CN109635358A - 一种基于滑动窗口多尺度主元分析的机组故障检测方法 - Google Patents
一种基于滑动窗口多尺度主元分析的机组故障检测方法 Download PDFInfo
- Publication number
- CN109635358A CN109635358A CN201811386988.4A CN201811386988A CN109635358A CN 109635358 A CN109635358 A CN 109635358A CN 201811386988 A CN201811386988 A CN 201811386988A CN 109635358 A CN109635358 A CN 109635358A
- Authority
- CN
- China
- Prior art keywords
- data
- wavelet packet
- matrix
- principal component
- window
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 90
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000007257 malfunction Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 description 7
- 238000004378 air conditioning Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010197 meta-analysis Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010978 in-process monitoring Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于滑动窗口多尺度主元分析的机组故障检测方法,包括以下步骤:首先利用正常运行工况历史数据建立机组故障检测模型,该模型包括滑动窗口算法、小波包分析和主元分析。然后,将由历史数据训练完全的模型用于在线故障检测,当被监测数据的某些尺度检测到异常后,将这些尺度的数据重构得到对应监测数据的重构数据。最后,将正常运行工况进行相同尺度的重构并建立滑动窗口主元模型,将监测数据的重构数据运用建立的滑动窗口主元模型进行检测,确定是否故障,并在判断无故障时进行相应模型和数据集更新。采用本方法使故障检测更加准确和高效。
Description
技术领域
本发明涉及暖通空调系统内各种类型机组故障检测方法,尤其涉及一种基于滑动窗口多尺度主元分析的机组故障检测方法。
背景技术
随着国民经济的持续快速发展,建筑总能耗在能源消耗中占据的比重日益巨大。其中,暖通空调系统能耗占建筑总能耗的60%左右,而机组运行能耗则又占据暖通空调系统能耗的40%~50%,所以机组运行占据巨大的能耗。机组正常运行为建筑用户提供舒适和高效的生活及工作环境。然而,当机组发生故障时不仅造成热舒适性降低、机组效率低下、大量的能源浪费,严重时甚至存在安全隐患。通过有效的故障检测方法进行机组故障检测不仅可以改善环境热舒适、降低维修和保养费用,而且可以提高运行效率从而达到节能的效果。因此机组的故障检测对于暖通空调系统的高效运行及建筑节能具有重要意义。基于上述原因,在故障检测领域针对暖通空调系统内机组的故障检测备受关注。
目前,针对机组故障检测的方法主要有故障树、专家系统、基于模型、人工神经网络、回归模型、模糊算法、支持向量机、遗传算法、独立元分析、指定元分析和主元分析以及上述方法混合使用。上述方法中,故障树和专家系统需要大量先验知识和繁琐的规则设置,基于模型方法难以构建,且不具有广泛的普适性,人工神经网络、回归模型、模糊算法、支持向量机和遗传算法均需要大量机组正常和故障条件下的运行数据进行模型的构建,而统计学方法中的独立元分析、指定元分析和主元分析只需要机组正常条件下的运行数据进行模型构建。相对于正常数据而言,由于故障状态被极力避免而导致故障数据难以获得且相对较少。因此统计学方法以其优点而备受关注,其中主元分析又因为准确方便高效而广受青睐。目前采用主元分析对机组故障检测存在的问题是:一,主元分析构建的模型是固定的、非时变模型,其不符合实际过程的动态非平稳特性;二,主元分析为单尺度建模,其不符合实际工程数据的多尺度特性。
发明内容
本发明的目的在于克服已有技术的缺点,提供一种通过及时准确的故障检测来提高系统运行性能,达到节省能源和降低维修费用目的的基于滑动窗口多尺度主元分析的机组故障检测方法。
实现本发明方法采用的技术方案是:
一种基于滑动窗口多尺度主元分析的机组故障检测方法,其特征在于包括以下步骤:
步骤一、在计算机中输入正常运行状态下的历史数据组成历史数据矩阵,历史数据矩阵每行代表一个数据样本,每列代表一个数据变量;
步骤二、设定初始窗长度和终止窗长度,根据初始窗长度从历史数据矩阵中获得初始窗口内的初始数据组成初始数据矩阵,初始数据矩阵每行代表一个数据样本,每列代表一个数据变量;
步骤三、第一步,对初始数据矩阵内的各列数据进行小波包分解,获得不同变量每个尺度上的小波包系数,将每个变量相同尺度上的小波包系数按列组合在一起形成小波包系数矩阵,计算每个尺度小波包系数矩阵的均值和标准差;
第二步,将初始数据矩阵获得的每个尺度小波包系数矩阵处理为具有零均值和单位方差的标准化小波包系数矩阵,并计算每个标准化小波包系数矩阵的协方差矩阵;
步骤四、将每个标准化小波包系数矩阵进行主元分析,获得每个标准化小波包系数矩阵对应的主元模型,以及每个主元模型所对应的主元子空间、残差子空间和主元个数,同时计算出每个标准化小波包系数矩阵对应的统计量阈值Qα;
步骤五、第一步,移动数据窗口,使新的数据窗口内加入新的正常运行状态下的历史数据;
第二步,对新窗口内数据按照步骤三第一步进行小波包分解获得每个尺度矩阵的小波包系数矩阵;
第三步,采用滑动窗口算法,通过步骤三中每个小波包系数矩阵的均值、标准差和协方差矩阵递归计算出新窗口中的每个小波包系数矩阵对应的新的均值、标准差和协方差矩阵,并利用每个小波包矩阵新的协方差矩阵建立新窗口内数据的新的主元模型,利用新的主元模型更新步骤三中的每个小波包系数矩阵对应的统计量阈值Qα;
步骤六、重复步骤五,直至历史数据矩阵中的最后一个数据样本进入滑动窗口内,并得到最终窗口内数据矩阵每个小波包系数矩阵的主元模型,以及与最终窗口内主元模型对应的均值、标准差、协方差矩阵和统计量阈值Qα1;
步骤七、获取在线实时监测数据,并将该数据按照步骤三进行小波包分解得到在线监测数据的每个尺度的小波包系数;
步骤八、将实时监测数据的每个尺度小波包系数输入与步骤六中建立的最终窗口内相对应的每个小波包系数矩阵的主元模型,计算出监测数据每个尺度的SPE(x)值;如果所有尺度的SPE(x)均不大于Qα1,表明该过程为正常状态,将该监测数据放入滑动窗口重复步骤五,计算新窗口中的每个小波包系数矩阵对应的新的均值、标准差和协方差矩阵;否则,将SPE(x)值大于Qα1的尺度的小波包系数挑选出来并进行小波包重构得到重构数据;
步骤九、根据步骤八挑选出来的尺度,将正常运行状态的历史数据按照相同尺度进行小波包重构得到正常状态数据的重构数据,利用正常状态数据的重构数据构建滑动窗口主元模型,并得到该模型对应的新的统计量阈值Qα2;然后将步骤八中的重构数据输入该滑动窗口主元模型,若此时步骤八中重构数据通过滑动窗口主元模型计算得到的新的SPE(x)值大于滑动窗口主元模型对应的Qα2,则此过程为故障状态,否则,该过程为正常状态;
步骤十、丢弃旧过程数据,输入新的机组监视数据重复步骤七-步骤十。
本发明的有益效果是:利用滑动窗口技术实现新数据的加入和旧数据的删除,从而满足训练数据集的实时性要求,同时本方法将主元分析提取变量间关联性和降低变量间互相关性的功能和小波包分析提取测量量中数据特征和降低测量量中自相关性的功能相结合,一方面提取了隐藏在测量数据中的数据特征,另一个方面极大的降低了数据维度,从而使故障检测更加准确和高效。此外本发明不仅能够检测到突变故障而且适用于渐变故障的检测。同时,本发明可以使用瞬时数据而非稳态数据进行机组的故障检测,为瞬态下机组的故障检测提供了一个有效的方法。
附图说明
图1是本发明方法采用的滑动窗口内数据选择方法示意图。
具体实施方式
下面结合附图和具体实施例对本发明加以详细说明。
如附图所示的本发明的一种基于滑动窗口多尺度主元分析的机组故障检测方法,包括以下步骤:
步骤一、在计算机中输入正常运行状态下的历史数据组成历史数据矩阵,历史数据矩阵每行代表一个数据样本,每列代表一个数据变量。
步骤二、设定初始窗长度和终止窗长度,根据初始窗长度从历史数据矩阵中获得初始窗口内的初始数据组成初始数据矩阵,初始数据矩阵每行代表一个数据样本,每列代表一个数据变量。
步骤三、第一步,对初始数据矩阵内的各列数据进行小波包分解,获得不同变量每个尺度上的小波包系数。将每个变量相同尺度上的小波包系数按列组合在一起形成小波包系数矩阵,计算每个尺度小波包系数矩阵的均值和标准差。
第二步,将初始数据矩阵获得的每个尺度小波包系数矩阵处理为具有零均值和单位方差的标准化小波包系数矩阵,并计算每个标准化小波包系数矩阵的协方差矩阵;
步骤四、将每个标准化小波包系数矩阵进行主元分析,获得每个标准化小波包系数矩阵对应的主元模型,以及每个主元模型所对应的主元子空间(PCS)、残差子空间(RS)和主元个数(PC),同时计算出每个标准化小波包系数矩阵对应的统计量阈值Qα;
步骤五、第一步,移动数据窗口,使新的数据窗口内加入新的正常运行状态下的历史数据;
第二步,对新窗口内数据按照步骤三第一步进行小波包分解获得每个尺度矩阵的小波包系数矩阵;
第三步,采用滑动窗口算法,通过步骤三中每个小波包系数矩阵的均值、标准差和协方差矩阵递归计算出新窗口中的每个小波包系数矩阵对应的新的均值、标准差和协方差矩阵,并利用每个小波包矩阵新的协方差矩阵建立新窗口内数据的新的主元模型,利用新的主元模型更新步骤三中的每个小波包系数矩阵对应的统计量阈值Qα。
步骤六、重复步骤五,直至历史数据矩阵中的最后一个数据样本进入滑动窗口内,并得到最终窗口内数据矩阵每个小波包系数矩阵的主元模型,以及与最终窗口内主元模型对应的均值、标准差、协方差矩阵和统计量阈值Qα1;
步骤七、获取在线实时监测数据,并将该数据按照步骤三进行小波包分解得到在线监测数据的每个尺度的小波包系数;
步骤八、将实时监测数据的每个尺度小波包系数输入步骤六中建立的最终窗口内相对应的每个小波包系数矩阵的主元模型,计算出监测数据每个尺度的SPE(x)值。如果所有尺度的SPE(x)均不大于Qα1,表明该过程为正常状态,将该监测数据放入滑动窗口重复步骤五,计算新窗口中的每个小波包系数矩阵对应的新的均值、标准差和协方差矩阵。否则,将SPE(x)值大于Qα1的尺度的小波包系数挑选出来并进行小波包重构得到重构数据;
步骤九、根据步骤八挑选出来的尺度,将正常运行状态的历史数据按照相同尺度进行小波包重构得到正常状态数据的重构数据,利用正常状态数据的重构数据构建滑动窗口主元(MSPCA)模型,并得到该模型对应的新的统计量阈值Qα2。然后将步骤八中的重构数据输入该滑动窗口主元模型,若此时步骤八中重构数据通过滑动窗口主元模型计算得到的新的SPE(x)值大于滑动窗口主元模型对应的Qα2,则此过程为故障状态,否则,该过程为正常状态。
步骤十:丢弃旧过程数据,输入新的机组监视数据重复步骤七-步骤十。
该滑动窗口多尺度主元分析方法中:滑动窗口移动规律如图一所示;滑动窗口内参数的递归更新计算参照文献[Wang X,Kruger U,Irwin G W.Process monitoringapproach using fast moving window PCA[J].Industrial and Engineering ChemistryResearch,2005:44(15):5691-5702.(使用快速滑动窗口主元分析的过程监测方法)];
小波包分解原理参照文献[王慧琴.小波分析与应用[M].北京:北京邮电大学出版社,2011.;Wang Y,Xu G H,Lin L,et al.Detection of weak transient signals basedon wavelet packet transform and manifold learning for rolling element bearingfault diagnosis[J].Mechanical Systems and Signal Processing,2015:54:259-276.(基于小波包变换和流形学习的弱暂态信号检测在滚动轴承故障诊断中的应用);Johansson E.Wavelet theory and some of its applications[D].Lulea tekniskauniversitet,2005.(小波理论及其应用)];
主元分析的原理参照文献[Qin S J.Statistical process monitoring:basicsand beyond[J].Journal of Chemometrics,2010:17(8-9):480-502.(统计过程监测:基础和延伸)];
滑动窗口主元分析原理参照文献[Wang X,Kruger U,Irwin G W.Processmonitoring approach using fast moving window PCA[J].Industrial andEngineering Chemistry Research,2005:44(15):5691-5702.(使用快速滑动窗口主元分析的过程监测方法);He X B,Yang Y P.Variable MWPCA for adaptive processmonitoring[J].Industrial and Engineering Chemistry Research,2008:47(2):419-427.(用于自适应过程监测的可变MWPCA方法)];
小波包与滑动窗口主元分析结合形成的滑动窗口主元分析方法原理参照文献[张媛媛.多尺度自适应PCA及其在过程监测中的应用研究[D].北京:北京化工大学,2012.];
至此,按照上述原理即可判断机组动态运行过程中的状态,当其发生故障时该方法能高效快速的检测出来。
Claims (1)
1.一种基于滑动窗口多尺度主元分析的机组故障检测方法,其特征在于包括以下步骤:
步骤一、在计算机中输入正常运行状态下的历史数据组成历史数据矩阵,历史数据矩阵每行代表一个数据样本,每列代表一个数据变量;
步骤二、设定初始窗长度和终止窗长度,根据初始窗长度从历史数据矩阵中获得初始窗口内的初始数据组成初始数据矩阵,初始数据矩阵每行代表一个数据样本,每列代表一个数据变量;
步骤三、第一步,对初始数据矩阵内的各列数据进行小波包分解,获得不同变量每个尺度上的小波包系数,将每个变量相同尺度上的小波包系数按列组合在一起形成小波包系数矩阵,计算每个尺度小波包系数矩阵的均值和标准差;
第二步,将初始数据矩阵获得的每个尺度小波包系数矩阵处理为具有零均值和单位方差的标准化小波包系数矩阵,并计算每个标准化小波包系数矩阵的协方差矩阵;
步骤四、将每个标准化小波包系数矩阵进行主元分析,获得每个标准化小波包系数矩阵对应的主元模型,以及每个主元模型所对应的主元子空间、残差子空间和主元个数,同时计算出每个标准化小波包系数矩阵对应的统计量阈值Qα;
步骤五、第一步,移动数据窗口,使新的数据窗口内加入新的正常运行状态下的历史数据;
第二步,对新窗口内数据按照步骤三第一步进行小波包分解获得每个尺度矩阵的小波包系数矩阵;
第三步,采用滑动窗口算法,通过步骤三中每个小波包系数矩阵的均值、标准差和协方差矩阵递归计算出新窗口中的每个小波包系数矩阵对应的新的均值、标准差和协方差矩阵,并利用每个小波包矩阵新的协方差矩阵建立新窗口内数据的新的主元模型,利用新的主元模型更新步骤三中的每个小波包系数矩阵对应的统计量阈值Qα;
步骤六、重复步骤五,直至历史数据矩阵中的最后一个数据样本进入滑动窗口内,并得到最终窗口内数据矩阵每个小波包系数矩阵的主元模型,以及与最终窗口内主元模型对应的均值、标准差、协方差矩阵和统计量阈值Qα1;
步骤七、获取在线实时监测数据,并将该数据按照步骤三进行小波包分解得到在线监测数据的每个尺度的小波包系数;
步骤八、将实时监测数据的每个尺度小波包系数输入与步骤六中建立的最终窗口内相对应的每个小波包系数矩阵的主元模型,计算出监测数据每个尺度的SPE(x)值;如果所有尺度的SPE(x)均不大于Qα1,表明该过程为正常状态,将该监测数据放入滑动窗口重复步骤五,计算新窗口中的每个小波包系数矩阵对应的新的均值、标准差和协方差矩阵;否则,将SPE(x)值大于Qα1的尺度的小波包系数挑选出来并进行小波包重构得到重构数据;
步骤九、根据步骤八挑选出来的尺度,将正常运行状态的历史数据按照相同尺度进行小波包重构得到正常状态数据的重构数据,利用正常状态数据的重构数据构建滑动窗口主元模型,并得到该模型对应的新的统计量阈值Qα2;然后将步骤八中的重构数据输入该滑动窗口主元模型,若此时步骤八中重构数据通过滑动窗口主元模型计算得到的新的SPE(x)值大于滑动窗口主元模型对应的Qα2,则此过程为故障状态,否则,该过程为正常状态;
步骤十、丢弃旧过程数据,输入新的机组监视数据重复步骤七-步骤十。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811386988.4A CN109635358A (zh) | 2018-11-20 | 2018-11-20 | 一种基于滑动窗口多尺度主元分析的机组故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811386988.4A CN109635358A (zh) | 2018-11-20 | 2018-11-20 | 一种基于滑动窗口多尺度主元分析的机组故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635358A true CN109635358A (zh) | 2019-04-16 |
Family
ID=66068566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811386988.4A Pending CN109635358A (zh) | 2018-11-20 | 2018-11-20 | 一种基于滑动窗口多尺度主元分析的机组故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635358A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580492A (zh) * | 2019-04-30 | 2019-12-17 | 上海铁大电信科技股份有限公司 | 一种基于小幅波动检测的轨道电路故障前兆发现方法 |
CN116049658A (zh) * | 2023-03-30 | 2023-05-02 | 西安热工研究院有限公司 | 一种风电机组异常数据识别方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130035910A1 (en) * | 2010-09-29 | 2013-02-07 | Yingwei Zhang | Continuous annealing process fault detection method based on recursive kernel principal component analysis |
CN108416106A (zh) * | 2018-02-05 | 2018-08-17 | 江苏方天电力技术有限公司 | 基于多尺度主元分析的给水泵故障检测方法 |
CN108801950A (zh) * | 2018-05-21 | 2018-11-13 | 东南大学 | 一种基于滑动窗多尺度主元分析的紫外光谱水质异常检测方法 |
-
2018
- 2018-11-20 CN CN201811386988.4A patent/CN109635358A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130035910A1 (en) * | 2010-09-29 | 2013-02-07 | Yingwei Zhang | Continuous annealing process fault detection method based on recursive kernel principal component analysis |
CN108416106A (zh) * | 2018-02-05 | 2018-08-17 | 江苏方天电力技术有限公司 | 基于多尺度主元分析的给水泵故障检测方法 |
CN108801950A (zh) * | 2018-05-21 | 2018-11-13 | 东南大学 | 一种基于滑动窗多尺度主元分析的紫外光谱水质异常检测方法 |
Non-Patent Citations (2)
Title |
---|
TIANHAO YUAN: "Sample data selection method for improving the prediction accuracy of the heating energy consumption" * |
李晋文;朱能;: "我国历史风貌办公建筑节能改造评价模型建立及案例分析" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580492A (zh) * | 2019-04-30 | 2019-12-17 | 上海铁大电信科技股份有限公司 | 一种基于小幅波动检测的轨道电路故障前兆发现方法 |
CN116049658A (zh) * | 2023-03-30 | 2023-05-02 | 西安热工研究院有限公司 | 一种风电机组异常数据识别方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
Capozzoli et al. | Fault detection analysis using data mining techniques for a cluster of smart office buildings | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
Fan et al. | A framework for knowledge discovery in massive building automation data and its application in building diagnostics | |
CN106644162B (zh) | 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法 | |
Hou et al. | Data mining based sensor fault diagnosis and validation for building air conditioning system | |
CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN104573850A (zh) | 一种火电厂设备状态评估方法 | |
CN113011010A (zh) | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 | |
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 | |
CN105242660A (zh) | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN109635358A (zh) | 一种基于滑动窗口多尺度主元分析的机组故障检测方法 | |
Liu et al. | Thermal error modeling for machine tools: Mechanistic analysis and solution for the pseudocorrelation of temperature-sensitive points | |
Xu et al. | New RUL prediction method for rotating machinery via data feature distribution and spatial attention residual network | |
Tian et al. | An unsupervised data mining-based framework for evaluation and optimization of operation strategy of HVAC system | |
CN117570238A (zh) | 一种基于物联网的阀门远程智能监测控制系统 | |
CN113390641A (zh) | 风烟系统设备故障的智能预警与在线诊断方法及系统 | |
Li | A model-based fault detection and diagnostic methodology for secondary HVAC systems | |
CN111582588A (zh) | 一种基于三重卷积融合gru的建筑物能耗预测方法 | |
CN108895839B (zh) | 烧结机漏风故障在线诊断方法 | |
CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
Tsang | Sensor data validation using gray models |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20231117 |
|
AD01 | Patent right deemed abandoned |