CN108803465B - 一种基于闭环数据驱动的分布式即插即用故障监测方法 - Google Patents
一种基于闭环数据驱动的分布式即插即用故障监测方法 Download PDFInfo
- Publication number
- CN108803465B CN108803465B CN201810631933.9A CN201810631933A CN108803465B CN 108803465 B CN108803465 B CN 108803465B CN 201810631933 A CN201810631933 A CN 201810631933A CN 108803465 B CN108803465 B CN 108803465B
- Authority
- CN
- China
- Prior art keywords
- matrix
- signal
- residual
- subsystem
- constructing
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 60
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 206010000372 Accident at work Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 239000002994 raw material 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/048—Monitoring; Safety
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于闭环数据驱动的分布式即插即用故障监测方法，属于工业过程监测和故障诊断技术领域。本发明首先采集局部子系统的闭环数据，并构造汉克尔矩阵和确定性扰动信号的信号行空间矩阵；然后对所构造的汉克尔矩阵和确定性扰动信号的信号行空间矩阵进行Cholesky分解，构造残差发生器并设定监测阈值；最后利用构造的残差发生器对工业过程数据进行实时评估，并结合设定的监测阈值对工业过程进行实时监测。本发明解决了现有大型工业系统中的故障监测方法误报率较高的问题。本发明可应用于工业过程监测。
Description
技术领域
本发明属于工业过程监测和故障诊断技术领域，具体涉及一种分布式即插即用故障监测方法。
背景技术
近年来，在计算机技术、电子、信息和通信技术快速发展的带动下，当今工业系统，例如化工生产、机械制造、能源系统等，在规模不断扩大的同时，集成化和复杂程度也变得越来越高。它们能够分布或分散在不同的地理位置，或者具有由大量子系统或元件组成的分层结构，或者针对多样的工业环境和运行条件具有多种运行模式，并且由分布或分散在不同的地理位置的监测与控制系统实时监控。在复杂工业系统中，一个局部异常事件甚至都有可能导致整个工业系统性能下降或者导致重大的工业事故并造成巨大的经济损失。因此，为了提高经济效益和保持行业竞争力，现代工业过程的安全性和可靠性成为了最关键的因素，并获得了学术界和工业领域的广泛关注。
由于大型工业系统中普遍存在的非线性和模型不确定性，工业系统的过程变量通常并不服从高斯分布。此外，由于工业系统中时常受到未知确定性扰动影响(例如工业生产过程中入口原材料温度、浓度、硬度、密度等的不规则变化)，这使得系统的过程变量在大多情况下并不服从随机变量的分布假设，进而严重影响基于多元统计的过程监测方法的实际应用效果。由于未知确定性扰动的影响，在故障产生时基于多元统计的过程监测方法往往带来较高的误报率，进而影响之后的控制决策。
发明内容
本发明为解决现有大型工业系统中的故障监测方法误报率较高的问题，提供了一种基于闭环数据驱动的分布式即插即用故障监测方法。
本发明所述一种基于闭环数据驱动的分布式即插即用故障监测方法，通过以下技术方案实现：
步骤一、采集局部子系统的闭环数据，并构造汉克尔矩阵和确定性扰动信号的信号行空间矩阵；
步骤二、对所构造的汉克尔矩阵和确定性扰动信号的信号行空间矩阵进行Cholesky分解，构造残差发生器并设定监测阈值；
步骤三、利用构造的残差发生器对工业过程数据进行实时评估，并结合设定的监测阈值对工业过程进行实时监测。
作为对上述技术方案的进一步阐述：
进一步的，步骤一具体包括：
步骤A1、针对含有n个子系统的工业系统，利用各个子系统的反馈控制器参数Ki(z)＝(Ai,Bi,Ci,Di)构造稳定滤波器其中，表示子系统的序号，i＝1,…,n；Ai为反馈控制器的系统矩阵，Bi为反馈控制器的输入矩阵，Ci为反馈控制器的输出矩阵，Di为反馈控制器的直通矩阵；
步骤A2、在各个分布式计算节点收集各个子系统的输入信号ui(z)、输出信号yi(z)以及参考输入信号ωi(z)，并通过下述公式计算得到滤波后的参考输入信号wi(z)：
步骤A3、选取维度参数sp、sf、N，在各个分布式计算节点构造关于子系统的输入信号ui、输出信号yi的汉克尔矩阵：
构造关于子系统的滤波后的参考输入信号wi的汉克尔矩阵：
其中，wi,k表示wi(z)在k时刻的采样值，yi,k表示yi(z)在k时刻的采样值，ui,k表示ui(z)在k时刻的采样值；
步骤A4、根据各个子系统中确定性扰动的特性，构造确定性扰动信号的信号行空间矩阵Di,b,N。
进一步的，步骤二具体包括：
步骤B1、对所构造的汉克尔矩阵和扰动的行空间矩阵做如下Cholesky分解：
其中，表示分解后的矩阵；
步骤B2、求取如下左零空间：
为所在左零空间对应的分量，为所得左零空间对应的分量；
步骤B3、在各个分布式计算节点构造残差发生器
步骤B4、分别构造各个分布式计算节点残差信号和融合节点残差信号rall,N：
步骤B5、对各个分布式计算节点残差信号rall,i,N进行评估，并得到监测阈值Jth,i。
进一步的，步骤三具体包括：
步骤C1、利用各个子系统实时输入输出数据，在每个分布式计算节点计算局部残差
步骤C2、在融合节点计算全局残差rall,k：
步骤C3、在各个分布式计算节点评估融合残差rall,i,k并与所设定的监测阈值Jth,i进行比较，若融合残差的统计量超过了所设定的监测阈值，则产生监测报警信息。
进一步的，步骤三具体包括：
步骤C1、利用各个子系统实时输入输出数据，在每个分布式计算节点计算局部残差
步骤C2、在融合节点计算全局残差rall,k：
步骤C3、在各个分布式计算节点评估融合残差rall,i,k并与所设定的监测阈值Jth,i进行比较，若融合残差的统计量超过了所设定的监测阈值，则产生监测报警信息。
本发明最为突出的特点和显著的有益效果是：
本发明所涉及的一种基于闭环数据驱动的分布式即插即用故障监测方法，具有以下几方面优势：
1、本发明首次提出了一种闭环数据驱动的分布式即插即用故障监测系统设计方法，该方法在不改变预设计监控系统的前提下，利用各个子系统的局部输入输出闭环数据，完成了分布式的即插即用故障监测系统设计。
2、本发明中考虑了各个子系统中确定性扰动的影响，能够显著提高故障的监测率同时降低故障的误报率；由仿真实验可知，本发明方法故障监测结果误报率降低至1.5％左右，为现有方法的三分之一，漏检率有现有方法的约95％下降至约25％。
3、本发明基于闭环过程数据，不依赖于系统模型，不改变预先设计的监控系统结构，适用于绝大多数大型工业生产过程。
附图说明
图1为针对第i个子系统的分布式即插即用故障监测系统的示意图；
图2为具体实施方式提出的设计方法的流程图。
具体实施方式
具体实施方式一：结合图1、图2对本实施方式进行说明，本实施方式给出的一种基于闭环数据驱动的分布式即插即用故障监测方法，具体包括以下步骤：
步骤一、采集一定数量局部子系统的闭环数据，并构造汉克尔矩阵和确定性扰动信号的信号行空间矩阵；
步骤二、对所构造的汉克尔矩阵和确定性扰动信号的信号行空间矩阵进行Cholesky分解，构造残差发生器并设定监测阈值；Cholesky分解是把一个对称正定的矩阵表示成一个下三角矩阵L和其转置的乘积的分解。它要求矩阵的所有特征值必须大于零，故分解的下三角的对角元也是大于零的；
步骤三、利用构造的残差发生器对工业过程数据进行实时评估，并结合设定的监测阈值对工业过程进行实时监测。
具体实施方式二：本实施方式与具体实施方式一不同的是，步骤一具体包括：
步骤A1、针对含有n个子系统的大型工业系统，利用各个子系统的反馈控制器参数Ki(z)＝(Ai,Bi,Ci,Di)构造稳定滤波器其中，表示子系统的序号，也表示分布式计算节点的序号，i＝1,…,n；Ai为反馈控制器的系统矩阵，Bi为反馈控制器的输入矩阵，Ci为反馈控制器的输出矩阵，Di为反馈控制器的直通矩阵；
步骤A2、在各个分布式计算节点收集各个子系统的输入信号ui(z)、输出信号yi(z)以及参考输入信号ωi(z)，并通过下述公式计算得到滤波后的参考输入信号wi(z)：
步骤A3、选取适当的维度参数sp、sf、N，在各个分布式计算节点构造关于子系统的输入信号ui(z)、输出信号yi(z)的汉克尔矩阵：
构造关于子系统的滤波后的参考输入信号wi(z)的汉克尔矩阵：
其中，wi,k表示wi(z)在k时刻的采样值，yi,k表示yi(z)在k时刻的采样值，ui,k表示ui(z)在k时刻的采样值；
步骤A4、根据各个子系统中确定性扰动的特性，构造确定性扰动信号的信号行空间矩阵Di,b,N，对于特定的确定性扰动信号，信号行空间是固定的。
其他步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式二不同的是，步骤二具体包括：
步骤B1、对所构造的汉克尔矩阵和扰动的行空间矩阵做如下Cholesky分解：
其中，表示分解后的矩阵；上标T表示转置。
步骤B2、求取如下左零空间：
为所在左零空间对应的分量，为所得左零空间对应的分量；
步骤B3、在各个分布式计算节点构造残差发生器
步骤B4、在各个分布式计算节点和融合节点分别构造残差信号和rall,N：
步骤B5、对各个分布式计算节点残差信号rall,i,N进行评估，得到并设定监测阈值Jth,i；
现有的多种评估方式均适用于本发明技术方案，本实施方式中采用以下评估方式：
得到并设定监测阈值Jth,i＝sup Ji,RMS；其中，Ji,RMS为融合残差的统计量。
其他步骤及参数与具体实施方式二相同。
具体实施方式四：本实施方式与具体实施方式三不同的是，步骤三具体包括：
步骤C1、利用各个子系统实时输入输出数据，在每个分布式计算节点计算不同时刻的局部残差
步骤C2、在融合节点计算全局残差rall,k：
步骤C3、在各个分布式计算节点评估融合残差rall,i,k得到融合残差的统计量，并将其与所设定的监测阈值Jth,i进行比较，若融合残差的统计量超过了所设定的监测阈值，则产生监测报警信息。
其他步骤及参数与具体实施方式三相同。
具体实施方式五：本实施方式与具体实施方式二、三或四不同的是，步骤A1中的稳定滤波器Li表示观测器增益矩阵；Li的选取需要使得Ai-LiCi的极点在单位圆之内，也就是控制学里说的使得Ai-LiCi稳定。
其他步骤及参数与具体实施方式二、三或四相同。
实施例
以下将利用田纳西-伊斯曼(TennesseeEastman)标准工业仿真过程来验证本发明的有益效果：
选取该过程的3个子系统：反应炉压力控制系统、反应炉温度控制系统和分离炉温度控制系统，依据本发明所提出的具体实施方式，设计分布式即插即用故障监测系统。所选取的3个子系统的反馈控制器结构均为：
其中ei,k＝ωi,k-yi,k为第i个子系统在k采样时刻的跟踪误差。反应炉压力控制系统的参数为：K1,c＝-0.0001，T1,s＝0.0005，T1,i＝0.3333。反应炉温度控制系统的参数为：K2,c＝-8，T2,s＝0.0005，T2,i＝0.1250。分离炉温度控制系统的参数为：K3,c＝-4，T3,s＝0.0005，T3,i＝0.25。
本实施例所述一种基于闭环数据驱动的分布式即插即用故障监测方法按照以下步骤进行：
步骤一、采集一定数量局部子系统的闭环数据并构造汉克尔矩阵和确定性扰动信号的信号行空间矩阵。
步骤A1、针对所选取的3个子系统，利用各个子系统的反馈控制器参数构造稳定滤波器。
步骤A2、在各个分布式计算节点收集各个子系统的输入输出信号ui(z),yi(z)以及参考输入信号ωi(z)，并计算得到滤波后的参考输入信号wi(z)。
步骤A3、选取维度参数sp＝20,sf＝60和N＝5000，在各个分布式计算节点构造关于子系统输入输出信号，ui(z)和yi(z)，以及滤波后的参考输入信号wi(z)的汉克尔矩阵。
步骤A4、根据各个子系统中确定性扰动的特性，构造确定性扰动信号的信号行空间矩阵。
步骤二、对所构造的汉克尔矩阵和确定性扰动信号的信号行空间矩阵进行Cholesky分解并构造残差发生器，并设定监测阈值。
步骤B1、对所构造的汉克尔矩阵和确定性扰动信号的信号行空间矩阵做Cholesky分解。
步骤B2、求取相关矩阵的左零空间。
步骤B3、在各个分布式计算节点构造残差发生器
步骤B4、分别构造各个分布式计算节点残差信号和融合节点残差信号。
步骤B5、在各个分布式计算节点评估残差信号并设定监测阈值。
步骤三、利用构造的残差发生器对工业过程数据进行实时评估，并结合所确定的监测阈值对工业过程进行实时监测。
步骤C1：利用各个子系统实时输入输出数据，在每个分布式计算节点计算局部残差
步骤C2：在融合节点计算全局残差rall,k：
步骤C3：在各个分布式计算节点评估融合残差rall,i,k并与所设定的监测阈值Jth,i进行比较，若融合残差的统计量超过了所设定的监测阈值，则产生监测报警信息。
考虑反应炉中反应机理改变的故障IDV(13)，本发明方法的结果与一般故障监测方法的结果对比如表1所示：
表1仿真对比结果
由上表可以看出，本发明方法故障监测结果误报率降低至1.5％左右，为现有方法的三分之一，漏检率有现有方法的约95％下降至约25％。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (2)
1.一种基于闭环数据驱动的分布式即插即用故障监测方法，其特征在于，所述方法具体包括以下步骤：
步骤一、采集局部子系统的闭环数据，并构造汉克尔矩阵和确定性扰动信号的信号行空间矩阵；
步骤二、对所构造的汉克尔矩阵和确定性扰动信号的信号行空间矩阵进行Cholesky分解，构造残差发生器并设定监测阈值；
步骤三、利用构造的残差发生器对工业过程数据进行实时评估，并结合设定的监测阈值对工业过程进行实时监测；
步骤一具体包括：
步骤A1、针对含有n个子系统的工业系统，利用各个子系统的反馈控制器参数Ki(z)＝(Ai，Bi，Ci，Di)构造稳定滤波器其中，i表示子系统的序号，i＝1，…，n；Ai为反馈控制器的系统矩阵，Bi为反馈控制器的输入矩阵，Ci为反馈控制器的输出矩阵，Di为反馈控制器的直通矩阵；
步骤A2、在各个分布式计算节点收集各个子系统的输入信号ui(z)、输出信号yi(z)以及参考输入信号ωi(z)，并通过下述公式计算得到滤波后的参考输入信号wi(z)：
步骤A3、选取维度参数sp、sf、N，在各个分布式计算节点构造关于子系统的输入信号ui(z)、输出信号yi(z)的汉克尔矩阵：
构造关于子系统的滤波后的参考输入信号wi(z)的汉克尔矩阵：
其中，wi，k表示wi(z)在k时刻的采样值，yi，k表示yi(z)在k时刻的采样值，ui，k表示ui(z)在k时刻的采样值；
步骤A4、根据各个子系统中确定性扰动的特性，构造确定性扰动信号的信号行空间矩阵Di，b，N；
步骤二具体包括：
步骤B1、对所构造的汉克尔矩阵和扰动的行空间矩阵做如下Cholesky分解：
其中，表示分解后的矩阵；
步骤B2、求取如下左零空间：
为所在左零空间对应的分量，为所得左零空间对应的分量；
步骤B3、在各个分布式计算节点构造残差发生器
步骤B4、分别构造各个分布式计算节点残差信号和融合节点残差信号rall，N：
步骤B5、对各个分布式计算节点残差信号rall，i，N进行评估，并得到监测阈值Jth，i；
步骤三具体包括：
步骤C1、利用各个子系统实时输入输出数据，在每个分布式计算节点计算局部残差
步骤C2、在融合节点计算全局残差rall，k：
步骤C3、在各个分布式计算节点评估融合残差rall，i，k并与所设定的监测阈值Jth，i进行比较，若融合残差的统计量超过了所设定的监测阈值，则产生监测报警信息。
2.根据权利要求1所述一种基于闭环数据驱动的分布式即插即用故障监测方法，其特征在于，步骤A1中的稳定滤波器Li表示观测器增益矩阵；Li的选取需要使得Ai-LiCi的极点在单位圆之内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810631933.9A CN108803465B (zh) | 2018-06-19 | 2018-06-19 | 一种基于闭环数据驱动的分布式即插即用故障监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810631933.9A CN108803465B (zh) | 2018-06-19 | 2018-06-19 | 一种基于闭环数据驱动的分布式即插即用故障监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108803465A CN108803465A (zh) | 2018-11-13 |
| CN108803465B true CN108803465B (zh) | 2019-08-23 |
Family
ID=64083639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810631933.9A Active CN108803465B (zh) | 2018-06-19 | 2018-06-19 | 一种基于闭环数据驱动的分布式即插即用故障监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108803465B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147043B (zh) * | 2019-05-31 | 2021-11-16 | 中国工程物理研究院计算机应用研究所 | 一种数据驱动的复杂控制系统扰动解耦容错控制方法 |
| CN111158351B (zh) * | 2020-01-19 | 2021-06-01 | 哈尔滨工业大学 | 数据驱动的故障诊断与最优控制系统一体化设计方法 |
| 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 |
| CN113341721B (zh) * | 2021-06-17 | 2021-12-03 | 哈尔滨工业大学 | 面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法 |
| CN114115198B (zh) * | 2021-11-25 | 2022-09-09 | 哈尔滨工业大学 | 一种面向装配生产线的分布式诊断与优化控制方法及控制系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101652730A (zh) * | 2007-01-31 | 2010-02-17 | 霍尼韦尔国际公司 | 过程控制系统中的工业过程的自动闭环识别的设备和方法 |
| CN104376206A (zh) * | 2014-11-14 | 2015-02-25 | 浙江工业大学 | 基于传感器网络的大规模反应釜分布式故障诊断方法 |
| CN106526239A (zh) * | 2016-12-16 | 2017-03-22 | 山东科技大学 | 一种无人机编队系统的分布式速度传感器故障诊断方法 |
| CN107315421A (zh) * | 2017-07-10 | 2017-11-03 | 山东科技大学 | 一种时延无人机编队的分布式速度传感器故障诊断方法 |
| CN107357275A (zh) * | 2017-07-27 | 2017-11-17 | 中南大学 | 非高斯工业过程故障检测方法及系统 |
-
2018
- 2018-06-19 CN CN201810631933.9A patent/CN108803465B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101652730A (zh) * | 2007-01-31 | 2010-02-17 | 霍尼韦尔国际公司 | 过程控制系统中的工业过程的自动闭环识别的设备和方法 |
| CN104376206A (zh) * | 2014-11-14 | 2015-02-25 | 浙江工业大学 | 基于传感器网络的大规模反应釜分布式故障诊断方法 |
| CN106526239A (zh) * | 2016-12-16 | 2017-03-22 | 山东科技大学 | 一种无人机编队系统的分布式速度传感器故障诊断方法 |
| CN107315421A (zh) * | 2017-07-10 | 2017-11-03 | 山东科技大学 | 一种时延无人机编队的分布式速度传感器故障诊断方法 |
| CN107357275A (zh) * | 2017-07-27 | 2017-11-17 | 中南大学 | 非高斯工业过程故障检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108803465A (zh) | 2018-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108803465B (zh) | 一种基于闭环数据驱动的分布式即插即用故障监测方法 | |
| CN109459993B (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
| Hongm et al. | Data driven fault diagnosis and fault tolerant control: some advances and possible new directions | |
| Chiang et al. | Process monitoring using causal map and multivariate statistics: fault detection and identification | |
| Luo | Plug-and-play monitoring and performance optimization for industrial automation processes | |
| Zhang et al. | Fault detection in the Tennessee Eastman benchmark process using principal component difference based on k-nearest neighbors | |
| Yi et al. | Optimized relative transformation matrix using bacterial foraging algorithm for process fault detection | |
| KR20160018652A (ko) | 프로세스를 모니터링하기 위한 시스템 및 방법 | |
| CN109144039B (zh) | 一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法 | |
| CN113110402A (zh) | 知识与数据驱动的大规模工业系统分布式状态监测方法 | |
| Rong et al. | Multi-block dynamic weighted principal component regression strategy for dynamic plant-wide process monitoring | |
| CN108875276B (zh) | 一种数据驱动的闭环系统稳定性监测方法 | |
| Jiao et al. | KPLS–KSER based approach for quality-related monitoring of nonlinear process | |
| Feng et al. | Independent component analysis based on data‐driven reconstruction of multi‐fault diagnosis | |
| CN108646573B (zh) | 一种数据驱动的闭环系统稳定裕度确定方法 | |
| CN113189968B (zh) | 互联工业过程的分布式故障诊断方法 | |
| Luo et al. | Causal temporal graph attention network for fault diagnosis of chemical processes | |
| Li et al. | Active Event-Triggered Fault-Tolerant Control Design for Switched Pure-Feedback Nonlinear Systems. | |
| Hao | Key performance monitoring and diagnosis in industrial automation processes | |
| Noruzi Nashalji et al. | Fault detection of the Tennessee Eastman process using improved PCA and neural classifier | |
| Li et al. | Root cause diagnosis of plant wide oscillations based fuzzy kernel granger causality | |
| Zhang et al. | A novel deep DPCA-SVM method for fault detection in industrial processes | |
| CN113836820A (zh) | 一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法 | |
| CN112199830B (zh) | 一种流程式系统的变结构系统级健康状态评估方法 | |
| Shen et al. | Improved PCA-SVDD based monitoring method for nonlinear process |
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 |