CN109669414B - 一种基于自相关特征分解的动态过程监测方法 - Google Patents
一种基于自相关特征分解的动态过程监测方法 Download PDFInfo
- Publication number
- CN109669414B CN109669414B CN201811577506.3A CN201811577506A CN109669414B CN 109669414 B CN109669414 B CN 109669414B CN 201811577506 A CN201811577506 A CN 201811577506A CN 109669414 B CN109669414 B CN 109669414B
- Authority
- CN
- China
- Prior art keywords
- vector
- matrix
- autocorrelation
- formula
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000008569 process Effects 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000003379 elimination reaction Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 92
- 239000011159 matrix material Substances 0.000 claims description 57
- 238000005070 sampling Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 7
- 239000000463 material Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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]
- G05B19/4185—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 the network communication
-
- 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
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开一种基于自相关特征分解的动态过程监测方法,旨在从数据中分解出自相关特征成分,并基于此实施动态过程监测。本发明方法首先利用一种全新的自相关特征分解算法提取出潜藏的自相关特征;然后,将自相关特征成分中的自相关性过滤掉;最后,利用自相关特征成分误差以及模型误差实施动态过程监测。本发明方法的优势在于,首先本发明方法涉及的自相关分解算法是一种全新的特征提取算法,旨在挖掘出潜在特征成分的时间序列回归关系。其次,本发明方法在分解出训练数据中的自相关特征后,对各个特征成分逐一实施自相关性消除,并利用不包含显著自相关特征的残差实施动态过程监测。因此,本发明方法更适合于动态过程监测。
Description
技术领域
本发明涉及一种数据驱动的过程监测方法,尤其涉及一种基于自相关特征分解的动态过程监测方法。
背景技术
随着传感器技术与计算技术在工业领域的广泛应用,对工业“大数据”的研究体现了现代工业过程数字化管理的水准。在这个背景下,利用采样数据实施过程运行状态的监测于是乎得到了工业界与学术界的高度重视。近年来,学术界与工业界都投入了大量的人力与物力研究以故障检测与诊断为核心任务的数据驱动的过程监测方法。在数据驱动的过程监测研究领域,诸多的数据挖掘算法都找到了用武之地。这其中当以统计过程监测为主,它是被研究得最多的方法。而作为一种经典的多变量统计分析算法,主成分分析(Principal Component Analysis,PCA)是最主流的实施技术手段,已发展出各式各样的过程监测方法技术体系。
由于先进仪表技术的发展,采样时间间隔大为缩短,采样数据之间的时序自相关性是数据驱动的过程监测方法所必须考虑的一个问题。数据驱动的动态过程监测方法中最为典型的方法当属基于增广矩阵的动态主成分分析(Dynamic Principal ComponentAnalysis,DPCA)方法,其基本思想就是为各个训练样本数据引入延时测量值构成增广矩阵,然后对增广矩阵实施建模。使用增广矩阵可以同时将样本数据时序自相关性与变量之间的交叉相关性考虑进来,因此使用增广矩阵实施动态过程监测是最常见的技术手段。然而,DPCA方法在建立过程监测模型时,是将自相关性与交叉相关性混淆在一起考虑。若是能将自相关性与交叉相关特征信息分开提取,那么相应模型就具备更强的可解释性。
一般而言,采样数据的自相关性主要体现在时间序列上,也就说当前时刻的样本数据与其前面几个时刻的采样数据是存在相互关联的。在某些情况下,故障工况下的采样数据改变的恰好是这个序列样本的自相关性。若不对自相关性特征进行单独的挖掘,这类故障可能就无法被识别出来。由此可见,对数据进行自相关特征挖掘在动态过程监测领域有着重要的意义与作用。一般而言,自相关特征的外在表现形式可简单描述成:当前时刻的样本数据可由前面几个采样时刻的样本数据预测出来。因此,如何挖掘这种时间序列关系是实施动态过程监测的关键。
发明内容
本发明所要解决的主要技术问题是:如何从数据中分解出自相关特征成分,并基于此实施动态过程监测。具体来讲,本发明方法首先利用一种新的特征提取算法通过投影变换提取出潜藏的自相关特征;然后,将自相关特征成分中的自相关性过滤掉;最后,利用自相关特征成分误差以及模型误差实施动态过程监测。
本发明解决上述技术问题所采用的技术方案为:一种基于自相关特征分解的动态过程监测方法,包括以下步骤:
(1)采集生产过程正常运行状态下的样本,组成训练数据矩阵X∈Rn×m,并计算矩阵X中各列向量的均值μ1,μ2,…,μm以及标准差δ1,δ2,…,δm,对应组成均值向量μ=[μ1,μ2,…,μm]T与标准差向量δ=[δ1,δ2,…,δm],其中,n为训练样本数,m为过程测量变量数,R为实数集,Rn×m表示n×m维的实数矩阵,上标号T表示矩阵或向量的转置。
Xa=[xa,xa+1,…,xn-A+a-1]T (2)
其中,下标号a=1,2,…,A+1,xi∈Rm×1,i=1,2,…,n。
(4)依照本发明方法所涉及的自相关特征分解算法的实施过程,求解得到m个特征向量w1,w2,…,wm,且保证各特征向量wj都满足条件wj TXA+1 TXA+1wj=1,其中j=1,2,…,m。
本发明所涉及的自相关特征分解算法旨在搜寻投影变换向量w∈Rm×1从而使如下所示的目标函数达到最优,即:
约束条件:wTXA+1 TXA+1w=1
求解公式(3)中的带约束条件的最小化问题可通过拉格朗日乘子法完成,即首先定义如下所示的拉格朗日目标函数L:
然后,根据如下所示公式分别计算函数L相对于w与β的偏导数:
很显然,上式(7)定义了一个广义特征值问题,上式(8)定义了向量w与向量β之间的关系。由于w与β都是待求解的向量,无法直接分开求解公式(7)与公式(8)中定义的等式关系。考虑到公式(7)与公式(8)这种相互耦合,且若是知道了向量w,则可通过公式(8)求解向量β,可采取如下所示的迭代过程计算向量w与β:
②根据公式β=(YTY)-1YTXA+1w计算向量β,其中Y=[XAw,XA-1w,…,X1w]。
③求解广义特征值问题:Φ1w=λΦ2w,计算最小特征值所对应的特征向量w,其中Φ1=XA+1 TXA+1-XA+1 TZ-ZTXA+1+ZTZT,Φ2=XA+1 TXA+1,Z=β1XA+β2XA-1+…+βAX1。
⑤在广义特征值问题Φ1w=λΦ2w中,最多可求得m个特征值,按大小进行升序排列为λ1,λ2,…,λm,对应的特征向量为w1,w2,…,wm。值得注意的是,这里的特征向量w1,w2,…,wm都是根据公式处理后的向量。最小特征值λ1及其对应的特征向量w1为公式(7)的最优解,其余特征值及其对应的特征向量为次优解。
由于训练数据中的自相关性特征可通过投影变换矩阵W分解出来,自相关特征成分矩阵S中各成分包含有显著的自相性,因此需要进一步描述各成分的自相关性。
(6)初始化k=1,并根据如下所示步骤①至步骤③描述S中各成分的自相关性特征,从而得到K个最小二乘系数向量B1,B2,…,BK。
①设置列向量s为矩阵S中的第k列,并将向量s中第a个元素至第n-A+a-1个元素组成列向量sa,由于a可取值1,2,…,A+1,依次可得到A+1个列向量s1,s2,…,sA+1。
②根据公式计算Bk=(S0 TS0)-1S0 TsA+1计算最小二乘系数向量Bk∈RA×1,其中矩阵S0=[sA,sA-1,…,s1]。
③判断是否满足条件k<K?若是,则置k=k+1后,返回步骤①;若否,则保留得到的K个最小二乘系数向量B1,B2,…,BK。
可以发现,上述步骤①至步骤③对K个自相关特征成分的时间序列关系实施了逐个逐个的描述,且时间序列上的关系是通过最小二乘法来描述的。
(7)根据公式与公式分别计算监测统计量D与Q的控制上限Dlim与Qlim,其中表示自由度为K的卡方分布在置信度α(一般取99%)下的取值,表示自由度为m-K的卡方分布在置信度α下的取值,可通过查询概率统计表获取。
上述步骤(1)~(7)为本发明方法的离线建模阶段,在完成该阶段后,需保留的模型参数有:步骤(1)中均值向量μ,步骤(2)中的对角矩阵步骤(5)中的投影变换矩阵W与矩阵步骤(6)中的K个最小二乘系数向量B1,B2,…,BK,和步骤(7)中的控制上限Dlim与Qlim。
(8)采集当前时刻的样本数据xt∈R1×m,引入其前A个采样时刻的样本数据xt-1,xt-2,…,xt-A,其中t表示当前采样时刻。
(11)初始化k=1后,根据如下所示步骤①至步骤③消除自相关特征向量yt中的自相关特性。
③判断是否满足条件k=K;若是,则置k=k+1后返回步骤①;若否,则将得到的K个误差e1,e2,…,eK组成一个行向量e=[e1,e2,…,eK]。
(13)判断是否满足条件:D≤Dlim且Q≤Qlim;若是,则当前样本采集自正常工况,返回步骤(8)继续实施对下一个样本数据的监测;若否,则当前采样数据为故障样本数据。
与传统方法相比,本发明方法的优势在于:
首先,本发明方法所涉及的自相关特征分解算法是一种全新的算法,旨在通过投影变换挖掘出潜在特征成分的时间序列回归关系。从这点上看,本发明方法提取的特征成分是充分考虑了时间序列上的自相关特征。其次,本发明方法在分解出训练数据中的自相关特征后,对各个特征成分逐一实施自相关性消除,并利用不包含显著自相关特征的残差实施动态过程监测。可以说,本发明方法更适合于动态过程建模与监测。
附图说明
图1为本发明方法的离线建模阶段实施流程图。
图2为第1个自相关特征成分至第10个自相关特征成分的自相关性示意图。
图3为第11个自相关特征成分至第16个自相关特征成分的自相关性示意图。
图4为TE过程物料进口温度故障的监测详情对比图。
具体实施方式
下面结合附图与具体的实施案例对本发明方法进行详细的说明。
本发明公开一种基于自相关特征分解的动态过程监测方法,其离线建模的实施流程如图1所示。下面结合一个具体的工业过程的例子来说明本发明方法的具体实施过程,以及相对于现有方法的优越性。
应用对象是来自于美国田纳西-伊斯曼(TE)化工过程实验,原型是伊斯曼化工生产车间的一个实际工艺流程。目前,TE过程因其流程的复杂性,已作为一个标准实验平台被广泛用于故障检测研究。整个TE过程包括22个测量变量、12个操作变量、和19个成分测量变量。该TE过程对象可以模拟仿真多种不同的故障类型,如物料进口温度阶跃变化、冷却水故障变化等等。为了对该过程进行监测,选取如表1所示的33个过程变量。由于采样间隔时间较短,TE过程采样数据不可避免的存在序列自相关性,接下来结合该TE过程对本发明具体实施步骤进行详细的阐述。
表1:TE过程监测变量。
首先,利用TE过程正常工况下采样的960个样本数据离线建立动态过程监测模型,包括以下步骤:
步骤(1):收集生产过程正常工况状态下的数据样本,组成训练数据矩阵X∈R960 ×33,计算矩阵X中各列向量的均值μ1,μ2,…,μm以及标准差δ1,δ2,…,δm,对应组成均值向量μ=[μ1,μ2,…,μm]T与标准差向量δ=[δ1,δ2,…,δm]。
步骤(4):根据自相关特征分解算法的实施过程,求解得到33个特征向量w1,w2,…,w33,且保证各特征向量wj都满足条件wj TXA+1 TXA+1wj=1,其中j=1,2,…,33。
为验证分解出的自相关特征成分S中存在显著的自相关性,现将第1个自相关特征成分至第10个自相关特征成分的自相关性显示于图2中。从图2中可以发现,矩阵S中各列向量存在较强的自相关性。
此外,额外将第11个自相关特征成分至第16个自相关特征成分的自相关性显示于图3中。从图3中可以看出,所列举的6个自相关特征成分不存在显著的自相关特性。因此,本实施案例中设置K=10个自相关特征成分是合理的。
步骤(6):初始化k=1,并根据如下所示步骤(6.1)至步骤(6.3)计算得到K个最小二乘系数向量B1,B2,…,B10。
步骤(6.1):设置列向量s为矩阵S中的第k列,并将向量s中第a个元素至第n-A+a-1个元素组成列向量sa,由于a可取值1,2,3,依次可得到3个列向量s1,s2,s3。
步骤(6.2):根据公式计算Bk=(S0 TS0)-1S0 Ts3计算最小二乘系数向量Bk∈R2×1,其中矩阵S0=[s2,s1]。
步骤(6.3):判断是否满足条件k<10;若是,则置k=k+1后,返回步骤(6.1);若否,则保留得到的K个最小二乘系数向量B1,B2,…,B10。
其次,采集TE过程物料进口温度故障条件下的测试数据集,实施在线过程监测。值得指出的是,该测试数据集前160个样本数据采集自正常工况,故障工况从161个时刻起引入。
步骤(8):采集当前时刻的样本数据xt∈R1×m,引入其前A=2个采样时刻的样本数据xt-1,xt-2,其中t表示当前采样时刻。
步骤(11):根据最小二乘系数向量B1,B2,…,BK逐一消除自相关特性以得到残差向量e。
步骤(13):判断是否满足条件:D≤Dlim且Q≤Qlim;若是,则当前样本采集自正常工况,返回步骤(8)继续实施对下一时刻采样数据的监测;若否,则当前采样数据为故障样本数据。
最后,将本发明方法与传统DPCA方法的过程监测详情对比于如图4中。从图4中可以发现,本发明方法对于该故障的监测效果要优越于传统DPCA方法,在故障发生后的故障漏报率显著低于传统DPCA方法的故障漏报率。
上述实施案例只用来解释说明本发明的具体实施,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,对本发明做出的任何修改,都落入本发明的保护范围。
Claims (1)
1.一种基于自相关特征分解的动态过程监测方法,其特征在于,包括以下步骤:
步骤(1):采集生产过程正常运行状态下的样本,组成训练数据矩阵X∈Rn×m,并计算矩阵X中各列向量的均值μ1,μ2,…,μm以及标准差δ1,δ2,…,δm,对应组成均值向量μ=[μ1,μ2,…,μm]T与标准差向量δ=[δ1,δ2,…,δm],其中,n为训练样本数,m为过程测量变量数,R为实数集,Rn×m表示n×m维的实数矩阵,上标号T表示矩阵或向量的转置;
Xa=[xa,xa+1,…,xn-A+a-1]T (2)
其中,下标号a=1,2,…,A+1,xi∈Rm×1,i=1,2,…,n;
步骤(4):根据如下所示的步骤(4.1)至步骤(4.5)求解得到m个特征向量w1,w2,…,wm,且保证各特征向量wj都满足条件wj TXA+1 TXA+1wj=1,其中j=1,2,…,m;
步骤(4.2):根据公式β=(YTY)-1YTXA+1w计算向量β,其中矩阵Y=[XAw,XA-1w,…,X1w];
步骤(4.3):求解广义特征值问题:Φ1w=λΦ2w,计算最小特征值所对应的特征向量w,其中,矩阵Φ1=XA+1 TXA+1-XA+1 TZ-ZTXA+1+ZTZT,矩阵Z=β1XA+β2XA-1+…+βAX1,矩阵Φ2=XA+ 1 TXA+1;
步骤(4.5):求解广义特征值问题:Φ1w=λΦ2w,可得到m个特征值,按大小进行升序排列为λ1≤λ2≤…≤λm,对应的特征向量为w1,w2,…,wm,特征向量w1,w2,…,wm都需根据公式进行处理;
步骤(6):初始化k=1,并根据如下所示步骤(6.1)至步骤(6.3)计算得到K个最小二乘系数向量B1,B2,…,BK;
步骤(6.1):设置列向量s为矩阵S中的第k列,并将向量s中第a个元素至第n-A+a-1个元素组成列向量sa,由于a可取值1,2,…,A+1,依次可得到A+1个列向量s1,s2,…,sA+1;
步骤(6.2):根据公式计算Bk=(S0 TS0)-1S0 TsA+1计算最小二乘系数向量Bk∈RA×1,其中矩阵S0=[sA,sA-1,…,s1];
步骤(6.3):判断是否满足条件k<K;若是,则置k=k+1后,返回步骤(6.1);若否,则保留得到的K个最小二乘系数向量B1,B2,…,BK;
步骤(7):根据公式与公式分别计算监测统计量D与Q的控制上限Dlim与Qlim,其中表示自由度为K的卡方分布在置信度α下的取值,表示自由度为m-K的卡方分布在置信度α下的取值,可通过查询概率统计表获取;
离线建模阶段包括上述步骤(1)至步骤(7),需保留如下所示的模型参数以便实施在线监测时调用:步骤(1)中均值向量μ,步骤(2)中的对角矩阵步骤(5)中的投影变换矩阵W与矩阵步骤(6)中的K个最小二乘系数向量B1,B2,…,BK,和步骤(7)中的控制上限Dlim与Qlim;
步骤(8):采集当前时刻的样本数据xt∈R1×m,引入其前A个采样时刻的样本数据xt-1,xt-2,…,xt-A,其中t表示当前采样时刻;
步骤(11):初始化k=1后,根据如下所示步骤(11.1)至步骤(11.3)消除自相关特性以得到残差向量e;
步骤(11.3):判断是否满足条件k=K;若是,则置k=k+1后返回步骤(11.1);若否,则将得到的K个误差e1,e2,…,eK组成一个行向量e=[e1,e2,…,eK];
步骤(13):判断是否满足条件:D≤Dlim且Q≤Qlim;若是,则当前样本采集自正常工况,返回步骤(8)继续实施对下一时刻采样数据的监测;若否,则当前采样数据为故障样本数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811577506.3A CN109669414B (zh) | 2018-12-13 | 2018-12-13 | 一种基于自相关特征分解的动态过程监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811577506.3A CN109669414B (zh) | 2018-12-13 | 2018-12-13 | 一种基于自相关特征分解的动态过程监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109669414A CN109669414A (zh) | 2019-04-23 |
CN109669414B true CN109669414B (zh) | 2020-10-09 |
Family
ID=66145860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811577506.3A Active CN109669414B (zh) | 2018-12-13 | 2018-12-13 | 一种基于自相关特征分解的动态过程监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109669414B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414150B (zh) * | 2019-07-30 | 2021-06-22 | 四川省公路规划勘察设计研究院有限公司 | 一种桥梁时变系统的张量子空间连续系统识别方法 |
CN112260650B (zh) * | 2020-10-13 | 2021-09-10 | 宁波大学 | 一种基于差异特征分析技术的光伏电板故障检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6616759B2 (en) * | 2001-09-06 | 2003-09-09 | Hitachi, Ltd. | Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor |
CN108427398B (zh) * | 2018-03-06 | 2020-06-16 | 宁波大学 | 一种基于分散式ar-pls模型的动态过程监测方法 |
CN108469805B (zh) * | 2018-03-06 | 2020-10-23 | 宁波大学 | 一种基于动态性最优选择的分散式动态过程监测方法 |
CN108572639B (zh) * | 2018-03-19 | 2020-06-30 | 宁波大学 | 一种基于主成分自相关性剔除的动态过程监测方法 |
CN108845546B (zh) * | 2018-06-11 | 2020-10-27 | 宁波大学 | 一种基于bp神经网络自回归模型的动态过程监测方法 |
CN108803520B (zh) * | 2018-06-11 | 2020-06-16 | 宁波大学 | 一种基于变量非线性自相关性剔除的动态过程监测方法 |
-
2018
- 2018-12-13 CN CN201811577506.3A patent/CN109669414B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109669414A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
CN109522972B (zh) | 一种基于潜变量自回归模型的动态过程监测方法 | |
CN109669415B (zh) | 一种基于结构化典型变量分析的动态过程监测方法 | |
CN109669414B (zh) | 一种基于自相关特征分解的动态过程监测方法 | |
CN110929765A (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
CN111913460B (zh) | 一种基于序列相关局部保持投影算法的故障监测方法 | |
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 | |
CN109542070B (zh) | 一种基于双目标优化算法的动态过程监测方法 | |
CN108572639B (zh) | 一种基于主成分自相关性剔除的动态过程监测方法 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
CN114528921A (zh) | 一种基于lof算法与混合采样的变压器故障诊断方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN111061151B (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
CN111914886B (zh) | 一种基于在线简略核学习的非线性化工过程监测方法 | |
CN111915121B (zh) | 一种基于广义典型变量分析的化工过程故障检测方法 | |
CN109669412B (zh) | 一种基于新型动态独立成分分析的非高斯过程监测方法 | |
Liu et al. | A novel wind turbine health condition monitoring method based on common features distribution adaptation | |
He et al. | A new distributed echo state network integrated with an auto-encoder for dynamic soft sensing | |
CN109638892B (zh) | 一种基于改进模糊聚类算法的光伏电站等值建模方法 | |
CN111914384A (zh) | 一种基于自相关潜变量模型的化工过程状态监测方法 | |
CN108491878B (zh) | 一种基于多个误差生成模型的故障分类诊断方法 | |
CN111913461B (zh) | 一种基于正则化gcca模型的分布式化工过程监测方法 | |
CN114841063A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 |
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 |