CN109144039A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109144039A CN109144039A CN201811304821.9A CN201811304821A CN109144039A CN 109144039 A CN109144039 A CN 109144039A CN 201811304821 A CN201811304821 A CN 201811304821A CN 109144039 A CN109144039 A CN 109144039A
- Authority
- CN
- China
- Prior art keywords
- data
- learning machine
- neighborhood
- extreme learning
- spe
- 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.)
- Granted
Links
- 238000010923 batch production Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000013179 statistical model Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000000855 fermentation Methods 0.000 description 7
- 230000004151 fermentation Effects 0.000 description 7
- 229930182555 Penicillin Natural products 0.000 description 5
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 5
- 229940049954 penicillin Drugs 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000006052 feed supplement Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000013022 venting Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了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,主要包括如下步骤:(1)收集多个批次正常情况下的间歇过程数据;(2)将收集到的三维数据展开为二维数据并标准化;(3)建立时序扩展和邻域保持极限学习机模型;(4)建立正常数据下平方预测误差SPE和霍特林T2的统计量,求取控制限;(5)收集在线的间歇过程数据;(6)将在线数据通过建立的时序扩展和邻域保持极限学习机模型进行投影;(7)求取在线数据的SPE和T2统计量,判断有无故障发生。本发明在投影过程中同时保持了数据的空间局部近邻结构和动态时序结构,避免了对过程数据满足高斯分布的假设,更加满足实际工业过程。
Description
技术领域
本发明属于工业过程监控技术领域,涉及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。
背景技术
间歇过程被广泛的运用于石油化工、生物制药、微生物发酵、半导体生产等多个高附加值行业中。生产过程的安全和生产质量一直是间歇过程的两个重要目标,需要提前获取可能对生产造成扰动的故障信息,这就使得过程监控成为生产操作中必不可少的一部分,因此,通过有效的监控方法对间歇过程故障进行监控与检测具有重要的意义。
发明内容
本发明的目的在于针对现有技术存在的问题,提供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。该方法通过借鉴非监督极限学习机的思想,通过时序扩展和邻域保持极限学习机的方法检测间歇过程的故障,为消除故障提供依据。
为此,本发明采用如下技术方案:
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,包括如下步骤:
(1)收集多个批次正常情况下的间歇过程数据,形成在批次、变量和采样点三个维度上分布的三维数据;
(2)将收集到的三维数据展开为二维数据并标准化;
(3)初始化极限学习机网络,建立时序扩展和邻域保持极限学习机模型,求取输出权重矩阵;
(4)建立正常数据下平方预测误差SPE和霍特林T2的统计量,求取控制限;
(5)收集在线的间歇过程数据,进行标准化处理;
(6)将标准化后的在线数据通过建立的时序扩展和邻域保持极限学习机模型进行投影;
(7)求取在线数据的SPE和T2统计量,判断有无故障发生。
进一步地,步骤(1)的具体过程如下:
利用集散控制系统收集间歇过程正常运行情况下多个批次的各关键变量数据信息,形成三维数据X(I×J×K),其中I表示批次,J表示变量,K表示采样点。
进一步地,步骤(2)的具体过程如下:
由于间歇过程数据是三维的,无法用常规处理二维数据的方法进行处理,因此,需要将三维数据展开为二维数据再进行统计分析。此处使用混合展开的方法,首先沿着批次方向将三维数据X(I×J×K)展开为二维数据X(I×KJ),然后将展开的二维数据进行标准化,使得各个过程变量的均值为0,方差为1;然后将标准化后的二维数据重新排列成X(KI×J);这种混合展开的方法不仅考虑了批次之间的差异,而且还考虑了其随时间的动态特性。
进一步地,步骤(3)的具体过程如下:
通过时序扩展和邻域保持极限学习机求取间歇过程变量的非线性动态特征,其中,时序扩展和邻域保持极限学习机描述如下:
利用K近邻算法在混合展开后的X(KI×J)中选取近邻点集Ui∈{x1,…,xk},其中,x1,…,xk为点xi的K个近邻点;在选取近邻点集后,通过式(1)来求取近邻重构矩阵
上式中,约束条件为如果xj不属于xi的近邻点,则 为矩阵WU的第i行第j列的元素,WU表征了样本点和其近邻点间的局部几何特性;
同样,针对点xi选取2m个时间序列的点集Ni∈{xi-m,…,xi-1,xi,xi+1,…,xi+m},即选取xi的前m个点以及后m个点组成时间序列的点集Ni;在选取时间序列点集之后,通过式(2)计算时序动态结构矩阵
上式中,限定条件为如果xj不属于xi的时间序列点,则 为矩阵WN的第i行第j列的元素,描述了每个样本点和其时间序列点之间的动态特性,两点之间越近则说明动态相关性越强、越大,反之则越小,直至为0。
求取WU和WN之后,建立时序扩展和邻域保持极限学习机模型:
上式中,β为输出权重矩阵,可以通过求解上式得到,λ为惩罚系数且0.01≤λ≤100,η为权重系数,用来平衡数据空间和时间特征信息,其取值范围为0≤η≤1,H(X)为隐藏层输出且H(X)=[h(x1),h(x2),…,h(xn)],其中式中a和b为特征映射的参数且其取值在计算中会随机初始化;
令则式(3)可写成:
上式中,fi为n维单位向量,V=[v1,v2,.....,vn];为了避免平凡解,引入(H(X)β)TH(X)β=I,则时序扩展和邻域保持极限学习机模型为:
为了求解式(5),采用拉格朗日乘子法,得到:
令则式(6)可以转化为广义特征值的求解问题:
(I+λH(X)TMH(X))β=γH(X)TH(X)β (7)
上式中,M=(I-V)(I-V)T,γ为引入的拉格朗日乘子,求解式(7)的广义特征值及特征向量,β可由求解到的广义特征值中最小的b个特征值所对应的特征向量组成;
因此,基于时序扩展和邻域保持极限学习机模型的输出为:
Y=H(X)β (8)
式中,Y=[y1,y2,.....,yn],yi=h(xi)β。
进一步地,步骤(4)的具体过程如下:
求取正常数据下的平方预测误差统计模型SPE、霍特林统计模型T2及其控制限,具体地,
在残差空间中,SPE通过重构误差求得:
SPE=eTe=(x-h(x)β)T(x-h(x)β) (9)
在特征空间中,T2可以通过下式求得:
T2=yTΛ-1y (10)
上式中,Λ-1是通过时序扩展和邻域保持极限学习机的模型求取得到的投影矩阵Y的协方差,且Λ-1=(YTY/(n-1))-1;
在求得正常数据的SPE和T2统计后,通过核密度估计算法求取控制限SPEα和求取过程为:
对一个给定的数据集j,则j的密度分布为:
上式中,ji为观测值,σ为窗口宽度,n为观测值的个数,K为核函数,因此通过选择高斯核函数设检验水平为0.95下的SPE和T2的控制限为SPEα和则有:
通过上式即可求取控制限SPEα和
进一步地,步骤(5)的具体过程如下:
收集在线的间歇过程数据并参照步骤(2)进行标准化处理,使得各个变量的均值为0,方差为1,得到标准化后的在线数据Xtest。
进一步地,步骤(6)的具体过程如下:
将Xtest通过步骤(3)得到的时序扩展和邻域保持极限学习机模型进行投影,得到:
Ytest=H(xtest)β (14)。
进一步地,步骤(7)的具体过程如下:
参照步骤(4),在残差空间和特征空间分别建立在线数据的SPE和T2统计模型,判断有无故障发生;具体地,
在残差空间中,SPEtest通过下式求得:
在特征空间中,通过下式求得:
如果SPEtest>SPEα或者则说明发生故障,否则没有故障发生。
本发明的有益效果在于:
1、本发明通过基于时序扩展和邻域保持极限学习机的方法求取过程变量的非线性动态特征;
2、在投影过程中同时保持了数据的空间局部近邻结构和动态时序结构;
3、避免了对过程数据满足高斯分布的假设,更加满足实际工业过程。
具体实施方式
下面结合具体实施例对本发明方法做进一步的说明。
青霉素生产过程是一个典型的动态、非线性、时变、多阶段的间歇过程。本发明通过Pensim2.0青霉素发酵过程的标准仿真平台产生出间歇过程数据,Pensim2.0是美国Illinois州立理工学院为了更加方便地研究典型间歇过程而开发的,它可产生出不同初始条件和不同工况下青霉素发酵过程中各变量每个时刻的数据用以分析研究。在青霉素发酵模型里,充分的考虑了发酵过程的温度变化、pH值、空气流量的变化、底物流加速率、搅拌率等对菌体合成的影响,可以接近真实地模拟青霉素发酵的实际过程。接下来结合具体过程对本发明的方法步骤作一阐述:
(1)本发明将每批次的反应时间设定为400h,每隔1h采样一次,在不同初始条件且没有故障的情况下共产生30个批次的正常工况下数据。从产生的18个变量数据中选择其中10个过程变量作为监控变量(如表1所示),构成三维数据矩阵X(30×10×400)并作为训练样本。
表1受监控的过程变量
变量序号 | 变量名称 |
1 | 通风速率 |
2 | 搅拌功率 |
3 | 底物流加速率 |
4 | 补料温度 |
5 | 基质浓度 |
6 | 溶解氧浓度 |
7 | 反应器体积 |
8 | 排气二氧化碳浓度 |
9 | pH值 |
10 | 发酵罐温度 |
(2)对得到的三维标准数据X(30×10×400)沿着批次方向展开为Xb(30×4000),然后进行标准化,最后对标准化后的Xb(30×4000)重新排列成沿变量方向的二维数据Xb-v(12000×10);
(3)对混合展开的二维数据Xb-v(12000×10),通过K近邻算法在混合展开后的数据Xb-v(12000×10)中选取近邻点集Ui∈{x1,…,xk},其中,x1,…,xk为xi的k个近邻点,此处k=14。在选取近邻点集后,通过式(1)来求取近邻重构矩阵
上式中,约束条件为如果xj不属于xi的近邻点,则 为矩阵WU的第i行第j列的元素。
同样,对点xi,选取2m个时间序列的点集Ni∈{xi-m,…,xi-1,xi,xi+1,…,xi+m},此处m=2,在选取时间序列点集之后,通过式(2)计算时序动态结构矩阵
上式中,限定条件为如果xj不属于xi的时间序列点,则
求取WU和WN之后,建立时序扩展和邻域保持极限学习机模型:
上式中,β为输出权重矩阵,可以通过求解上式得到,λ为惩罚系数且取值范围为[0.01,100],η=0.6,H(X)=[h(x1),h(x2),…,h(xn)]为隐藏层输出,其中式中a和b是特征映射的参数,也被称为节点参数,特征映射的参数在计算中会随机初始化且不会调整。
令则式(3)可写成:
上式中,fi为n维单位向量,V=[v1,v2,.....,vn]。为了避免平凡解,引入(H(X)β)TH(X)β=I,则时序扩展和邻域保持极限学习机模型为:
为了求解式(5),采用拉格朗日乘子法,得到:
令则式(6)可以转化为广义特征值的求解问题:
(I+λH(X)TMH(X))β=γH(X)TH(X)β (7)
上式中,M=(I-V)(I-V)T,求解式(7)的广义特征值及特征向量,β可以通过求取最小的b个特征值对应的特征向量组成。
因此,基于时序扩展和邻域保持极限学习机模型的输出为:
Y=H(X)β (8)
式中,Y=[y1,y2,.....,yn],y=h(x)β
(4)求取正常数据下的平方预测误差统计模型SPE、霍特林统计模型T2及其控制限,具体为,
在残差空间中,SPE通过重构误差求得:
SPE=eTe=(x-h(x)β)T(x-h(x)β) (9)
在特征空间中,T2可以通过下式求得:
T2=yTΛ-1y (10)
上式中,Λ-1是通过时序扩展和邻域保持极限学习机模型求取的投影矩阵Y的协方差,且Λ-1=(YTY/(n-1))-1。
在求得正常数据的SPE和T2统计后,通过核密度估计算法求取控制限SPEα和求取过程为:
对一个给定的数据集j,则j的密度分布为:
上式中,ji为观测值,σ为窗口宽度,通过最佳窗宽的方法可求得σ=0.3,n为观测值的个数,此处取值为n=600,K为核函数,因此通过选择高斯核函数设检验水平为0.95下的SPE和T2的控制限为SPEα和则有:
通过上式即可求取控制限SPEα和
(5)Pensim2.0仿真平台不仅可以产生正常工况下数据,还提供了三种故障类型,分别为:通风率故障、搅拌功率故障和底物流加速率故障。为了验证算法的效果,本发明中引入故障类型2,即变量2搅拌功率(Agitator power)故障,在采样时间200~400h时加入+0.03的斜坡信号作为故障信号,产生测试数据Xtest(400×10),所产生的数据进行标准化后为Xt′est(400×10),将其作为故障样本以供在线检测。
(6)将标准化后的故障样本Xt′est(400×10)通过步骤(3)得到的时序扩展和邻域保持极限学习机模型进行投影,得到:
Ytest=H(xtest)β (14)
(7)标准化后的故障样本进行投影后,在残差空间和特征空间分别建立在线数据的SPE和T2统计模型,判断有无故障发生;具体地,在残差空间中,SPEtest通过下式求得:
在特征空间中,通过下式求得:
如果SPEtest>SPEα或者则说明发生故障,否则没有故障发生。
Claims (8)
1.一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,其特征在于,包括如下步骤:
(1)收集多个批次正常情况下的间歇过程数据,形成在批次、变量和采样点三个维度上分布的三维数据;
(2)将收集到的三维数据展开为二维数据并标准化;
(3)初始化极限学习机网络,建立时序扩展和邻域保持极限学习机模型,求取输出权重矩阵;
(4)建立正常数据下平方预测误差SPE和霍特林T2的统计量,求取控制限;
(5)收集在线的间歇过程数据,进行标准化处理;
(6)将标准化后的在线数据通过建立的时序扩展和邻域保持极限学习机模型进行投影;
(7)求取在线数据的SPE和T2统计量,判断有无故障发生。
2.根据权利要求1所述的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,其特征在于,步骤(1)的具体过程如下:
利用集散控制系统收集间歇过程正常运行情况下多个批次的各关键变量数据信息,形成三维数据X(I×J×K),其中I表示批次,J表示变量,K表示采样点。
3.根据权利要求1所述的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,其特征在于,步骤(2)的具体过程如下:
首先沿着批次方向将三维数据X(I×J×K)展开为二维数据X(I×KJ),然后将展开的二维数据进行标准化,使得各个过程变量的均值为0,方差为1;然后将标准化后的二维数据重新排列成X(KI×J)。
4.根据权利要求1所述的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,其特征在于,步骤(3)的具体过程如下:
通过时序扩展和邻域保持极限学习机求取间歇过程变量的非线性动态特征,其中,时序扩展和邻域保持极限学习机描述如下:
利用K近邻算法在混合展开后的X(KI×J)中选取近邻点集Ui∈{x1,…,xk},其中,x1,…,xk为点xi的K个近邻点;在选取近邻点集后,通过式(1)来求取近邻重构矩阵
上式中,约束条件为如果xj不属于xi的近邻点,则 为矩阵WU的第i行第j列的元素,WU表征了样本点和其近邻点间的局部几何特性;
同样,针对点xi选取2m个时间序列的点集Ni∈{xi-m,…,xi-1,xi,xi+1,…,xi+m},即选取xi的前m个点以及后m个点组成时间序列的点集Ni;在选取时间序列点集之后,通过式(2)计算时序动态结构矩阵
上式中,限定条件为如果xj不属于xi的时间序列点,则 描述了每个样本点和其时间序列点之间的动态特性,两点之间越近则说明动态相关性越强,从而越大,反之则越小,直至为0;
求取WU和WN之后,建立时序扩展和邻域保持极限学习机模型:
上式中,β为输出权重矩阵,可以通过求解上式得到,λ为惩罚系数且0.01≤λ≤100,η为特征空间的权重系数且其取值为0≤η≤1,H(X)为隐藏层输出且H(X)=[h(x1),h(x2),…,h(xn)],其中式中a和b为特征映射的参数且其取值在计算中会随机初始化;
令则式(3)可写成:
上式中,fi为n维单位向量,V=[v1,v2,.....,vn];为了避免平凡解,引入(H(X)β)TH(X)β=I,则时序扩展和邻域保持极限学习机模型为:
为了求解式(5),采用拉格朗日乘子法,得到:
令则式(6)可以转化为广义特征值的求解问题:
(I+λH(X)TMH(X))β=γH(X)TH(X)β(7)
上式中,M=(I-V)(I-V)T,求解式(7)的广义特征值及特征向量,β可由求解到的广义特征值中最小的b个特征值所对应的特征向量组成;
因此,基于时序扩展和邻域保持极限学习机模型的输出为:
Y=H(X)β(8)
式中,Y=[y1,y2,.....,yn],yi=h(xi)β。
5.根据权利要求1所述的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,其特征在于,步骤(4)的具体过程如下:
求取正常数据下的平方预测误差统计模型SPE、霍特林统计模型T2及其控制限,具体为,
在残差空间中,SPE通过重构误差求得:
SPE=eTe=(x-h(x)β)T(x-h(x)β)(9)
在特征空间中,T2可以通过下式求得:
T2=yTΛ-1y(10)
上式中,Λ-1是通过时序扩展和邻域保持极限学习机的模型求取得到的投影矩阵Y的协方差,且Λ-1=(YTY/(n-1))-1;
在求得正常数据的SPE和T2统计后,通过核密度估计算法求取控制限SPEα和求取过程为:
对一个给定的数据集j,则j的密度分布为:
上式中,ji为观测值,σ为窗口宽度,n为观测值的个数,K为核函数,因此通过选择高斯核函数设检验水平为0.95下的SPE和T2的控制限为SPEα和则有:
通过上式即可求取控制限SPEα和
6.根据权利要求1所述的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,其特征在于,步骤(5)的具体过程如下:
收集在线的间歇过程数据并参照步骤(2)进行标准化处理,使得各个变量的均值为0,方差为1,得到标准化后的在线数据Xtest。
7.根据权利要求1所述的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,其特征在于,步骤(6)的具体过程如下:
将Xtest通过步骤(3)得到的时序扩展和邻域保持极限学习机模型进行投影,得到:
Ytest=H(xtest)β(14)。
8.根据权利要求1所述的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,其特征在于,步骤(7)的具体过程如下:
参照步骤(4),在残差空间和特征空间分别建立在线数据的SPE和T2统计模型,判断有无故障发生,具体地,
在残差空间中,SPEtest通过下式求得:
在特征空间中,通过下式求得:
如果SPEtest>SPEα或者则说明发生故障,否则没有故障发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811304821.9A CN109144039B (zh) | 2018-11-04 | 2018-11-04 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811304821.9A CN109144039B (zh) | 2018-11-04 | 2018-11-04 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109144039A true CN109144039A (zh) | 2019-01-04 |
CN109144039B CN109144039B (zh) | 2021-06-22 |
Family
ID=64807597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811304821.9A Expired - Fee Related CN109144039B (zh) | 2018-11-04 | 2018-11-04 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109144039B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109743103A (zh) * | 2019-02-01 | 2019-05-10 | 福州大学 | 基于elm的fbg传感网络节点故障修复方法 |
CN111338318A (zh) * | 2020-03-02 | 2020-06-26 | 北京百度网讯科技有限公司 | 用于检测异常的方法和装置 |
CN111340072A (zh) * | 2020-02-12 | 2020-06-26 | 江南大学 | 一种基于数据整体信息和邻域结构的工业过程故障检测方法 |
CN111506041A (zh) * | 2020-03-09 | 2020-08-07 | 兰州理工大学 | 一种基于扩散距离改进的邻域保持嵌入的间歇过程故障检测方法 |
CN111949012A (zh) * | 2020-09-09 | 2020-11-17 | 兰州理工大学 | 一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101106486A (zh) * | 2007-08-13 | 2008-01-16 | 杭州华三通信技术有限公司 | 虚链路故障的检测处理方法及组件 |
CN101187986A (zh) * | 2007-11-27 | 2008-05-28 | 海信集团有限公司 | 基于有监督的近邻保持嵌入和支持向量机的人脸识别方法 |
CN102944769A (zh) * | 2012-10-18 | 2013-02-27 | 上海市电力公司 | 基于极限学习机的电力变压器故障诊断方法 |
CN106803237A (zh) * | 2016-12-14 | 2017-06-06 | 银江股份有限公司 | 一种基于极限学习机的改进自适应加权平均图像去噪方法 |
CN107341504A (zh) * | 2017-06-07 | 2017-11-10 | 同济大学 | 一种基于时序数据流行学习的机械设备故障诊断方法 |
CN108459585A (zh) * | 2018-04-09 | 2018-08-28 | 东南大学 | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 |
-
2018
- 2018-11-04 CN CN201811304821.9A patent/CN109144039B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101106486A (zh) * | 2007-08-13 | 2008-01-16 | 杭州华三通信技术有限公司 | 虚链路故障的检测处理方法及组件 |
CN101187986A (zh) * | 2007-11-27 | 2008-05-28 | 海信集团有限公司 | 基于有监督的近邻保持嵌入和支持向量机的人脸识别方法 |
CN102944769A (zh) * | 2012-10-18 | 2013-02-27 | 上海市电力公司 | 基于极限学习机的电力变压器故障诊断方法 |
CN106803237A (zh) * | 2016-12-14 | 2017-06-06 | 银江股份有限公司 | 一种基于极限学习机的改进自适应加权平均图像去噪方法 |
CN107341504A (zh) * | 2017-06-07 | 2017-11-10 | 同济大学 | 一种基于时序数据流行学习的机械设备故障诊断方法 |
CN108459585A (zh) * | 2018-04-09 | 2018-08-28 | 东南大学 | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 |
Non-Patent Citations (6)
Title |
---|
王涛: "基于改进NPE算法的间歇过程故障诊断研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
石向荣: "面向过程监控的非线性特征提取方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
赵小强 等: "基于SPA间歇过程故障诊断的MKNPE算法", 《兰州理工大学学报》 * |
赵小强 等: "基于TTGNPE算法的间歇过程监控", 《控制与决策》 * |
赵小强 等: "基于时序扩展多流形嵌入算法的间歇过程监控", 《第28届中国控制与决策会议》 * |
高晴: "基于流形学习与分类技术的人脸识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109743103A (zh) * | 2019-02-01 | 2019-05-10 | 福州大学 | 基于elm的fbg传感网络节点故障修复方法 |
CN109743103B (zh) * | 2019-02-01 | 2021-07-27 | 福州大学 | 基于elm的fbg传感网络节点故障修复方法 |
CN111340072A (zh) * | 2020-02-12 | 2020-06-26 | 江南大学 | 一种基于数据整体信息和邻域结构的工业过程故障检测方法 |
CN111340072B (zh) * | 2020-02-12 | 2023-06-20 | 江南大学 | 一种基于数据整体信息和邻域结构的工业过程故障检测方法 |
CN111338318A (zh) * | 2020-03-02 | 2020-06-26 | 北京百度网讯科技有限公司 | 用于检测异常的方法和装置 |
CN111506041A (zh) * | 2020-03-09 | 2020-08-07 | 兰州理工大学 | 一种基于扩散距离改进的邻域保持嵌入的间歇过程故障检测方法 |
CN111949012A (zh) * | 2020-09-09 | 2020-11-17 | 兰州理工大学 | 一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法 |
CN111949012B (zh) * | 2020-09-09 | 2023-05-05 | 兰州理工大学 | 一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109144039B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109144039A (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 | |
Zeng et al. | Prediction of building electricity usage using Gaussian Process Regression | |
Fan et al. | A hybrid FDD strategy for local system of AHU based on artificial neural network and wavelet analysis | |
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 | |
CN108897286B (zh) | 一种基于分散式非线性动态关系模型的故障检测方法 | |
Chen et al. | Cognitive fault diagnosis in tennessee eastman process using learning in the model space | |
Zhang et al. | Improved dynamic kernel principal component analysis for fault detection | |
CN111949012B (zh) | 一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法 | |
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 | |
CN111324110A (zh) | 一种基于多块收缩自动编码器的发酵过程故障监测方法 | |
CN110032799A (zh) | 一种微生物制药过程的角相似度阶段划分及监测方法 | |
Lu et al. | Variable-weighted FDA combined with t-SNE and multiple extreme learning machines for visual industrial process monitoring | |
CN113011102B (zh) | 基于多元时间序列的Attention-LSTM的青霉素发酵过程故障预测方法 | |
Du et al. | PCA-FDA-based fault diagnosis for sensors in VAV systems | |
Peng et al. | Quality relevant over-complete independent component analysis based monitoring for non-linear and non-Gaussian batch process | |
CN109085816A (zh) | 一种基于动态正交的全局局部间歇过程故障检测方法 | |
Karim et al. | Data‐based modeling and analysis of bioprocesses: some real experiences | |
CN116661410A (zh) | 基于加权有向图的大规模工业过程故障检测及诊断方法 | |
CN113253682B (zh) | 非线性化工过程故障检测方法 | |
CN113341926B (zh) | 一种基于稀疏加权邻域保持嵌入的多阶段间歇过程故障检测方法 | |
Ma et al. | Process monitoring of the pneumatic control valve using canonical variate analysis | |
CN112184037A (zh) | 一种基于加权svdd的多模态过程故障检测方法 | |
Gao et al. | Parameter estimation of Gaussian mixture model and its application in multimode process monitoring | |
González-Martínez et al. | Using warping information for batch process monitoring and fault classification | |
Yin et al. | Process decomposition and distributed fault detection of large-scale industrial processes |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210622 |