CN108536130A - 一种群智能寻优的化工故障诊断系统 - Google Patents
一种群智能寻优的化工故障诊断系统 Download PDFInfo
- Publication number
- CN108536130A CN108536130A CN201810458518.8A CN201810458518A CN108536130A CN 108536130 A CN108536130 A CN 108536130A CN 201810458518 A CN201810458518 A CN 201810458518A CN 108536130 A CN108536130 A CN 108536130A
- Authority
- CN
- China
- Prior art keywords
- indicate
- population
- fault diagnosis
- variable
- particle
- 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
Abstract
本发明公开了一种群智能寻优的化工故障诊断系统,包括田纳西伊斯曼过程、现场智能仪表、控制站、存放数据的数据库、群智能寻优的诊断系统以及诊断结果显示仪。现场智能仪表及控制站与田纳西伊斯曼过程相连,与数据库相连;群智能寻优的诊断系统与数据库及诊断结果显示仪相连。其中群智能寻优的诊断系统还包括数据预处理模块、主成分分析模块、最小二乘支持向量机模块以及群智能算法模块。本发明克服已有的化工故障诊断技术仪表预报相对较慢、易受人为因素影响的不足,引入群智能算法模块对最小二乘支持向量机参数进行自动优化,实现的田纳西伊斯曼过程故障诊断系统诊断效率高。
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田纳西伊斯曼过程化工故障诊断系统。
背景技术
随着计算机科学技术的快速发展,现代工业生产过程变得越来越复杂,尤其是化工工业的生产过程向复杂化、大型化发展。如果化工过程发生故障,不能及时有效的排除,不仅造成经济损失,而且可能会污染环境,甚至危及人的生命安全。例如2015年4月,PX石化发生爆炸事件,事故造成了1人受重伤,13人受轻伤。爆炸后重油燃烧了一整天,由于重油燃烧引起的烟尘是常见的柴油的1.5倍,所以爆炸后对周围的环境造成了严重的污染。2015年8,山东淄博市润兴化工厂发生爆炸,此次爆炸导致周围2公里内的居民都能感到震感。事故调查发现是由一分离器着火引起的爆炸,该事故导致1名员工当场死亡,9名员工受伤,并被及时送往医院救治。这次事故造成了上1亿的经济损失,同时,也给周围居民造成了不小的恐慌。2015年5月,大连南洋防腐化工涂料有限公司发生起火,这场事故造成4名员工受伤,幸运的是无人员死亡。目前出现了数据多却无法得到有效的利用情况,数据和数据之间很难建立起相关联。如何能有效挖掘数据中的有用信息成为当前需要解决主要问题,只有将数据深层信息有效利用,才能确保过程运行状况达到预设定的各项性能指标,提高对过程的监控性能。
发明内容
为了克服目前已有的故障诊断技术的诊断速度相对较慢的不足,本发明的目的在于提供一种诊断效率高的化工故障诊断系统。
本发明解决其技术问题所采用的技术方案是:一种群智能寻优的化工故障诊断系统,用于对田纳西伊斯曼过程进行故障诊断,包括数据预处理模块、主成分分析模块、最小二乘支持向量机模块以及群智能算法模块。其中:
数据预处理模块:田纳西伊斯曼过程的52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,...xi52}。
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,...xi52}进行主成分分析,保留85%的主要成分。
最小二乘支持向量机模块:用于建立诊断系统,提高系统的故障诊断效率:
通过误差函数最小化来完成输入到输出的一种高度非线性映射,映射中保持拓扑不变性。其中J表示目标函数、w表示模块参数、ξ表示误差、C表示惩罚因子、表示核函数映射、b表示偏执、x表示输入数据、y表示输出数据,下标i表示第i个数据,上标T表示矩阵的转置。该模块采用性能优秀、所需参数少的RBF核函数K,函数如下:
其中,K是核函数,表示输入数据的平均值,σ表示核参数。
群智能算法模块:结合差分进化算法和粒子群算法优化最小二乘支持向量机的RBF核参数σ和惩罚因子C,实现具体步骤如下:
(1)随机初始化种群,设置种群数量N=100;设置差分进化算法缩放因子F=0.7,交叉概率CR=0.5,差分进化算法最大迭代次数50;设置粒子群学习速度c1=c2=2,惯性权重ω=0.67,粒子群算法最大迭代次数100;设置k=0,i=0;
(2)根据适应度函数来计算候选粒子种群的适应度值,适应度f(x)函数如下所示;
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。
(3)根据以下步骤进行差分进化算法变异、交叉、选择操作;
(3.1)变异操作:差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差,将差向量进行缩放,缩放后的向量与第三个随机选取的种群个体进行求和,生成新个体,更新公式如下所示:
Ni(k)=Lm3(k)+F×(Lm1(k)-Lm2(k)),1≤m1≠m2≠m3≠i≤N (5)
其中,F是缩放因子,m1,m2,m3均为1到N之间的整数,k表示迭代次数,Lm1(k)表示第m1个粒子的位置,Lm2(k)表示第m2个粒子的位置,Lm3(k)表示第m3个粒子的位置。通过变异之后,得到第i个变异中间种群Ni(k)。
(3.2)交叉操作:根据原始种群和变异得到中间种群,进行个体间的交叉操作,得到交叉中间种群U,更新公式如下所示:
其中,CR为交叉概率,处于0到1之间,ni,j(k)表示第i个中间种群第j维变量,li,j(k)表示第i个原始种群第j维变量,ui,j(k)表示交叉中间种群的第i个新种群第j维变量,ni,j(k)表示变异中间种群Ni(k)的第i个新种群第j维变量。
(3.3)选择操作:差分进化算法采用了贪心算法,根据适应度值来决定进入下次迭代种群的个体:
其中,Ui(k)表示第i个交叉中间种群,Li(k)表示第i个原始种群。
(4)如果交叉中间种群的适应度值小于原始种群适应度值,则返回步骤(3),否则,激活粒子群算法;
(5)根据如下公式执行粒子群算法,更新粒子群速度、位置矢量和惯性权重;
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。
(6)如果粒子群算法迭代次数小于终止迭代次数,则返回步骤(5),否则,转到步骤(7);
(7)更新Pbest和gbest作为最小二乘支持向量机参数的候选解,判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数,若是,则返回步骤(2),否则,输出种群历史最优gbest,算法终止;gbest即为最小二乘支持向量机的RBF核参数σ和惩罚因子C。
田纳西伊斯曼过程共有21个故障,将不同故障的数据输入到群智能寻优的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:本发明对田纳西伊斯曼化工过程的重要参数指标进行故障诊断预测,克服已有的化工故障诊断技术仪表预报相对较慢、易受人为因素影响的不足,引入群智能算法模块对最小二乘支持向量机参数进行自动优化,从而得到诊断效率更高的化工故障诊断系统。
附图说明
图1是一种群智能寻优的化工故障诊断系统的基本结构示意图;
图2是群智能寻优的诊断系统结构示意图;
图3是田纳西伊斯曼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1,一种群智能寻优的化工故障诊断系统,包括田纳西伊斯曼过程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、群智能寻优的诊断系统5和诊断结果显示仪6。所述现场智能仪表2、控制站3与田纳西伊斯曼过程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与群智能寻优的诊断系统5的输入端连接,所述群智能寻优的诊断系统5的输出端与诊断结果显示仪6连接。
参照图3田纳西伊斯曼过程的变量如表1所示。
表1:田纳西伊斯曼过程变量
编号 | 过程变量 | 编号 | 过程变量 |
1 | 进料A(流管1) | 27 | 反应器E进料(流管6) |
2 | 进料D(流管2) | 28 | 反应器F进料(流管6) |
3 | 进料E(流管3) | 29 | 反应器A进料(流管9) |
4 | 总进料(流管4) | 30 | 反应器B进料(流管9) |
5 | 再循环流量(流管8) | 31 | 反应器C进料(流管9) |
6 | 反应器进料速率 | 32 | 反应器D进料(流管9) |
7 | 反应器压力 | 33 | 反应器E进料(流管9) |
8 | 反应器液位 | 34 | 反应器F进料(流管9) |
9 | 反应器温度 | 35 | 反应器G进料(流管9) |
10 | 排气量(流管9) | 36 | 反应器H进料(流管9) |
11 | 气液分离器温度 | 37 | 汽提塔D流量(流管11) |
12 | 气液分离器液位 | 38 | 汽提塔E流量(流管11) |
13 | 气液分离器温度 | 39 | 汽提塔F流量(流管11) |
14 | 气液分离器塔底流量(流10) | 40 | 汽提塔G流量(流管11) |
15 | 汽提塔液位 | 41 | 汽提塔H流量(流管11) |
16 | 汽提塔压力 | 42 | D进料速率 |
17 | 汽提塔塔底流量(流管11) | 43 | E进料速率 |
18 | 汽提塔温度 | 44 | A进料速率 |
19 | 汽提塔蒸汽流量 | 45 | 总进料量速率 |
20 | 压缩机功率 | 46 | 压缩机再循环阀 |
21 | 反应堆冷却水出口温度 | 47 | 排放阀 |
22 | 分离器冷却水出口温度 | 48 | 分离罐罐液流量 |
23 | 反应器A进料(流管6) | 49 | 汽提塔液体产品流量 |
24 | 反应器B进料(流管6) | 50 | 汽提器水流量 |
25 | 反应器C进料(流管6) | 51 | 反应器冷却水流量 |
26 | 反应器D进料(流管6) | 52 | 冷凝器冷却水流量 |
田纳西伊斯曼过程数据作为群智能寻优的诊断系统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,所述群智能寻优的诊断系统5还包括:
数据预处理模块7:田纳西伊斯曼过程的52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,...xi52}。
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,...xi52}进行主成分分析,保留85%的主要成分。
最小二乘支持向量机模块9:用于建立诊断系统,提高系统的故障诊断效率:
通过误差函数最小化来完成输入到输出的一种高度非线性映射,映射中保持拓扑不变性。其中J表示目标函数、w表示模块参数、ξ表示误差、C表示惩罚因子、表示核函数映射、b表示偏执、x表示输入数据、y表示输出数据,下标i表示第i个数据,上标T表示矩阵的转置。该模块采用性能优秀、所需参数少的RBF核函数K,函数如下:
其中,K是核函数,表示输入数据的平均值,σ表示核参数。
群智能算法模块10:结合差分进化算法和粒子群算法优化最小二乘支持向量机的RBF核参数σ和惩罚因子C,实现具体步骤如下:
(1)随机初始化种群,设置种群数量N=100;设置差分进化算法缩放因子F=0.7,交叉概率CR=0.5,差分进化算法最大迭代次数50;设置粒子群学习速度c1=c2=2,惯性权重ω=0.67,粒子群算法最大迭代次数100;设置k=0,i=0;
(2)根据适应度函数来计算候选粒子种群的适应度值,适应度f(x)函数如下所示;
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。
(3)根据以下步骤进行差分进化算法变异、交叉、选择操作;
(3.1)变异操作:差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差,将差向量进行缩放,缩放后的向量与第三个随机选取的种群个体进行求和,生成新个体,更新公式如下所示:
Ni(k)=Lm3(k)+F×(Lm1(k)-Lm2(k)),1≤m1≠m2≠m3≠i≤N (9)
其中,F是缩放因子,m1,m2,m3均为1到N之间的整数,k表示迭代次数,Lm1(k)表示第m1个粒子的位置,Lm2(k)表示第m2个粒子的位置,Lm3(k)表示第m3个粒子的位置。通过变异之后,得到第i个变异中间种群Ni(k)。
(3.2)交叉操作:根据原始种群和变异得到中间种群,进行个体间的交叉操作,得到交叉中间种群U,更新公式如下所示:
其中,CR为交叉概率,处于0到1之间,ni,j(k)表示第i个中间种群第j维变量,li,j(k)表示第i个原始种群第j维变量,ui,j(k)表示交叉中间种群的第i个新种群第j维变量,ni,j(k)表示变异中间种群Ni(k)的第i个新种群第j维变量。
(3.3)选择操作:差分进化算法采用了贪心算法,根据适应度值来决定进入下次迭代种群的个体:
其中,Ui(k)表示第i个交叉中间种群,Li(k)表示第i个原始种群。
(4)如果交叉中间种群的适应度值小于原始种群适应度值,则返回步骤(3),否则,激活粒子群算法;
(5)根据如下公式执行粒子群算法,更新粒子群速度、位置矢量和惯性权重;
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。
(6)如果粒子群算法迭代次数小于终止迭代次数,则返回步骤(5),否则,转到步骤(7);
(7)更新Pbest和gbest作为最小二乘支持向量机参数的候选解,判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数,若是,则返回步骤(2),否则,输出种群历史最优gbest,算法终止;gbest即为最小二乘支持向量机的RBF核参数σ和惩罚因子C。
田纳西伊斯曼过程共有21个故障,将不同故障的数据输入到群智能寻优的诊断系统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)
1.一种群智能寻优的化工故障诊断系统,用于对田纳西伊斯曼过程进行故障诊断,其特征在于:它包括数据预处理模块、主成分分析模块、最小二乘支持向量机模块以及群智能算法模块。
2.根据权利要求1所述群智能寻优的化工故障诊断系统,其特征在于,所述数据预处理模块的输入为田纳西伊斯曼过程的52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,...xi52}。
3.根据权利要求1所述群智能寻优的化工故障诊断系统,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,...xi52}进行主成分分析,保留85%的主要成分。
4.根据权利要求1所述群智能寻优的化工故障诊断系统,其特征在于,所述最小二乘支持向量机模块用于建立诊断系统,提高系统的故障诊断效率:
通过误差函数最小化来完成输入到输出的一种高度非线性映射,映射中保持拓扑不变性。其中J表示目标函数、w表示模块参数、ξ表示误差、C表示惩罚因子、表示核函数映射、b表示偏执、x表示输入数据、y表示输出数据,下标i表示第i个数据,上标T表示矩阵的转置。该模块采用性能优秀、所需参数少的RBF核函数K,函数如下:
其中,K是核函数,表示输入数据的平均值,σ表示核参数。
5.根据权利要求1所述群智能寻优的化工故障诊断系统,其特征在于,所述群智能算法模块结合差分进化算法和粒子群算法优化最小二乘支持向量机的RBF核参数σ和惩罚因子C,实现具体步骤如下:
(1)随机初始化种群,设置种群数量N=100;设置差分进化算法缩放因子F=0.7,交叉概率CR=0.5,差分进化算法最大迭代次数50;设置粒子群学习速度c1=c2=2,惯性权重ω=0.67,粒子群算法最大迭代次数100;设置k=0,i=0;
(2)根据适应度函数来计算候选粒子种群的适应度值,适应度f(x)函数如下所示;
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。
(3)根据以下步骤进行差分进化算法变异、交叉、选择操作;
(3.1)变异操作:差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差,将差向量进行缩放,缩放后的向量与第三个随机选取的种群个体进行求和,生成新个体,更新公式如下所示:
Ni(k)=Lm3(k)+F×(Lm1(k)-Lm2(k)),1≤m1≠m2≠m3≠i≤N (1)
其中,F是缩放因子,m1,m2,m3均为1到N之间的整数,k表示迭代次数,Lm1(k)表示第m1个粒子的位置,Lm2(k)表示第m2个粒子的位置,Lm3(k)表示第m3个粒子的位置。通过变异之后,得到第i个变异中间种群Ni(k)。
(3.2)交叉操作:根据原始种群和变异得到中间种群,进行个体间的交叉操作,得到交叉中间种群U,更新公式如下所示:
其中,CR为交叉概率,处于0到1之间,ni,j(k)表示第i个中间种群第j维变量,li,j(k)表示第i个原始种群第j维变量,ui,j(k)表示交叉中间种群的第i个新种群第j维变量,ni,j(k)表示变异中间种群Ni(k)的第i个新种群第j维变量。
(3.3)选择操作:差分进化算法采用了贪心算法,根据适应度值来决定进入下次迭代种群的个体:
其中,Ui(k)表示第i个交叉中间种群,Li(k)表示第i个原始种群。
(4)如果交叉中间种群的适应度值小于原始种群适应度值,则返回步骤(3),否则,激活粒子群算法;
(5)根据如下公式执行粒子群算法,更新粒子群速度、位置矢量和惯性权重;
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。
(6)如果粒子群算法迭代次数小于终止迭代次数,则返回步骤(5),否则,转到步骤(7);
(7)更新Pbest和gbest作为最小二乘支持向量机参数的候选解,判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数,若是,则返回步骤(2),否则,输出种群历史最优gbest,算法终止;gbest即为最小二乘支持向量机的RBF核参数σ和惩罚因子C。
田纳西伊斯曼过程共有21个故障,将不同故障的数据输入到群智能寻优的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 |
---|---|---|---|
CN201810458518.8A CN108536130A (zh) | 2018-05-14 | 2018-05-14 | 一种群智能寻优的化工故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458518.8A CN108536130A (zh) | 2018-05-14 | 2018-05-14 | 一种群智能寻优的化工故障诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108536130A true CN108536130A (zh) | 2018-09-14 |
Family
ID=63477046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810458518.8A Pending CN108536130A (zh) | 2018-05-14 | 2018-05-14 | 一种群智能寻优的化工故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108536130A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705187A (zh) * | 2019-10-01 | 2020-01-17 | 深圳市行健自动化股份有限公司 | 通过最小二乘算法即时在线仪表校验和诊断方法 |
CN113095355A (zh) * | 2021-03-03 | 2021-07-09 | 上海工程技术大学 | 改进差分进化算法优化随机森林的滚动轴承故障诊断方法 |
CN113610116A (zh) * | 2021-07-14 | 2021-11-05 | 上海工程技术大学 | 自适应差分进化算法优化支持向量机的故障诊断方法 |
CN115307949A (zh) * | 2022-10-11 | 2022-11-08 | 巨野锦晨精细化工有限公司 | 一种化工设备关键参数的监测处理系统 |
CN116203907A (zh) * | 2023-03-27 | 2023-06-02 | 淮阴工学院 | 一种化工过程故障诊断报警方法及系统 |
Citations (1)
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 |
-
2018
- 2018-05-14 CN CN201810458518.8A patent/CN108536130A/zh active Pending
Patent Citations (1)
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 |
Non-Patent Citations (2)
Title |
---|
SHIMING HE 等: "An effective fault diagnosis approach based on optimal weighted least squares support vector machine", 《CANADIAN JOURNAL OF CHEMICAL ENGINEERING》 * |
SHIMING HE等: "A novel fault diagnosis method based on optimal relevance vector", 《NEUROCOMPUTING》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705187A (zh) * | 2019-10-01 | 2020-01-17 | 深圳市行健自动化股份有限公司 | 通过最小二乘算法即时在线仪表校验和诊断方法 |
CN110705187B (zh) * | 2019-10-01 | 2023-06-20 | 深圳市行健自动化股份有限公司 | 通过最小二乘算法即时在线仪表校验和诊断方法 |
CN113095355A (zh) * | 2021-03-03 | 2021-07-09 | 上海工程技术大学 | 改进差分进化算法优化随机森林的滚动轴承故障诊断方法 |
CN113095355B (zh) * | 2021-03-03 | 2022-08-23 | 上海工程技术大学 | 改进差分进化算法优化随机森林的滚动轴承故障诊断方法 |
CN113610116A (zh) * | 2021-07-14 | 2021-11-05 | 上海工程技术大学 | 自适应差分进化算法优化支持向量机的故障诊断方法 |
CN113610116B (zh) * | 2021-07-14 | 2023-07-04 | 上海工程技术大学 | 自适应差分进化算法优化支持向量机的故障诊断方法 |
CN115307949A (zh) * | 2022-10-11 | 2022-11-08 | 巨野锦晨精细化工有限公司 | 一种化工设备关键参数的监测处理系统 |
CN115307949B (zh) * | 2022-10-11 | 2023-01-24 | 巨野锦晨精细化工有限公司 | 一种化工设备关键参数的监测处理系统 |
CN116203907A (zh) * | 2023-03-27 | 2023-06-02 | 淮阴工学院 | 一种化工过程故障诊断报警方法及系统 |
CN116203907B (zh) * | 2023-03-27 | 2023-10-20 | 淮阴工学院 | 一种化工过程故障诊断报警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536130A (zh) | 一种群智能寻优的化工故障诊断系统 | |
Wang et al. | An overview of industrial alarm systems: Main causes for alarm overloading, research status, and open problems | |
CN111931175B (zh) | 一种基于小样本学习的工业控制系统入侵检测方法 | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN103336222B (zh) | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 | |
WO2023197461A1 (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
CN108536107A (zh) | 基于混合型优化参数的群智能寻优故障诊断系统 | |
CN108764305A (zh) | 一种改进的群智能机器学习故障诊断系统 | |
CN108536128A (zh) | 一种参数优化的机器学习故障诊断系统 | |
CN104765965A (zh) | 基于模糊Petri的GIS故障诊断与可靠性分析方法 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN101025618A (zh) | 一种电厂热工设备智能状态诊断分析系统 | |
WO2021233231A1 (zh) | 一种对集输联合站以及关键设备的可靠性评价方法及系统 | |
CN102156413A (zh) | 城市多水源原水系统应急调度方法和系统 | |
CN107065834A (zh) | 湿法冶金过程中浓密机的故障诊断方法 | |
CN104361531B (zh) | 变电站自动化系统的高风险故障设备的识别方法和系统 | |
CN111767657B (zh) | 一种核动力系统故障诊断方法和系统 | |
CN112632845A (zh) | 基于数据的小型反应堆在线故障诊断方法、介质及设备 | |
CN111768022A (zh) | 煤机生产设备的设备检测方法及装置 | |
CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
CN113159503B (zh) | 一种远程遥控智能安全评估系统和方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN111354497B (zh) | 一种核电站破口事故信息诊断方法 | |
CN112036496A (zh) | 一种核动力装置故障诊断方法及系统 | |
Rao et al. | Test interval optimization of safety systems of nuclear power plant using fuzzy-genetic 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 |