CN108536129A - 一种群智能搜索的相关向量机故障诊断系统 - Google Patents
一种群智能搜索的相关向量机故障诊断系统 Download PDFInfo
- Publication number
- CN108536129A CN108536129A CN201810458516.9A CN201810458516A CN108536129A CN 108536129 A CN108536129 A CN 108536129A CN 201810458516 A CN201810458516 A CN 201810458516A CN 108536129 A CN108536129 A CN 108536129A
- Authority
- CN
- China
- Prior art keywords
- vector machine
- value
- particle
- fault diagnosis
- relevance vector
- 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.)
- Pending
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种群智能搜索的相关向量机故障诊断系统,用于对乙烯裂解过程进行故障诊断,包括还数据预处理模块、主成分分析模块、相关向量机模块以及群智能算法模块。本发明对乙烯裂解化工过程的重要参数指标进行故障诊断预报,克服已有的化工故障诊断技术仪表系统测试时间相对较长的不足,引入群智能算法模块对相关向量机参数寻优,实现的乙烯裂解过程故障诊断系统的测试效率高。
Description
技术领域
本发明涉及故障诊断领域、机器学习领域和群智能优化算法领域,尤其涉及一种结合机器学习和群智能优化算法的乙烯裂解过程化工故障诊断系统。
背景技术
由于当今社会对工业生产的系统性能表现、产品质量以及运行成本的这些方面的越来越多的要求,以及计算机技术的发展以及自动化技术在工业生产过程中的应用,现代化生产过程日益复杂,即大型化、智能化、精密化。一些传统的方法,例如增强传感器、执行器、控制器及计算机这些子系统的稳定性和鲁棒性来提高整个系统的可靠性也不能保证系统无故障的运行。而在过程设备中或者过程内部的故障都给生产过程造成很大的偏差而且会使得整个系统性能变很差。比如,在化工过程中的传感器故障(如测量偏差)、执行机构的故障(如阀门、管道、水泵)以及生产过程中本身的故障(如催化剂失活、换热器污垢)。一个故障不仅会损伤功能性部件设备,还会通过耦合的控制回路和反馈系统影响到整个系统。为了解决这些问题,就需要一个故障诊断系统来监测整个系统的运行情况。因此,关于这些复杂过程的安全性和可靠性的问题受到了越来越多的关注。为保证生产过程安全可靠地进行,在系统中加入自动故障检测装置是非常必须的。它可以通过及时识别并通知工业生产过程中的异常情况,使操作员能迅速做出反应和排除故障来确保生产工艺能够正常运行。因此,故障诊断技术在生产过程中发挥着越来越重要的作用。
发明内容
为了克服目前已有的故障诊断系统测试时间相对较长的不足,本发明的目的在于提供一种测试效率高的故障诊断系统。
本发明解决其技术问题所采用的技术方案是:一种群智能搜索的相关向量机故障诊断系统,用于对乙烯裂解过程进行故障诊断,包括还数据预处理模块、主成分分析模块、相关向量机模块以及群智能算法模块,其中:
数据预处理模块:乙烯裂解过程的30个变量为数据预处理模块的输入。由于每个变量都有不同的单位,为了防止不同的量纲引起数据量级之间的误差,先对所有数据进行标准化处理,标准化公式如下:
其中,mean表示各变量的算术平均值,std表示各变量的标准差,表示输入变量的值,下标i表示第i次检测、j分别表示第j维变量,xij表示标准化后输入变量的值作为输入数据。标准化后的数据为S={xi1,xi2,...xi30}。
主成分分析模块:通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据S={xi1,xi2,...xi30}进行主成分分析,保留85%的主要成分。
相关向量机模块:用于建立诊断系统,提高系统的测试效率:
在相关向量机中,假设y符合高斯分布,将高斯核函数应用到y(x),其中yc为y的估计值,κ为函数的宽度参数,可以得到似然估计函数:
其中t=(t1,t2...tN)T,w=(w1,w2...wN)T,w表示权重系数,t表示分类类别共N类,P表示概率结果、x为输入数据、y为输出数据,下标i表示第i个数据,上标T表示矩阵的转置。
在相关向量机中,权值w可以通过极大似然估计来确定,但是为了防止过拟合,通过高斯先验概率分布来约束参数:
其中,α是N+1维超参数,该值的引入导致了系统的稀疏性。
根据先验概率和贝叶斯定理,应用拉普拉斯原理计算出近似的后验概率:
(1)由于p(w|t,α)∝p(t|w)p(w|α),对当前固定的α值求出最大可能的权值wMP,采用二阶牛顿法求得wMP。
其中,yn=σ{y(xn;w)},A=diag(α0,α1,...αN)。
(2)利用拉普拉斯方法,将对数后验概率进行二次逼近,将上式进行两次求导得到:
其中,Φ=[φ(x1),φ(x2)...φ(xN)]T是由多个核函数构成的一个N×(N+1)维度的结构矩阵,并且φ(xn)=[1,K(xn,x1),K(xn,x2),...,K(xn,xN)]T。B=diag(β1,β2,..βN)是一个对角矩阵,并且βn=σ{y(xn)}[1-σ(xn)]。对上式右边取负号再求逆矩阵,即可得到协方差矩阵Σ。
(3)利用wMP和Σ,对超参数α进行更新,更新公式如下:
其中,γi≡1-αiΣii。
最终,可以得到后验协方差为:
其中Σ是后验协方差。
相关向量机通过引入贝叶斯框架使得系统更加具有稀疏性,在视频追踪、图像检索领域中被广泛应用。同时,该系统的泛化性能较好,测试时间短,适合于在线监测。
群智能算法模块:采用群智能方法粒子群算法优化相关向量机模块中的函数宽度参数κ:
(1)种群初始化:在D维问题解空间随机产生N个粒子的位置li=(li1,li2,...liD),和速度vi=(vi1,vi2,...viD),i=1,2,…,N,设置粒子学习速率c1=c2=2,设置惯性权重最大值与最小值wmax=0.8,wmin=0.2,设置种群数量N=20,设置最大迭代次数itermax=100。同时,设置迭代次数k=1;
(2)更新粒子:根据公式(8)更新粒子的速度和位置;
其中,vi(k)是粒子i在第k次迭代时的速度,li(k)是粒子i在第k次迭代时的位置,Pbest是粒子自身经验的局部最优解;gbest是所有粒子经验的全局最优解,w是惯性权重,c1和c2是学习速率,r1和r2是在0到1之间的随机数,wmax和wmin是惯性权重的最大值和最小值,itermax是最大迭代次数。
(3)更新Pbest:比较某个粒子的适应度值与其个体最优解Pbest,如果适应度值优于Pbest,则用该粒子当前的位置作为Pbest,其中适应度值f(x)采用如下公式进行计算;
其中,表示输出变量的真实值,表示输出变量的预测值,n表示样本个数。
(4)更新gbest:比较所有粒子的适应度值与种群的全局最优解gbest,选择最优适应度值的粒子的位置作为gbest;
(5)终止条件判断:判断迭代次数是否达到设定值或者精度是否小于0.001,若达到,迭代终止,若没有达到,转向(2)继续迭代。
将乙烯裂解过程中不同故障的数据输入到群智能优化诊断系统中进行训练,建立故障诊断模型。
当未知故障的数据输入到此故障诊断系统时,诊断结果显示仪显示诊断结果。
本发明的有益效果主要表现在:本发明对乙烯裂解化工过程的重要参数指标进行故障诊断预报,克服已有的化工故障诊断技术仪表系统测试时间相对较长的不足,引入群智能算法模块对相关向量机参数寻优,实现的乙烯裂解过程故障诊断系统的测试效率高。
附图说明
图1是一种群智能搜索的相关向量机故障诊断系统的基本结构示意图;
图2是群智能优化的诊断系统结构示意图;
图3是乙烯裂解过程工艺生产流程图。
具体实施方式
下面根据附图具体说明本发明。
参照图1,一种群智能搜索的相关向量机故障诊断系统,包括乙烯裂解过程1、用于测量易测变量的现场智能仪表2、用于测量操作变量的控制站3、存放数据的数据库4、群智能优化的诊断系统5和诊断结果显示仪6。所述现场智能仪表2、控制站3与乙烯裂解过程1连接,所述现场智能仪表2、控制站3与数据库4连接,所述数据库4与群智能优化的诊断系统5的输入端连接,所述群智能优化的诊断系统5的输出端与诊断结果显示仪6连接。
参照图3乙烯裂解过程的变量如表1所示。
表1:乙烯裂解过程变量
编号 | 过程变量 | 编号 | 过程变量 |
1 | A管进料 | 16 | 甲烷含量 |
2 | B管进料 | 17 | 乙烯含量 |
3 | C管进料 | 18 | 裂解炉温度1 |
4 | D管进料 | 19 | 裂解炉温度2 |
5 | E管进料 | 20 | 裂解炉温度3 |
6 | F管进料 | 21 | 裂解炉温度4 |
7 | 总进料 | 22 | 锅炉出口温度1 |
8 | 平均温度 | 23 | 锅炉出口温度2 |
9 | A管蒸汽流量 | 24 | 锅炉出口温度3 |
10 | B管蒸汽流量 | 25 | A管出口温度 |
11 | C管蒸汽流量 | 26 | B管出口温度 |
12 | D管蒸汽流量 | 27 | C管出口温度 |
13 | E管蒸汽流量 | 28 | D管出口温度 |
14 | F管蒸汽流量 | 29 | E管出口温度 |
15 | 丙烯含量 | 30 | F管出口温度 |
乙烯裂解过程数据作为群智能优化的诊断系统5的输入变量。通过人工取样分析获得,每4小时分析采集一次。
参照图2,所述群智能优化的诊断系统5还包括:
数据预处理模块7:乙烯裂解过程的30个变量为数据预处理模块的输入。由于每个变量都有不同的单位,为了防止不同的量纲引起数据量级之间的误差,先对所有数据进行标准化处理,标准化公式如下:
其中,mean表示各变量的算术平均值,std表示各变量的标准差,表示输入变量的值,下标i表示第i次检测、j分别表示第j维变量,xij表示标准化后输入变量的值作为输入数据。标准化后的数据为S={xi1,xi2,...xi30}。
主成分分析模块8:通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据S={xi1,xi2,...xi30}进行主成分分析,保留85%的主要成分。
相关向量机模块9:用于建立诊断系统,提高系统的测试效率:
在相关向量机中,假设y符合高斯分布,将高斯核函数应用到y(x),其中yc为y的估计值,κ为函数的宽度参数,可以得到似然估计函数:
其中t=(t1,t2...tN)T,w=(w1,w2...wN)T,w表示权重系数,t表示分类类别共N类,P表示概率结果、x为输入数据、y为输出数据,下标i表示第i个数据,上标T表示矩阵的转置。
在相关向量机中,权值w可以通过极大似然估计来确定,但是为了防止过拟合,通过高斯先验概率分布来约束参数:
其中,α是N+1维超参数,该值的引入导致了系统的稀疏性。
根据先验概率和贝叶斯定理,应用拉普拉斯原理计算出近似的后验概率:
(1)由于p(w|t,α)∝p(t|w)p(w|α),对当前固定的α值求出最大可能的权值wMP,采用二阶牛顿法求得wMP。
其中,yn=σ{y(xn;w)},A=diag(α0,α1,...αN)。
(2)利用拉普拉斯方法,将对数后验概率进行二次逼近,将上式进行两次求导得到:
其中,Φ=[φ(x1),φ(x2)...φ(xN)]T是由多个核函数构成的一个N×(N+1)维度的结构矩阵,并且φ(xn)=[1,K(xn,x1),K(xn,x2),...,K(xn,xN)]T。B=diag(β1,β2,..βN)是一个对角矩阵,并且βn=σ{y(xn)}[1-σ(xn)]。对上式右边取负号再求逆矩阵,即可得到协方差矩阵Σ。
(3)利用wMP和Σ,对超参数α进行更新,更新公式如下:
其中,γi≡1-αiΣii。
最终,可以得到后验协方差为:
其中Σ是后验协方差。
相关向量机通过引入贝叶斯框架使得系统更加具有稀疏性,在视频追踪、图像检索领域中被广泛应用。同时,该系统的泛化性能较好,测试时间短,适合于在线监测。
群智能算法模块10:采用群智能方法粒子群算法优化相关向量机模块中的函数宽度参数κ:
(1)种群初始化:在D维问题解空间随机产生N个粒子的位置li=(li1,li2,...liD),和速度vi=(vi1,vi2,...viD),i=1,2,…,N,设置粒子学习速率c1=c2=2,设置惯性权重最大值与最小值wmax=0.8,wmin=0.2,设置种群数量N=20,设置最大迭代次数itermax=100。同时,设置迭代次数k=1;
(2)更新粒子:根据公式(8)更新粒子的速度和位置;
其中,vi(k)是粒子i在第k次迭代时的速度,li(k)是粒子i在第k次迭代时的位置,Pbest是粒子自身经验的局部最优解;gbest是所有粒子经验的全局最优解,w是惯性权重,c1和c2是学习速率,r1和r2是在0到1之间的随机数,wmax和wmin是惯性权重的最大值和最小值,itermax是最大迭代次数。
(3)更新Pbest:比较某个粒子的适应度值与其个体最优解Pbest,如果适应度值优于Pbest,则用该粒子当前的位置作为Pbest,其中适应度值f(x)采用如下公式进行计算;
其中,表示输出变量的真实值,表示输出变量的预测值,n表示样本个数。
(4)更新gbest:比较所有粒子的适应度值与种群的全局最优解gbest,选择最优适应度值的粒子的位置作为gbest;
(5)终止条件判断:判断迭代次数是否达到设定值或者精度是否小于0.001,若达到,迭代终止,若没有达到,转向(2)继续迭代。
将乙烯裂解过程中不同故障的数据输入到群智能优化诊断系统5中进行训练,建立故障诊断模型。
当未知故障的数据输入到此故障诊断系统时,诊断结果显示仪6显示诊断结果。
本发明实施例用来解释说明本发明,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,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (5)
1.一种群智能搜索的相关向量机故障诊断系统,用于对乙烯裂解过程进行故障诊断,其特征在于,包括还数据预处理模块、主成分分析模块、相关向量机模块以及群智能算法模块。
2.根据权利要求1所述群智能搜索的相关向量机故障诊断系统,其特征在于,所述数据预处理模块的输入为乙烯裂解过程的30个变量由于每个变量都有不同的单位,为了防止不同的量纲引起数据量级之间的误差,先对所有数据进行标准化处理,标准化公式如下:
其中,mean表示各变量的算术平均值,std表示各变量的标准差,表示输入变量的值,下标i表示第i次检测、j分别表示第j维变量,xij表示标准化后输入变量的值作为输入数据。标准化后的数据为S={xi1,xi2,...xi30}。
3.根据权利要求1所述群智能搜索的相关向量机故障诊断系统,其特征在于,所述主成分分析模块通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据S={xi1,xi2,...xi30}进行主成分分析,保留85%的主要成分。
4.根据权利要求1所述群智能搜索的相关向量机故障诊断系统,其特征在于,所述相关向量机模块:用于建立诊断系统,提高系统的测试效率:
在相关向量机中,假设y符合高斯分布,将高斯核函数应用到y(x),其中yc为y的估计值,κ为函数的宽度参数,可以得到似然估计函数:
其中t=(t1,t2...tN)T,w=(w1,w2...wN)T,w表示权重系数,t表示分类类别共N类,P表示概率结果、x为输入数据、y为输出数据,下标i表示第i个数据,上标T表示矩阵的转置。
在相关向量机中,权值w可以通过极大似然估计来确定,但是为了防止过拟合,通过高斯先验概率分布来约束参数:
其中,α是N+1维超参数,该值的引入导致了系统的稀疏性。
根据先验概率和贝叶斯定理,应用拉普拉斯原理计算出近似的后验概率:
(1)由于p(w|t,α)∝p(t|w)p(w|α),对当前固定的α值求出最大可能的权值wMP,采用二阶牛顿法求得wMP。
其中,yn=σ{y(xn;w)},A=diag(α0,α1,...αN)。
(2)利用拉普拉斯方法,将对数后验概率进行二次逼近,将上式进行两次求导得到:
其中,Φ=[φ(x1),φ(x2)...φ(xN)]T是由多个核函数构成的一个N×(N+1)维度的结构矩阵,并且φ(xn)=[1,K(xn,x1),K(xn,x2),...,K(xn,xN)]T。B=diag(β1,β2,..βN)是一个对角矩阵,并且βn=σ{y(xn)}[1-σ(xn)]。对上式右边取负号再求逆矩阵,即可得到协方差矩阵Σ。
(3)利用wMP和Σ,对超参数α进行更新,更新公式如下:
其中,γi≡1-αiΣii。
最终,可以得到后验协方差为:
其中Σ是后验协方差。
相关向量机通过引入贝叶斯框架使得系统更加具有稀疏性,在视频追踪、图像检索领域中被广泛应用。同时,该系统的泛化性能较好,测试时间短,适合于在线监测。
5.根据权利要求1所述群智能搜索的相关向量机故障诊断系统,其特征在于,所述群智能算法模块采用群智能方法粒子群算法优化相关向量机模块中的函数宽度参数κ:
(1)种群初始化:在D维问题解空间随机产生N个粒子的位置li=(li1,li2,...liD),和速度vi=(vi1,vi2,...viD),i=1,2,…,N,设置粒子学习速率c1=c2=2,设置惯性权重最大值与最小值wmax=0.8,wmin=0.2,设置种群数量N=20,设置最大迭代次数itermax=100。同时,设置迭代次数k=1;
(2)更新粒子:根据公式(8)更新粒子的速度和位置;
其中,vi(k)是粒子i在第k次迭代时的速度,li(k)是粒子i在第k次迭代时的位置,Pbest是粒子自身经验的局部最优解;gbest是所有粒子经验的全局最优解,w是惯性权重,c1和c2是学习速率,r1和r2是在0到1之间的随机数,wmax和wmin是惯性权重的最大值和最小值,itermax是最大迭代次数。
(3)更新Pbest:比较某个粒子的适应度值与其个体最优解Pbest,如果适应度值优于Pbest,则用该粒子当前的位置作为Pbest,其中适应度值f(x)采用如下公式进行计算;
其中,表示输出变量的真实值,表示输出变量的预测值,n表示样本个数。
(4)更新gbest:比较所有粒子的适应度值与种群的全局最优解gbest,选择最优适应度值的粒子的位置作为gbest;
(5)终止条件判断:判断迭代次数是否达到设定值或者精度是否小于0.001,若达到,迭代终止,若没有达到,转向(2)继续迭代。
将乙烯裂解过程中不同故障的数据输入到群智能优化诊断系统中进行训练,建立故障诊断模型。
当未知故障的数据输入到此故障诊断系统时,诊断结果显示仪显示诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458516.9A CN108536129A (zh) | 2018-05-14 | 2018-05-14 | 一种群智能搜索的相关向量机故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458516.9A CN108536129A (zh) | 2018-05-14 | 2018-05-14 | 一种群智能搜索的相关向量机故障诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108536129A true CN108536129A (zh) | 2018-09-14 |
Family
ID=63477036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810458516.9A Pending CN108536129A (zh) | 2018-05-14 | 2018-05-14 | 一种群智能搜索的相关向量机故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108536129A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635880A (zh) * | 2019-01-08 | 2019-04-16 | 浙江大学 | 基于强鲁棒自适应算法的采煤机故障诊断系统 |
CN115386391A (zh) * | 2022-08-01 | 2022-11-25 | 浙江中控技术股份有限公司 | 一种裂解炉进料流量监控和故障处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021723A (zh) * | 2006-12-22 | 2007-08-22 | 浙江大学 | 一种丙烯聚合生产中熔融指数检测的故障诊断系统及方法 |
CN101038485A (zh) * | 2006-12-22 | 2007-09-19 | 浙江大学 | 丙烯聚合生产数据检测及故障诊断系统及方法 |
CN107449603A (zh) * | 2016-05-31 | 2017-12-08 | 华北电力大学(保定) | 基于支持向量机的风机故障诊断方法 |
-
2018
- 2018-05-14 CN CN201810458516.9A patent/CN108536129A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021723A (zh) * | 2006-12-22 | 2007-08-22 | 浙江大学 | 一种丙烯聚合生产中熔融指数检测的故障诊断系统及方法 |
CN101038485A (zh) * | 2006-12-22 | 2007-09-19 | 浙江大学 | 丙烯聚合生产数据检测及故障诊断系统及方法 |
CN107449603A (zh) * | 2016-05-31 | 2017-12-08 | 华北电力大学(保定) | 基于支持向量机的风机故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
SHIMING HE等: "An Effective Fault Diagnosis Approach Based on Optimal Weighted Least Squares Support Vector Machine", 《THE CANADIAN JOURNAL OF CHEMICAL ENGINEERING》 * |
SHIMINGHE等: "A novel fault diagnosis method based on optimal relevance vector machine", 《NEUROCOMPUTING》 * |
孙文生等: "《统计学》", 31 December 2012, 中国农业大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635880A (zh) * | 2019-01-08 | 2019-04-16 | 浙江大学 | 基于强鲁棒自适应算法的采煤机故障诊断系统 |
CN115386391A (zh) * | 2022-08-01 | 2022-11-25 | 浙江中控技术股份有限公司 | 一种裂解炉进料流量监控和故障处理方法及系统 |
CN115386391B (zh) * | 2022-08-01 | 2023-10-13 | 浙江中控技术股份有限公司 | 一种裂解炉进料流量监控和故障处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536107A (zh) | 基于混合型优化参数的群智能寻优故障诊断系统 | |
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
Zhou et al. | Probabilistic latent variable regression model for process-quality monitoring | |
CN108536128A (zh) | 一种参数优化的机器学习故障诊断系统 | |
CN108764305A (zh) | 一种改进的群智能机器学习故障诊断系统 | |
CN104199441B (zh) | 基于稀疏贡献图的高炉多工况故障分离方法及系统 | |
CN110880024B (zh) | 基于判别核慢特征分析的非线性过程故障辨识方法及系统 | |
CN112799898A (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
Yong-kuo et al. | A cascade intelligent fault diagnostic technique for nuclear power plants | |
CN108536129A (zh) | 一种群智能搜索的相关向量机故障诊断系统 | |
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 | |
CN110244692A (zh) | 化工过程微小故障检测方法 | |
CN103207567B (zh) | 一种低误报率的改进主元分析过程监测方法及其监测系统 | |
CN110942258B (zh) | 一种性能驱动的工业过程异常监测方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
Guo et al. | Fault diagnosis of reciprocating compressor valve based on transfer learning convolutional neural network | |
Lindner et al. | Data-driven fault detection with process topology for fault identification | |
CN109683594B (zh) | 一种异常变量精确识别与定位方法 | |
CN110362063A (zh) | 基于全局保持无监督核极限学习机的故障检测方法及系统 | |
CN108681250A (zh) | 一种基于群智能优化的改进机器学习故障诊断系统 | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
Li et al. | Design of comprehensive diagnosis system in nuclear power plant | |
Deng et al. | Prediction of dissolved gas in power transformer oil based on random forests algorithm | |
Chen et al. | Study on small multiplicative fault detection using Canonical Correlation Analysis with the local approach |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |