CN109932904A - 基于特征选择与主元控制的异常状态监测与控制系统 - Google Patents
基于特征选择与主元控制的异常状态监测与控制系统 Download PDFInfo
- Publication number
- CN109932904A CN109932904A CN201910169116.0A CN201910169116A CN109932904A CN 109932904 A CN109932904 A CN 109932904A CN 201910169116 A CN201910169116 A CN 201910169116A CN 109932904 A CN109932904 A CN 109932904A
- Authority
- CN
- China
- Prior art keywords
- feature
- pivot
- data
- sample
- variable
- 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
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于特征选择与主元控制的异常状态监测与控制系统,包括:主元控制器和分别与之相连的特征选择模块、异常定位模块和实时监控模块,其中:特征选择模块将工业系统采集的数据特征进行筛选,选择出对异常状态与正常状态的识别影响最大的一组特征子空间,即重要特征,异常定位模块根据重要特征在工业系统的位置实现对异常状态的精确定位,实时监控模块根据重要特征的种类判断故障类型,主元控制器分别根据预设的理想输出数据进行反向主元计算得到理想主元、根据系统实时数据进行特征主元提取得到当前主元,通过计算两者差值得到当前需要增加的控制流,从而实现系统控制器的无控制参数操作。本发明可以自动跟踪设定好的理想数据输出,对系统的异常状态进行精确的定位、异常状态类型识别、理想状态的控制。
Description
技术领域
本发明涉及一种人工智能领域的技术,具体是一种基于特征选择与主元控制的异常状态监测与控制系统。
背景技术
信息系统、网络系统和工业系统在运行过程中会产生大量数据资源,能够由实时采集所得,同时能敏感地反应系统状态变化的信息被提取出来用于系统状态监测以及异常状态诊断,这些信息就称为特征。在系统的运行过程中,异常状态和特征之间不是一对一的关系,而很可能是发生一种异常状态会产生多种特征,或者是一个特征可能是由多种异常状态引起的。所以,在状态监测和异常状态诊断过程中,从原始信息中提取出能准确高效识别异常状态的特征子集是十分重要的。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于特征选择与主元控制的异常状态监测与控制系统,采用了基于数据驱动的方法进行异常定位与容错控制,采用分析数据挖掘的方法,不需要对系统的机理特性进行充分的了解,仅通过分析系统的数据的特征和润含的信息,选择对异常状态影响最大的变量特征,然后根据这些变量特征的实际位置对故障进行准确的定位。对于容错控制系统,不需要对控制系统进行参数整定,可以自动跟踪设定好的理想数据输出,对系统的异常状态进行精确的定位、异常状态类型识别、理想状态的控制。
本发明是通过以下技术方案实现的:
本发明包括:主元控制器和分别与之相连的特征选择模块、异常定位模块和实时监控模块,其中:特征选择模块将工业系统采集的数据特征进行筛选,选择出对异常状态与正常状态的识别影响最大的一组特征子空间,即重要特征,异常定位模块根据重要特征在工业系统的位置实现对异常状态的精确定位,实时监控模块根据重要特征的种类判断故障类型,主元控制器分别根据预设的理想输出数据进行反向主元计算得到理想主元、根据系统实时数据进行特征主元提取得到当前主元,通过计算两者差值得到当前需要增加的控制流,从而实现系统控制器的无控制参数操作,故障选择与故障定位完成的是故障定位的功能;实时监控模块实现的检测系统是否发生故障的功能;主元控制器实现的工业系统有故障情况下的容错控制。
所述的工业系统具有变量组X={x1,x2,…xn},利用状态空间来描述系统变量之间的关系为:其中:X包括状态变量和控制变量,从而不需要单独列出输入状态U。由于状态空间的表达形式不唯一,可以表示为许多X变量的组合的形式,因此,状态空间的形式可以通过线性变换来实现变化;该工业系统采用但不限于化工生产系统、电气系统等。
所述的数据特征是指:从工业系统运作时采样的并结构化的工业过程数据,采用但不限于各个传感器数据作为系统特征,结构化后的特征矩阵,每个特征与各个传感器一一对应,特征矩阵其中:nx是样本数目,采样时间为ts,nv是过程变量或特征的数目。
所述的选择是指:采用的变量组中每一个组内根据系统机理选择最佳的代表变量,组成的集合能够最大程度的重构原始空间,这些变量含有的异常状态信息也是最多的,完整地找到了这些异常状态特征的子集,在某些条件下可以实现了异常状态根源的定位:其中:XSelect是X的一个子集,具体数量不定,但特征数量小于等于X的特征数量。
所述的正常状态是指:工业系统平稳正常工作时的工业过程数据。
所述的异常状态是指:工业过程中由于系统内部故障,导致系统工作处于非正常状态。
所述的故障类型包括:故障类型包括工业过程中会出现的异常状态,例如燃料泄露、电线短路、机械故障等造成工业系统无法正常运行的状态集合。
所述的特征子空间是指:工业系统数据特征空间的子集。
所述的反向主元计算是指:输出数据主成分析到理想主元得到投影矩阵,使用该投影矩阵的逆与目标主元相乘可得到目标主元的反向主元矩阵。
所述的控制流是指:单个或者连续的控制指令。
所述的重要特征在工业系统的位置,包括物理位置和逻辑位置。
所述的筛选,包括对工业系统采集的原始数据结构化处理和标准化处理,具体为:工业系统或者工业系统的变量数据构成矩阵Xnx×nv。
为了包含更多的工业系统的信息,通过扩展特征并找出能够更好地描述每个过程状态的统计属性,该扩展特征将会被添加到每个过程样本的属性中,由此得到的新数据集的特征数目多于原始数据集X,但样本数不变。
当工业系统可以完全解耦时,则通过对矩阵A特征值分解,状态空间表达式变换为:
其中:其中Z=TX,变换矩阵为:
T=[P1 P2...Pn],λiPi-APi=0,状态特征方程的特征值λi(i=1,2,…,n)通常由下面的公式求得:|λI-A|=0,n阶系统方程有n个特征值。当A能够完整地表现为特征值沿着对角线的形式,说明系统变量之间没有耦合,通过线性变换可以实现完全解耦。但这种情况在现实中是非常少见的,因为系统本身的变量之间会存在很多的耦合关系。
当工业系统为不完全解耦时,有些矩阵的特征值分解只能转换为约当标准型,Λ为:其中:Λ是约当标准型,当线性定常系统的状态系数矩阵A具有重根,则可以通过奇异值变化为更普遍的约当标准型。很明显可以从公式中看出,同一个特征值对应的变量组直接无法完全解耦,也就是他们之间存在强烈的耦合关系,而不同组直接可以通过变化将变量组直接的耦合关系完全解除。
所述的精确定位,通过异常定位模块采用相似性度量的方法,对工业系统的变量排序进行处理,具体包括:
步骤1:根据系统机理,选择系统内部最重要的变量,编号为x1;
步骤2:计算每一个变量与x1的相似性度量;
所述的相似性度量采用皮尔逊相关系数或信息熵。
步骤3:按照与x1相似性度量从大到小排列x1…xnv,得到X={x1,x2,…,xnv}
步骤4:对X进行特征选择算法,得到去除冗余特征的X的子集Xselect,具体包括:
4.1设训练集D,样本抽样次数m,特征权重的阈值δ,Xselect初始值为空集,WA为第A个特征下的权重,初始值全为0。
4.2通过最邻近样本方式确定特征权重WA,具体步骤为:针对任一样本R,从本类样本和不同样本集中分别确定其对应的最邻近样本H和M,通过遍历每个特征下的所有样本循环计算WA’=WA-diff(A,R,H)/m+diff(A,R,M)/m,其中:diff(A,R,H)代表样本R与样本H在第A个特征下的差值,diff(A,R,M)代表样本R与样本M在第A个特征下的差值,从而得到特征权重WA。
4.3将特征权重WA大于阈值δ的特征加入到Xselect中。
步骤5:每个特征与各个传感器一一对应,可以定位分析Xselect各特征在系统中的位置,得到了异常的定位。
技术效果
与现有技术相比,本发明利用数据信息处理的方法,不需要对系统的机理特性进行充分的了解,仅通过分析系统的数据特征,就可以对系统的异常状态进行精确的定位、异常状态类型识别、理想状态的控制。
附图说明
图1为本发明的整体结构图;
图2为实施例特征选择示意图;
图3为实施例主元控制器。
具体实施方式
如图1所示,为本实施例涉及的一种基于特征选择与主元控制的异常状态监测与控制系统,包括:特征选择模块、异常定位模块、实时监控模块、主元控制器,其中:特征选择模块将工业系统采集的数据特征进行筛选,选择出对异常状态与正常状态的识别影响最大的一组特征子空间,这组特征子空间也被叫做重要特征;异常定位模块利用重要特征在工业系统实际的物理位置或者逻辑位置,就可以对异常状态进行精确的定位;实时监控模块对重要特征进行监控,根据重要特征的种类可以快速判断系统出现的故障类型;主元控制器利用设定的理想输出数据进行反向主元计算,根据当前主元与理想主元的差值计算出当前系统需要增加的控制流,从而实现系统控制器的无控制参数操作。本发明,利用数据信息处理的方法,不需要对系统的机理特性进行充分的了解,仅通过分析系统的数据特征,就可以对系统的异常状态进行精确的定位、异常状态类型识别、理想状态的控制。
如图2所示,所述的特征选择模块包括:历史数据库和特征选择算法,其中:历史数据库与系统相连并传输系统历史数据信息,特征选择算法与历史数据库相连并传输系统历史数据的重要特征。
所述的异常定位模块包括:特征选择单元和特征定位单元,其中:特征选择单元与系统数据相连并传输去除重复冗余特征的系统特征子集,特征定位单元与特征选择单元相连并传输最重要的特征,完成故障定位。
所述的实时监控模块包括:实时监控单元和重要特征单元,其中:实时监控单元与重要特征单元相连并传输工业系统的健康状况。
如图3所示,所述的主元控制器包括:当前主元单元、理想主元单元和控制器,其中:当前主元单元与完整特征空间相连并传输筛选出来的当前系统信息主元,理想主元单元与理想输出数据相连并输出理想主元信息,控制器与当前主元单元、理想主元单元相连并输出控制流。
所述的根据重要特征的种类判断故障类型是指:实时监控模块根据不同的异常状态选择的重要特征,进行重要特征样本的监控,当出现了重要特征组合发生异常,则认为发生了该重要特征组合相对应的异常类型,具体为:
步骤1:对于异常状态类型A(A可以取不同的值,代表不同的异常状态类型),其特征选择的特征子集为XSelectA;
步骤2:实时监控系统对整个系统的变量进行监控,并且能够检测出哪个变量发生了异常,当特征发生了异常则将该特征置1,得到异常的特征组合Xfault。
步骤3:比较Xfault与XSelectA的元素,当完全相同则认为发生了该类型的异常。
所述的当前需要增加的控制流,由主元控制器采用PCA主元分析方法,将X进行降维处理,然后进行主元空间内的变换,将理想状态数据对应的主元与当前状态对应的主元进行差值的构造,再利用主元差值对应的数据进行控制流的计算得到,具体包括:
i)数据标准化处理:多信息采集模块采集到本周期的系统工作状态:X1=(x1,x2...xn)T,将m个周期的状态写成状态矩阵形式:Xm=(X1,X2...Xn);将Xm归一化处理得到:其中:代表Xm的均值均值,σ代表Xm的标准差。
ii)协方差矩阵进行特征值分解:其中:
iii)取Λ的前k个主元作为分析元素,并取对应的前k个U矩阵的向量P=(u1,u2...uk)
iv)得到X的降维形式其中:T=XP;数据变量矩阵Xm,操作变量u,将这两个值存在一个矩阵X=[X|u]
v)对X进行主元分析,得到主元模型X=TPT+E,其中:T为主元得分值,P是主元负载荷,E为模型误差。通过对X进行主元分析,可以用一个为低维的主元空间来总结X的变化。数据矩阵X中的变化是由于操作变量的变化以及过程扰动所引起的。主元负荷给出了过程变量和操作变量变化的方向。
vi)设定的目标数据输出变量为Xq,利用主元回归,建立产品质量模型Xq=TθT+F,其中:θ为主元回归模型系数,F为模型误差。
vii)利用公式,将目标输出数据转化为主元设定值tsp=xqsp(θT)f,其中:tsp是主元得分的设定值,xqsp是数据质量设定值,(θT)f是θT的广义逆,t=xP,x为当前采用时刻的过程变量和操作变量x=[X|u]
viii)设Δt=tsp-t为主元设定值与当前时刻主元的误差。该主元误差可以映射到X空间ΔX=ΔtPT,即[ΔX|Δu]=ΔtPT,当主元模型正确时,上式中的Δu为操作变量的变化,即控制流。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (8)
1.一种基于特征选择与主元控制的异常状态监测与控制系统,其特征在于,包括:主元控制器和分别与之相连的特征选择模块、异常定位模块和实时监控模块,其中:特征选择模块将工业系统采集的数据特征进行筛选,选择出对异常状态与正常状态的识别影响最大的一组特征子空间,即重要特征,异常定位模块根据重要特征在工业系统的位置实现对异常状态的精确定位,实时监控模块根据重要特征的种类判断故障类型,主元控制器分别根据预设的理想输出数据进行反向主元计算得到理想主元、根据系统实时数据进行特征主元提取得到当前主元,通过计算两者差值得到当前需要增加的控制流,从而实现系统控制器的无控制参数操作;
所述的特征选择模块包括:历史数据库、特征选择算法,其中:历史数据库与系统相连并传输系统历史数据信息,特征选择算法与历史数据库相连并传输系统历史数据的重要特征;
所述的异常定位模块包括:特征选择单元与特征定位单元,其中:特征选择单元与系统数据相连并传输去除重复冗余特征的系统特征子集,特征定位单元与特征选择单元相连并传输最重要的特征,完成故障定位;
所述的实时监控模块包括:实时监控单元和重要特征单元,其中:实时监控单元与重要特征单元相连并传输工业系统的健康状况;
所述的主元控制器包括:当前主元单元、理想主元单元和控制器,其中:当前主元单元与完整特征空间相连并传输筛选出来的当前系统信息主元,理想主元单元与理想输出数据相连并输出理想主元信息,控制器与当前主元单元、理想主元单元相连并输出控制流。
2.根据权利要求1所述的系统,其特征是,所述的数据特征是指:从工业系统运作时采样的并结构化的工业过程数据,采用各个传感器数据作为系统特征,结构化后的特征矩阵,每个特征与各个传感器一一对应,特征矩阵其中:nx是样本数目,采样时间为ts,nv是过程变量或特征的数目。
3.根据权利要求1所述的系统,其特征是,当工业系统完全解耦时,则通过对矩阵A特征值分解,状态空间表达式变换为:其中:其中Z=TX,变换矩阵为:T=[P1 P2 ... Pn],λiPi-APi=0,状态特征方程的特征值λi(i=1,2,…,n)通常由下面的公式求得:|λI-A|=0,n阶系统方程有n个特征值;
当工业系统为不完全解耦时,有些矩阵的特征值分解只能转换为约当标准型,Λ为:
其中:Λ是约当标准型,当线性定常系统的状态系数矩阵A具有重根,则通过奇异值变化为更普遍的约当标准型。
4.根据权利要求1所述的系统,其特征是,所述的精确定位,通过异常定位模块采用相似性度量的方法,对工业系统的变量排序进行处理,具体包括:
步骤1:根据系统机理,选择系统内部最重要的变量,编号为x1;
步骤2:计算每一个变量与x1的相似性度量;
步骤3:按照与x1相似性度量从大到小排列x1…xnv,得到X={x1,x2,…,xnv};
步骤4:对X进行特征选择算法,得到去除冗余特征的X的子集Xselect;
步骤5:每个特征与各个传感器一一对应,定位分析Xselect各特征在系统中的位置,得到了异常的定位。
5.根据权利要求4所述的系统,其特征是,所述的步骤4,具体包括:
4.1设训练集D,样本抽样次数m,特征权重的阈值δ,Xselect初始值为空集,WA为第A个特征下的权重,初始值全为0;
4.2通过最邻近样本方式确定特征权重WA,具体步骤为:针对任一样本R,从本类样本和不同样本集中分别确定其对应的最邻近样本H和M,通过遍历每个特征下的所有样本循环计算WA’=WA-diff(A,R,H)/m+diff(A,R,M)/m,其中:diff(A,R,H)代表样本R与样本H在第A个特征下的差值,diff(A,R,M)代表样本R与样本M在第A个特征下的差值,从而得到特征权重WA;
4.3将特征权重WA大于阈值δ的特征加入到Xselect中。
6.根据权利要求1所述的系统,其特征是,所述的根据重要特征的种类判断故障类型是指:实时监控模块根据不同的异常状态选择的重要特征,进行重要特征样本的监控,当出现了重要特征组合发生异常,则认为发生了该重要特征组合相对应的异常类型,具体为:
步骤1:对于异常状态类型A,其特征选择的特征子集为XSelectA;
步骤2:实时监控系统对整个系统的变量进行监控,并且能够检测出哪个变量发生了异常,当特征发生了异常则将该特征置1,得到异常的特征组合Xfault;
步骤3:比较Xfault与XSelectA的元素,当完全相同则认为发生了该类型的异常。
7.根据权利要求1所述的系统,其特征是,所述的当前需要增加的控制流,由主元控制器采用PCA主元分析方法,将X进行降维处理,然后进行主元空间内的变换,将理想状态数据对应的主元与当前状态对应的主元进行差值的构造,再利用主元差值对应的数据进行控制流的计算得到。
8.根据权利要求7所述的系统,其特征是,所述的当前需要增加的控制流,具体通过以下方式得到:
i)数据标准化处理:多信息采集模块采集到本周期的系统工作状态:X1=(x1,x2...xn)T,将m个周期的状态写成状态矩阵形式:Xm=(X1,X2...Xn);将Xm归一化处理得到:其中:代表Xm的均值均值,σ代表Xm的标准差;
ii)协方差矩阵进行特征值分解:其中:
iii)取Λ的前k个主元作为分析元素,并取对应的前k个U矩阵的向量P=(u1,u2...uk);
iv)得到X的降维形式其中:T=XP;数据变量矩阵Xm,操作变量u,将这两个值存在一个矩阵X=[X|u];
v)对X进行主元分析,得到主元模型X=TPT+E,其中:T为主元得分值,P是主元负载荷,E为模型误差,通过对X进行主元分析,用一个为低维的主元空间来总结X的变化,数据矩阵X中的变化是由于操作变量的变化以及过程扰动所引起的,主元负荷给出了过程变量和操作变量变化的方向;
vi)设定的目标数据输出变量为Xq,利用主元回归,建立产品质量模型Xq=TθT+F,其中:θ为主元回归模型系数,F为模型误差;
vii)利用公式,将目标输出数据转化为主元设定值tsp=xqsp(θT)f,其中:tsp是主元得分的设定值,xqsp是数据质量设定值,(θT)f是θT的广义逆,t=xP,x为当前采用时刻的过程变量和操作变量x=[X|u];
viii)设Δt=tsp-t为主元设定值与当前时刻主元的误差,该主元误差映射到X空间ΔX=ΔtPT,即[ΔX|Δu]=ΔtPT,当主元模型正确时,上式中的Δu为操作变量的变化,即控制流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169116.0A CN109932904A (zh) | 2019-03-06 | 2019-03-06 | 基于特征选择与主元控制的异常状态监测与控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169116.0A CN109932904A (zh) | 2019-03-06 | 2019-03-06 | 基于特征选择与主元控制的异常状态监测与控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109932904A true CN109932904A (zh) | 2019-06-25 |
Family
ID=66986537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910169116.0A Pending CN109932904A (zh) | 2019-03-06 | 2019-03-06 | 基于特征选择与主元控制的异常状态监测与控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109932904A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及系统 |
CN112418577A (zh) * | 2019-08-22 | 2021-02-26 | 北京蓝星清洗有限公司 | 一种工业产品生产过程的可视化监控方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101169623A (zh) * | 2007-11-22 | 2008-04-30 | 东北大学 | 基于核主元分析贡献图的非线性过程故障辨识方法 |
CN102520614A (zh) * | 2011-09-20 | 2012-06-27 | 长沙理工大学 | 一种基于主元特征的工程机械负载模式判别方法 |
CN106597231A (zh) * | 2016-11-11 | 2017-04-26 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 |
CN107357167A (zh) * | 2017-05-27 | 2017-11-17 | 四川用联信息技术有限公司 | 基于主成分分析方法的制造过程质量异常的特征提取算法 |
-
2019
- 2019-03-06 CN CN201910169116.0A patent/CN109932904A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101169623A (zh) * | 2007-11-22 | 2008-04-30 | 东北大学 | 基于核主元分析贡献图的非线性过程故障辨识方法 |
CN102520614A (zh) * | 2011-09-20 | 2012-06-27 | 长沙理工大学 | 一种基于主元特征的工程机械负载模式判别方法 |
CN106597231A (zh) * | 2016-11-11 | 2017-04-26 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 |
CN107357167A (zh) * | 2017-05-27 | 2017-11-17 | 四川用联信息技术有限公司 | 基于主成分分析方法的制造过程质量异常的特征提取算法 |
Non-Patent Citations (4)
Title |
---|
吴静: "《常规主元分析故障诊断方法的改进及在线故障诊断的研究》", 《万方学位论文》 * |
徐金梧: "《冶金生产过程质量监控理论与方法》", 31 December 2015, 冶金工业出版社 * |
李智: "《基于主元分析的故障诊断方法研究及应用》", 《万方学位论文》 * |
薛峰等: "《基于PCA和TS在线辨识模型的GIS故障诊断方法》", 《计算机与数字工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及系统 |
CN112418577A (zh) * | 2019-08-22 | 2021-02-26 | 北京蓝星清洗有限公司 | 一种工业产品生产过程的可视化监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data | |
Chiang et al. | Fault detection and diagnosis in industrial systems | |
US8352216B2 (en) | System and method for advanced condition monitoring of an asset system | |
US7756678B2 (en) | System and method for advanced condition monitoring of an asset system | |
AU2002246994B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
US7539597B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
EP1360557B1 (en) | Adaptive modelling of changed states in predictive condition monitoring | |
US8144005B2 (en) | System and method for advanced condition monitoring of an asset system | |
CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
CN101446831B (zh) | 一种分散的过程监测方法 | |
US20020128731A1 (en) | Global state change indicator for empirical modeling in condition based monitoring | |
CN100461044C (zh) | 一种丙烯聚合生产中熔融指数检测的故障诊断系统及方法 | |
Zhu et al. | Two-dimensional contribution map for fault identification [focus on education] | |
AU2002246994A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN111580506A (zh) | 基于信息融合的工业过程故障诊断方法 | |
CN108375965A (zh) | 一种基于多变量块交叉相关性剔除的非高斯过程监测方法 | |
CN109675935A (zh) | 一种变控制限的ipca轧制过程在线故障诊断方法 | |
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 | |
CN109871002A (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
CN109932904A (zh) | 基于特征选择与主元控制的异常状态监测与控制系统 | |
Weerasinghe et al. | Neural networks for fault diagnosis of a nuclear fuel processing plant at different operating points | |
CN109901476A (zh) | 一种基于多变量数据段相似性的异常工况监控方法及系统 | |
Guo et al. | Deep learning technique for process fault detection and diagnosis in the presence of incomplete data | |
CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |
|
RJ01 | Rejection of invention patent application after publication |