CN109085805B - 一种基于多采样率因子分析模型的工业过程故障检测方法 - Google Patents
一种基于多采样率因子分析模型的工业过程故障检测方法 Download PDFInfo
- Publication number
- CN109085805B CN109085805B CN201810815760.6A CN201810815760A CN109085805B CN 109085805 B CN109085805 B CN 109085805B CN 201810815760 A CN201810815760 A CN 201810815760A CN 109085805 B CN109085805 B CN 109085805B
- Authority
- CN
- China
- Prior art keywords
- model
- sample set
- factor analysis
- sampling
- sampling rate
- 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 38
- 238000000556 factor analysis Methods 0.000 title claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 82
- 238000012360 testing method Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 26
- 238000004065 wastewater treatment Methods 0.000 claims description 15
- 238000007476 Maximum Likelihood Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 229910052698 phosphorus Inorganic materials 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- QZLYKIGBANMMBK-DYKIIFRCSA-N 5β-androstane Chemical compound C([C@H]1CC2)CCC[C@]1(C)[C@@H]1[C@@H]2[C@@H]2CCC[C@@]2(C)CC1 QZLYKIGBANMMBK-DYKIIFRCSA-N 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Complex Calculations (AREA)
Abstract
Description
技术领域
本发明涉及化工过程检测技术领域,具体是涉及一种基于多采样率因子分析模型的工业过程故障检测方法。
背景技术
在现代工业过程中,随着集散控制系统(DCS)在工业领域的广泛应用,工业现场能够实现对流量、温度和液位等过程变量的高采样率采集和存储,但是与产品质量或过程处理结果有关的质量变量却由于受到化验成本等各方面的限制而较难实现高采样率获取,从而造成信息获取的多采样率特性,对于合理有效利用这些数据信息是一种挑战。
同时,随着基于多元统计分析的过程检测(MSPM)技术的不断进步,海量数据变量实现降维,重构及可视化,并在化工、制药和治污等领域得到广泛应用。其中,基于主成分分析(PCA)的过程检测技术通过对原有变量的取舍,能够实现对数据的降维,但无法实现完整数据信息的利用。基于偏最小二乘估计(PLS)的过程检测技术利用质量变量来引导过程变量样本空间的分解,所得到的投影空间只反映过程变量中与质量变量相关的变化,同样无法实现对海量数据信息的完整解释。而基于概率主成分分析(PPCA)的过程检测技术在模型构建时虽然考虑到了噪声的影响,但在噪声方差差异性的描述和处理上不够详细,影响了故障检测的精度。因此,需要提出一种既可以完整利用数据信息,又能充分考虑到数据噪声矩阵方差差异性的多采样率过程故障检测技术。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于多采样率因子分析模型的工业过程故障检测方法。
本发明的基于多采样率因子分析模型的工业过程故障检测方法,该方法针对工业过程的故障检测问题,首先利用集散控制系统收集正常工作状态下不同采样率的数据,建立多采样率因子分析分析模型。该模型结构由期望最大化算法估计得到。在此基础上,利用模型的潜隐变量和预测误差构建了两个检测统计量T2和SPE及其对应的统计限和SPElim。对在线工业过程进行检测,获得测试样本,然后可利用已有的模型结构估计测试样本的潜隐变量及预测误差,并计算出相应的统计量,并得到最终的故障检测结果。
具体讲,一种基于多采样率因子分析模型的工业过程故障检测方法,包括以下步骤:
(1)采集工业过程中正常运行的不同采样率的数据,并组成数据建模用的训练样本集;
(2)对训练样本集进行预处理,预处理后的训练样本集与隐变量间存在线性相关关系;
(3)利用预处理后的训练样本集,利用期望最大化算法构建多采样率因子分析模型;
(4)根据建立的多采样率因子分析模型估计训练样本集的潜隐变量的期望值,潜隐变量的方差和模型预测误差,构建相应的T2和SPE统计量检测统计限;
(5)在线收集新的工业过程中与训练样本集过程变量对应的不同采样率样本数据,得到测试样本集,并对测试样本集进行预处理;
作为优选,所述工业过程为造纸废水处理过程。
步骤(1)中,可利用集散控制系统收集工业过程,比如造纸废水处理过程中正常运行的不同采样率的数据。
利用本发明可以对存在线性关系的工业过程进行处理。可以适用的过程比如造纸废水处理过程等。
步骤(1)中,步骤(1)中采集至少三种不同采样率的数据组成数据建模用的训练样本集。
假设采集到了三种采样率的正常样本,其样本数量分别为K,N,J,且J≤N≤K:
R表示实数集;M为第一种采样率过程变量数,H为第二种采样率过程变量数,U为第三种采样率过程变量数,将这些数据存入历史数据库。
步骤(2)和步骤(5)预处理一般为归一化处理,当然也可以包括其他现有的预处理过程,便于后续的建模,作为优选,步骤(2)和步骤(5)预处理后,使得各个过程变量的均值为零,方差为1。
步骤(2)归一化后,得到的数据集如下:
X1∈RM×K,X1={x1,1,x1,2,...,x1,J,...,x1,N,...,x1,K}
X2∈RH×N,X2={x2,1,x2,2,...,x2,J,...,x2,N}
X3∈RU×J,X3={x3,1,x3,2,...,x3,J}
该数据集与隐变量间存在线性相关关系。
作为优选,步骤(3)中模型如下:
步骤(3)中,多采样率因子分析模型如下:
X1=Wt+m
X2=Pt+f
X3=Qt+g
t∈RD×1为该模型的潜隐变量,D是潜隐变量的维度;
W∈RM×D,P∈RH×D,Q∈RU×D为模型负载矩阵;m,f,g分别为过程的测量噪声,它们服从高斯分布为:
m~N(0,Ω1),其中Ω1=diag{λi}1,2,…,M
f~N(0,Ω2),其中Ω2=diag{λi}1,2,…,H
g~N(0,Ω3),其中Ω3=diag{λi}1,2,…,U
其中,Ωi为噪声矩阵的方差,它是一个各项不同性的对角阵,λi为噪声矩阵对角线上的元素;
diag{}的作用是使非对角线上元素变为0;
W,P,Q,Ω1,Ω2,Ω3构成所述的模型参数。本步骤中,利用期望最大化(EM)算法来更新模型参数,在E步利用当前模型参数估计潜隐变量的后验概率;在M步中,则通过极大化似然函数的方式更新模型参数。最后,反复迭代E步和M步直至达到模型收敛条件。
进一步讲,步骤(3)构建多采样率因子分析模型的具体包括:
(3-1)初始化模型参数{W,P,Q,Ω1,Ω2,Ω3};
(3-2)在E步,根据当前的模型参数值,获取模型潜隐变量估计的更新值;
(3-3)在M步,根据E步的更新结果,获取模型参数的更新值;
(3-4)计算新模型参数所对应的极大似然值与其原模型参数对应的极大似然值之间的差值,判断是否收敛:如果是,则进入步骤(4);如果否,则更新模型参数,返回步骤(3-2)。
步骤(3)中在优化前,定义预处理后的训练样本集V由三部分组成,分别为V3,V2,V1,其中前J个样本涉及了所有的采样率,其维度为M+H+U,构成数据子集V3;第J+1个样本至第N个样本涉及两种较高采样率,其维度为M+H,构成数据子集V2;第N+1个样本至第K个样本只涉及最高的采样率,其维度为M,构成数据子集V1;
因此,整个数据集被定义为:
V=V3∪V2∪V1
={(x1,k,x2,k,x3,k)|k=1,…,J}∪{(x1,k,x2,k)|k=J+1,…,N}∪{x1,k|k=N+1,…,K}
然后对模型参数{W,P,Q,Ω1,Ω2,Ω3}随机进行初始化;在模型参数估计的E步,根据当前的模型参数值,获取模型潜隐变量估计的更新值,具体公式为:
方差辅助变量Σ3,Σ2,Σ1定义如下:
在M步,根据E步的更新结果,获取模型参数{W,P,Q,Ω1,Ω2,Ω3}的更新值如下:
最终,利用新模型参数所对应的极大似然值Lnew与其原模型参数对应的极大似然值Lold的差异,如果||Lnew-Lold||2<ε,则进入到第(4)步,否则,返回第(3-2)步,其中,ε为模型收敛的阈值,模型完整对数极大似然估计计算如下:
其中,p()为因子的联合概率密度函数
模型收敛后,计算得到的{W,P,Q,Ω1,Ω2,Ω3}获得训练样本潜隐变量的期望值tk,normal,其对应关系为:
利用潜隐变量的期望值tk,normal,可构建T2统计量如下:
其中,k可取1,2,3;
T2统计量的控制限由F分布估计如下:
其中,D为潜隐变量的个数,α为F分布的自由度。
同时,基于模型的预测误差,还可构建SPE统计量以反映模型残差空间的变化:
gh=mean(SPE)
2g2h=var(SPE)
步骤(5)中,在线收集新的造纸废水处理过程中与训练样本集过程变量对应的不同采样率样本数据,采样时间间隔由采样率最高的过程变量的采样率确定(可以等于或者大于最高的采样率,当然也可以小于,本实施例中,选择等于),得到测试样本集Xtest,并进行归一化,其样本数量分别为K',N',J',且J'≤N'≤K';
X1,test∈RM×K',X1,test={x1,test1,x1,test2,...,x1,testK'}
X2,test∈RH×N',X2,test={x2,test1,x2,test2,...,x2,testN'}
X3,test∈RU×J',X3,test={x3,test1,x3,test2,...,x3,testJ'}
其中K',N',J'分别为在相同采样时间间隔的不同采样率情况下采集的样本数量;
利用潜隐变量的期望值tk,test,可构建T2统计量如下:
其中var-1(ttest|xk,test)为潜隐变量的方差,k可取1,2,3。基于模型的预测误差,可构建SPEtest统计量如下:
判断其是否超过步骤(4)得到的控制限,得出待检测工业过程的在线检测结果:如果超过所述的控制限,则判断为发生故障;否则则判断生产过程正常。
本发明提供的基于多采样率因子分析模型的工业过程故障检测方法,以工业过程中不同采样率的变量为建模样本,在充分考虑到噪声方差差异性的同时,提取出能够对不同采样率变量能够起解释作用的少数公共因子,而模型参数的估计通过期望最大化(EM)算法实现,并在此模型的基础上建立了故障检测方法,以实现造纸废水处理过程的过程监控。该方法在实现多采样率信息处理的同时,既可以完整利用数据信息,又能充分考虑到数据噪声矩阵方差差异性,使降维后的少数潜隐变量实现对原有变量更好的解释与描述,从而在故障检测精度上实现提升。
具体实施方式
以造纸废水处理过程为例,对本发明做进一步说明:
一种基于多采样率因子分析模型的造纸废水处理过程故障检测方法,该方法针对造纸废水处理过程的故障检测问题,首先利用集散控制系统收集正常工作状态下不同采样率的数据,建立多采样率因子分析模型。该模型结构由期望最大化算法估计得到。在此基础上,利用模型的潜隐变量和预测误差构建了两个检测统计量T2和SPE及其对应的统计限和SPElim。对在线造纸废水处理过程进行检测,获得测试样本,然后可利用已有的模型结构估计测试样本的潜隐变量及预测误差,并计算出相应的统计量,并得到最终的故障检测结果。
本发明是一种基于多采样率因子分析模型的造纸废水处理过程故障检测方法,包括以下步骤:
第一步:利用集散控制系统收集造纸废水处理过程中正常运行的不同采样率的数据,并组成数据建模用的训练样本集,假设采集到了三种采样率的正常样本,其样本数量分别为K,N,J,且J≤N≤K:
R表示实数集;M为第一种采样率过程变量数,H为第二种采样率过程变量数,U为第三种采样率过程变量数,将这些数据存入历史数据库;
对于造纸废水处理过程这些过程变量包括但不限于进水量、循环量、进出水PH、进出水温度、化学需氧量、生化需氧量等。
X1∈RM×K,X1={x1,1,x1,2,...,x1,J,...,x1,N,...,x1,K}
X2∈RH×N,X2={x2,1,x2,2,...,x2,J,...,x2,N}
X3∈RU×J,X3={x3,1,x3,2,...,x3,J}
其中X1∈RM×K,X2∈RH×N,X3∈RU×J,M,H,U分别为X1,X2,X3的维数;
t∈RD×1为该模型的潜隐变量,D是潜隐变量的维度;
W∈RM×D,P∈RH×D,Q∈RU×D为模型负载矩阵;m,f,g分别为过程的测量噪声,它们服从高斯分布为:
其中,Ωi为噪声矩阵的方差,它是一个各项不同性的对角阵,λi为噪声矩阵对角线上的元素;
第三步:利用期望最大化(EM)算法来更新模型参数,在E步利用当前模型参数估计潜隐变量的后验概率;
首先,定义模型的数据集V由三部分组成,前J个样本涉及了所有的采样率,其维度为M+H+U,构成数据子集V3;第J+1个样本至第N个样本涉及两种较高采样率,其维度为M+H,构成数据子集V2;第N+1个样本至第K个样本只涉及最高的采样率,其维度为M,构成数据子集V1。因此,整个数据集被定义为:
V=V3∪V2∪V1 (4)
={(x1,k,x2,k,x3,k)|k=1,…,J}∪{(x1,k,x2,k)|k=J+1,…,N}∪{x1,k|k=N+1,…,K}
然后对模型参数{W,P,Q,Ω1,Ω2,Ω3}随机进行初始化;在模型参数估计的E步,根据当前的模型参数的初始值,获取模型潜隐变量估计的更新值,具体公式为:
方差辅助变量定义如下:
其中:I为单位阵;
在M步,根据E步的更新结果,获取模型参数{W,P,Q,Ω1,Ω2,Ω3}的更新值如下:
第四步:利用新模型参数所对应的极大似然值Lnew与其原模型参数对应的极大似然值Lold的差异,如果||Lnew-Lold||2<ε,则进入到第五步,否则,更新模型参数,返回第三步,其中,ε为模型收敛的阈值,模型完整对数极大似然估计计算如下:
其中,p()为因子的联合概率密度函数;
最后,反复迭代E步和M步直至达到模型收敛条件。
第五步:根据建立的多采样率因子分析模型估计训练样本的潜隐变量的期望值tk,normal,潜隐变量的方差var-1(tk,normal|xk,normal)和模型预测误差构建相应的T2和SPE统计量检测统计限;
模型收敛后,计算得到的{W,P,Q,Ω1,Ω2,Ω3}获得训练样本潜隐变量的期望值tk,normal,其对应关系为:
利用潜隐变量的期望值tk,normal,可构建T2统计量如下:
其中,k可取1,2,3;
其中,D为潜隐变量的个数,α为F分布的自由度。
同时,基于模型的预测误差,还可构建SPE统计量以反映模型残差空间的变化:
gh=mean(SPE)
2g2h=var(SPE) (21)
第六步:在线收集新的造纸废水处理过程中与训练样本集过程变量对应的不同采样率样本数据,采样时间间隔由采样率最高的过程变量的采样率确定(可以等于或者大于最高的采样率,当然也可以小于,本实施例中,选择等于),得到测试样本集Xtest,并进行归一化,其样本数量分别为K',N',J',且J'≤N'≤K';
其中K',N',J'分别为在相同采样时间间隔的不同采样率情况下采集的样本数量;
x1,test,x2,test,x3,test分别为一个向量,他们代表X1,test,X2,test,X3,test中某采样时刻的一个样本;
利用潜隐变量的期望值tk,test,可构建测试样本的T2统计量如下:
其中var-1(ttest|xk,test)为潜隐变量的方差,k可取1,2,3。基于模型的预测误差,可构建SPEtest统计量如下:
判断其是否超过步骤五得到的控制限,得出造纸废水处理过程的在线检测结果:如果超过所述的控制限,则判断为发生故障;否则,则判断生产过程正常。
Claims (3)
1.一种基于多采样率因子分析模型的工业过程故障检测方法,其特征在于,包括:
(1)采集工业过程中正常运行的不同采样率的数据,并组成数据建模用的训练样本集;
(2)对训练样本集进行预处理,预处理后的训练样本集与隐变量间存在线性相关关系;
(3)利用预处理后的训练样本集,利用期望最大化算法构建多采样率因子分析模型;
(4)根据建立的多采样率因子分析模型估计训练样本集的潜隐变量的期望值,潜隐变量的方差和模型预测误差,构建相应的T2和SPE统计量检测统计限;
(5)在线收集新的工业过程中与训练样本集过程变量对应的不同采样率样本数据,得到测试样本集,并对测试样本集进行预处理;
步骤(1)中,采集三种不同采样率的数据组成数据建模用的训练样本集,对其预处理后得到X1,X2,X3:
X1∈RM×K,X1={x1,1,x1,2,...,x1,J,...,x1,N,...,x1,K}
X2∈RH×N,X2={x2,1,x2,2,...,x2,J,...,x2,N}
X3∈RU×J,X3={x3,1,x3,2,...,x3,J}
K,N,J分别为三种采样率下的样本数量,且J≤N≤K;R表示实数集;M,H,U分别为三种采样率下的过程变量数;
步骤(3)构建多采样率因子分析模型具体包括:
(3-1)初始化模型参数;
(3-2)在E步,根据当前的模型参数的值,获取模型潜隐变量估计的更新值;
(3-3)在M步,根据E步的更新结果,获取模型参数的更新值;
(3-4)计算新模型参数所对应的极大似然值与其原模型参数对应的极大似然值之间的差值,判断是否收敛:如果是,则进入步骤(4);如果否,则更新模型参数,返回步骤(3-2);
步骤(3)中,多采样率因子分析模型如下:
X1=Wt+m
X2=Pt+f
X3=Qt+g
t∈RD×1为该模型的潜隐变量,D是潜隐变量的维度;W∈RM×D,P∈RH×D,Q∈RU×D为模型负载矩阵;m,f,g分别为过程的测量噪声,它们服从高斯分布为:
m~N(0,Ω1),其中Ω1=diag{λi}1,2,…,M
f~N(0,Ω2),其中Ω2=diag{λi}1,2,…,H
g~N(0,Ω3),其中Ω3=diag{λi}1,2,…,U
diag{}的作用是使非对角线上元素变为0;Ωi为噪声矩阵的方差;λi为噪声矩阵对角线上的元素;
W,P,Q,Ω1,Ω2,Ω3构成所述的模型参数;
步骤(3)中:
定义预处理后的训练样本集V由三部分组成,分别为V3,V2,V1,其中前J个样本涉及了所有的采样率,其维度为M+H+U,构成数据子集V3;第J+1个样本至第N个样本涉及两种较高采样率,其维度为M+H,构成数据子集V2;第N+1个样本至第K个样本只涉及最高的采样率,其维度为M,构成数据子集V1;
在E步,根据当前的模型参数值,获取模型潜隐变量估计的更新值,具体公式为:
方差辅助变量Σ3,Σ2,Σ1定义如下:
在M步,根据E步的更新结果,获取模型参数{W,P,Q,Ω1,Ω2,Ω3}的更新值如下:
步骤(3)中,模型完整对数极大似然估计计算如下:
其中,p()为因子的联合概率密度函数;
步骤(4)中,根据最终的{W,P,Q,Ω1,Ω2,Ω3}获得训练样本潜隐变量的期望值tk,normal,其对应关系为:
2.根据权利要求1所述的基于多采样率因子分析模型的工业过程故障检测方法,其特征在于,所述工业过程为造纸废水处理过程。
3.根据权利要求1所述的基于多采样率因子分析模型的工业过程故障检测方法,其特征在于,步骤(2)和步骤(5)预处理后,使得各个过程变量的均值为零,方差为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810815760.6A CN109085805B (zh) | 2018-07-24 | 2018-07-24 | 一种基于多采样率因子分析模型的工业过程故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810815760.6A CN109085805B (zh) | 2018-07-24 | 2018-07-24 | 一种基于多采样率因子分析模型的工业过程故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109085805A CN109085805A (zh) | 2018-12-25 |
CN109085805B true CN109085805B (zh) | 2020-12-04 |
Family
ID=64838151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810815760.6A Active CN109085805B (zh) | 2018-07-24 | 2018-07-24 | 一种基于多采样率因子分析模型的工业过程故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109085805B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488892A (zh) * | 2019-01-25 | 2020-08-04 | 顺丰科技有限公司 | 样本数据生成方法及装置 |
CN109917777B (zh) * | 2019-04-16 | 2020-08-25 | 浙江科技学院 | 基于混合多采样率概率主成分分析模型的故障检测方法 |
CN111340238B (zh) * | 2020-03-12 | 2023-12-15 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
CN111913446B (zh) * | 2020-06-13 | 2022-03-18 | 宁波大学 | 一种适用于多采样率化工过程的故障检测方法 |
CN112286169B (zh) * | 2020-10-20 | 2022-02-01 | 浙江钱江机器人有限公司 | 一种工业机器人故障检测方法 |
CN113609766B (zh) * | 2021-07-29 | 2024-05-17 | 浙江科技学院 | 一种基于深度概率潜隐模型的软测量方法 |
CN116776921B (zh) * | 2023-06-09 | 2024-04-19 | 淮阴工学院 | 一种基于改进patch-informer的太阳辐射预测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404280A (zh) * | 2015-12-11 | 2016-03-16 | 浙江科技学院 | 基于自回归动态隐变量模型的工业过程故障检测方法 |
-
2018
- 2018-07-24 CN CN201810815760.6A patent/CN109085805B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404280A (zh) * | 2015-12-11 | 2016-03-16 | 浙江科技学院 | 基于自回归动态隐变量模型的工业过程故障检测方法 |
Non-Patent Citations (1)
Title |
---|
Multiple Fault Detection Using Multi-rate Probability Principal Component Analysis Models;Le Zhou等;《IFAC-PapersOnLine》;20170731;第50卷(第1期);第14752-14757页正文摘要、第2-4节及表1-2 * |
Also Published As
Publication number | Publication date |
---|---|
CN109085805A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109085805B (zh) | 一种基于多采样率因子分析模型的工业过程故障检测方法 | |
CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
CN111222290B (zh) | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 | |
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN106055918B (zh) | 一种电力系统负荷数据的辨识及修正方法 | |
CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
CN108062565B (zh) | 基于化工te过程的双主元-动态核主元分析故障诊断方法 | |
Wang et al. | High-dimensional process monitoring and fault isolation via variable selection | |
CN107357275B (zh) | 非高斯工业过程故障检测方法及系统 | |
CN109917777B (zh) | 基于混合多采样率概率主成分分析模型的故障检测方法 | |
CN109240274B (zh) | 一种基于高阶相关性的工业过程故障诊断方法 | |
CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN109492265B (zh) | 基于动态非线性pls软测量方法的废水出水指标预测方法 | |
CN108830006B (zh) | 基于线性评价因子的线性-非线性工业过程故障检测方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN110942258B (zh) | 一种性能驱动的工业过程异常监测方法 | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
US11276300B2 (en) | Method for learning latest data considering external influences in early warning system and system for same | |
CN110427019B (zh) | 一种基于多变量判别分析的工业过程故障分类方法及控制装置 | |
CN112766301A (zh) | 一种采油机示功图相似性判断方法 | |
CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
CN109325065B (zh) | 基于动态隐变量模型的多采样率软测量方法 | |
CN114611067A (zh) | 一种基于典型变量相异性分析的化工过程缓变故障检测方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 |
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 |