与输出xi之间的软测量模型xi＝ZiRi+ei。
(5)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矩阵E＝[e1，e2，…，e33]后继续执行下一步骤(6)。
(6)依次计算矩阵E的均值行向量μ∈Rl×33与协方差矩阵S＝(E-μ)T(E-μ)/959，并计算马氏距离监测统计指标D的上限
其次，为验证本发明方法在故障检测上的优越性，特以TE过程中第20类故障类型工况为例，针对该故障测试数据实施在线故障检测。
(7)收集新采样时刻的数据样本x∈Rl×33，对其实施与步骤(1)中相同的标准化处理得到新数据向量后，初始化i＝1。
(8)将行向量中的第i个元素yi取出后得到输入向量并剔除输入-输出之间的正交不相关信号成分，以得到新输入向量zi。
(9)根据公式fi＝yi-ziRi得到当前监测数据中第i个测量值的估计误差。
(10)：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，则将得到的估计误差组成向量f＝[f1，f2，…，f33]并继续执行下一步骤。
(11)计算误差向量f的统计监测指标D，进而根据D的具体数值实施在线故障检测。
相应的故障检测详情图显示于图3中，本发明方法以及传统基于PCA与基于ICA的故障检测方法在TE过程故障20上的监测详情对比图，可以很明显地发现本发明方法的故障漏报情况明显低，监测效果要优越于其他两种方法。
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)
1.一种基于分散式OSC-PLS回归模型的故障检测方法，其特征在于，包括以下步骤：
离线建模阶段的实施过程如下所示：
步骤(1)：采集生产过程正常运行状态下的样本，组成训练数据集X∈Rn×m，并对每个测量变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵；
步骤(2)：将标准化后的数据集表示成其中xi∈Rn×1为第i个测量变量的n个 数据组成的列向量，i＝1，2，…，m表示变量下标号，并初始化i＝1；
步骤(3)：将矩阵中第i列数据去除得到回归模型的输入矩阵而将xi作为回归模型的输出，利用正交信号校正(OSC)方法剔除输入与输出xi之间的正交不相关成分，从而得到新输入矩阵其中，为正交成分向量，ai是的协方差矩阵的最大特征值对应的特征向量，bi为计算正交成分的回归系数向量；
步骤(4)：利用偏最小二乘(PLS)回归算法建立输入Zi与输出xi之间的软测量模型：
xi＝ZiRi+ei (1)
上式中，ei表示第i个变量的估计误差，Ri为PLS模型的输入-输出回归向量；
步骤(5)：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矩阵E＝[e1，e2，…，em]后继续执行下一步骤(6)；
步骤(6)：依次计算矩阵E的均值行向量μ∈R1×m与协方差矩阵S＝(E-μ)T(E-μ)/(n-1)，并计算马氏距离监测统计指标D的上限其中表示自由度为m的卡方分布在置信水平α＝99％下的取值；
在线故障检测的实施过程如下所示：
步骤(7)：收 集新采样时刻的数据样本x∈R1×m，对其实施与步骤(1)中相同的标准化处理得到新数据向量后，初始化i＝1；
步骤(8)：将行向量中的第i个元素yi取出后得到输入向量并按照如下所示公式剔除输入中与输出yi之间正交不相关的信号成分，从而得到新输入向量zi：
步骤(9)：根据公式fi＝yi-ziRi得到当前监测数据中第i个测量值的估计误差；
步骤(10)：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，则将得到的估计误差组成向量f＝[f1，f2，…，fm]并继续执行下一步骤；
步骤(11)：根据如下所示公式计算误差向量f的统计监测指标D：
D＝(f-μ)S-1(f-μ)T (3)
进而根据D的具体数值实施在线故障检测，具体思路为：若D≤Dlim，则当前时刻过程对象运行正常，继续监测下一个新样本数据；若否，当前时刻运行出现异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810233506.5A CN108508865B (zh) | 2018-03-06 | 2018-03-06 | 一种基于分散式osc-pls回归模型的故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810233506.5A CN108508865B (zh) | 2018-03-06 | 2018-03-06 | 一种基于分散式osc-pls回归模型的故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108508865A CN108508865A (zh) | 2018-09-07 |
| CN108508865B true CN108508865B (zh) | 2019-09-06 |
Family
ID=63377787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810233506.5A Active CN108508865B (zh) | 2018-03-06 | 2018-03-06 | 一种基于分散式osc-pls回归模型的故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108508865B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109254865A (zh) * | 2018-09-25 | 2019-01-22 | 江苏润和软件股份有限公司 | 一种基于统计分析的云数据中心服务异常根因定位方法 |
| CN109407640B (zh) * | 2018-12-13 | 2021-03-09 | 宁波大学 | 一种基于动态正交成分分析的动态过程监测方法 |
| CN109491347B (zh) * | 2018-12-18 | 2020-04-10 | 江南大学 | 应用于青霉素发酵过程中的批次运行中操作轨迹的调整方法 |
| CN110928262B (zh) * | 2019-12-17 | 2022-11-15 | 中国人民解放军火箭军工程大学 | 时变系统下高效更新模型的质量相关故障在线监控方法 |
| CN112231982B (zh) * | 2020-10-13 | 2024-02-02 | 广东光美能源科技有限公司 | 一种基于分布式软测量模型的光伏电板故障检测方法 |
| CN112232427B (zh) * | 2020-10-13 | 2023-10-03 | 宁波大学 | 一种基于分布式回归模型的风力发电机故障检测方法 |
| 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 |
| CN112884051B (zh) * | 2021-02-26 | 2022-11-29 | 哈尔滨工业大学 | 数据驱动的轻量级无人机多部件在线复杂故障诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101158693B (zh) * | 2007-09-26 | 2011-08-17 | 东北大学 | 基于多核独立元分析的批量生产过程故障检测方法 |
| CN106647650B (zh) * | 2016-09-22 | 2018-11-20 | 宁波大学 | 基于变量加权pca模型的分散式工业过程监测方法 |
-
2018
- 2018-03-06 CN CN201810233506.5A patent/CN108508865B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108508865A (zh) | 2018-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108508865B (zh) | 一种基于分散式osc-pls回归模型的故障检测方法 | |
| CN107092242B (zh) | 一种基于缺失变量pca模型的工业过程监测方法 | |
| CN107153409B (zh) | 一种基于缺失变量建模思路的非高斯过程监测方法 | |
| CN105955219B (zh) | 基于互信息的分布式动态过程故障检测方法 | |
| CN106092625B (zh) | 基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法 | |
| 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 | |
| CN108803520A (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 | |
| CN108897286A (zh) | 一种基于分散式非线性动态关系模型的故障检测方法 | |
| CN108445867A (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
| CN106940808A (zh) | 一种基于改进型主元分析模型的故障检测方法 | |
| CN110009020A (zh) | 一种基于多核主元分析模型的非线性过程监测方法 | |
| CN108345294B (zh) | 一种基于分散式主元回归模型的故障检测方法 | |
| CN108345284A (zh) | 一种基于两变量块的质量相关故障检测方法 | |
| CN106647650B (zh) | 基于变量加权pca模型的分散式工业过程监测方法 | |
| CN108469805A (zh) | 一种基于动态性最优选择的分散式动态过程监测方法 | |
| CN108388234A (zh) | 一种基于相关性划分多变量块pca模型的故障监测方法 | |
| CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
| CN109669415A (zh) | 一种基于结构化典型变量分析的动态过程监测方法 | |
| CN110244692B (zh) | 化工过程微小故障检测方法 | |
| CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
| CN108375965A (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 | |
| CN108181894A (zh) | 一种基于修剪独立元回归策略的非高斯过程监测方法 | |
| CN108960309A (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 | |
| CN105955214A (zh) | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 | |
| CN106897542A (zh) | 基于显著故障变量提取的卷烟制叶丝段故障诊断方法 |
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: 20230807 Address after: Room 1207, 12th Floor, Building B, No. 8 Xueqing Road (Technology Fortune Center), Haidian District, Beijing 100000 Patentee after: Beijing Wanxiang Xinyuan Digital Technology Research Institute 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. Effective date of registration: 20230807 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 |
|
| TR01 | Transfer of patent right | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 1207, 12th Floor, Building B, No. 8 Xueqing Road (Technology Fortune Center), Haidian District, Beijing 100000 Patentee after: Xinyuan Xingyu Digital Communication Technology Co.,Ltd. Address before: Room 1207, 12th Floor, Building B, No. 8 Xueqing Road (Technology Fortune Center), Haidian District, Beijing 100000 Patentee before: Beijing Wanxiang Xinyuan Digital Technology Research Institute Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |