CN109933040B - 基于层次密度峰值聚类和最相似模态的故障监测方法 - Google Patents
基于层次密度峰值聚类和最相似模态的故障监测方法 Download PDFInfo
- Publication number
- CN109933040B CN109933040B CN201711365157.4A CN201711365157A CN109933040B CN 109933040 B CN109933040 B CN 109933040B CN 201711365157 A CN201711365157 A CN 201711365157A CN 109933040 B CN109933040 B CN 109933040B
- Authority
- CN
- China
- Prior art keywords
- fault monitoring
- hierarchical
- data
- industrial process
- modal
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 8
- 230000002087 whitening effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000010197 meta-analysis Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 229930182555 Penicillin Natural products 0.000 description 2
- 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 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000855 fermentation Methods 0.000 description 2
- 230000004151 fermentation Effects 0.000 description 2
- 229940049954 penicillin Drugs 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于层次密度峰值聚类和最相似模态的故障监测方法，对工业过程历史正常数据进行模态划分，获取层次模态信息；利用层次模态信息对工业过程历史正常数据建立故障监测模型；将待监测的工业过程数据，得到最相似模态，输入到所述故障监测模型，进行故障监测。本发明利用已有的工业数据资源，考虑了复杂工业过程的多模态性和多模态动态性和不确定性，克服现有多模态故障监测方法依赖先验的模态信息，采用固定的模态划分及模型等局限，这对于及时发现工业过程的异常工况、保证生产安全、提高产品质量具有重要意义。
Description
技术领域
本发明涉及故障监测与诊断技术领域，具体地说是一种基于层次密度峰值聚类和最相似模态的故障监测方法。
背景技术
故障监测的目的是及时发现工业过程的异常工况、保证生产安全、提高产品质量。工业过程的操作条件通常因原材料，制造参数，产品规格等因素的改变而改变，从而产生多种操作模态。不同的模态具有相似的，各自特定的特性及持续时间。一个模态被定义为具有相似统计特性和一定持续时间的过程。此外，两个相邻的模态间还可能存在逐渐改变的过渡过程。因此，研究有效可行的多模态过程故障监测方法具有重要意义。
多元统计故障监测方法如主成分分析，偏最小二乘引起了广泛关注。然而，工业过程具有动态，非线性和多模态特性，因此传统的多元统计故障监测方法无法直接用于监测实际工业过程。因此，应该研究更好的多模态过程故障监测方法。目前，在现有的多模态过程故障监测算法中，针对不同模态建立局部模型的多模型方法未考虑模态间的全局相关性，影响故障监测的准确性；很多方法根据模态先验知识进行模态划分或采用固定的模态划分及模型，未考虑多模态动态性和不确定性，采用这些方法对实际工业过程进行故障监测时适应性低。
密度峰值聚类是一种用于识别任意形状类簇的基于密度的聚类算法。在故障监测中，基于层次密度峰值聚类的模态划分方法可以获取复杂工业过程的层次模态信息，不需要模态先验知识。因而，采用层次模态信息建立故障监测模型是很有意义的。
发明内容
针对现有技术的不足，本发明提供一种基于层次密度峰值聚类和最相似模态的故障监测方法，考虑了复杂工业过程的多模态性和多模态动态性和不确定性，克服现有多模态故障监测方法依赖先验模态信息的问题。
本发明为实现上述目的所采用的技术方案是：
一种基于层次密度峰值聚类和最相似模态的故障监测方法，包括以下步骤：
步骤1：对工业过程历史正常数据进行模态划分，获取层次模态信息；
步骤2：利用层次模态信息对工业过程历史正常数据建立故障监测模型；
步骤3：将待监测的工业过程数据，得到最相似模态，输入到所述故障监测模型，进行故障监测。
所述模态划分包括以下过程：
步骤1：搜集工业过程历史正常数据并对其进行标准化处理；
步骤2：对标准化处理后数据进行层次密度峰值聚类，得到初始层次模态信息；
步骤3：根据模态连续特性调整初始层次模态信息，得到层次模态信息。
所述层次密度峰值聚类包括以下过程：
步骤1：计算标准化处理后数据X＝{x1,x2,…,xN}各数据点之间的测地距离dgeo(xi,xj)；
步骤2：选取不同的百分比参数P，得到截止距离
计算公共近邻个数CNN(xi,xj)，获取混合测地距离dhybgeo(xi,xj)；
步骤3：计算标准化处理后数据各数据点之间的局部密度
和最小距离
步骤4：人工观察选取不同的截止距离
对应的局部密度和最小距离均比一般数据点的局部密度和最小距离大且具有离群特性的数据点为类簇中心，将剩余非中心点划入比其局部密度高的数据点中距离最近数据点的类簇中，得到层次密度峰值聚类结果。
所述计算公共近邻个数CNN(xi,xj)，是通过以下公式得到：
所述截止距离，是通过以下公式得到：
其中，
为截止距离，D是标准化处理后数据各数据点之间的测地距离的集合，N为数据点的个数，
的下标，P为百分比参数，取值范围为0.1-5；
所述混合测地距离dhybgeo(xi,xj)，是通过以下公式得到：
所述局部密度
是通过以下公式得到：
所述最小距离
是通过以下公式得到：
其中，dgeo(xi,xj)为各数据点之间的测地距离；
所述根据模态连续特性调整初始层次模态信息，是采用最小模态长度tmin，取值范围为3-10个采样间隔，调整初始层次模态信息，通过将小于tmin的模态数据点调整到最近的模态实现。
所述建立故障监测模型包括以下过程：利用层次模态信息，基于独立元分析建立故障监测模型，得到故障监测置信限。
所述基于独立元分析建立故障监测模型包括以下过程：
1)计算协方差矩阵C(X)；
2)利用SVD分解C(X)＝UΛUT，计算协方差矩阵C(X)的特征值对角矩阵Λ和特征向量矩阵U；
3)计算白化矩阵Q＝Λ-1/2UT；
4)得到白化变换矩阵Z＝QX；
5)计算正交矩阵B；
6)计算预测的独立元矩阵S＝BTZ；
7)计算低维解混矩阵W＝BTQ；
8)计算故障监测I2＝sTs统计量和
统计量，其中
x表示X＝{x1,x2,…,xN}的一个数据点。
所述计算正交矩阵B包括以下过程：
步骤1：选择估计独立元的个数d(一般保留累计贡献率为0.85-0.95的独立元)，设置迭代次数i←1；
步骤2：以单位模向量给随机向量bi赋初值；
步骤3：令bi←E{zg(bi Tz)}-E{g′(bi Tz)}bi，其中g和g′分别为G＝tanh()的一阶导数和二阶导数；
步骤4：通过正交化来去除相关性，
步骤5：归一化，
步骤6：假如bi没有收敛，返回步骤3；
步骤7：如果bi收敛，输出向量bi；
步骤8：若i≤m，则设定i←i+1且返回步骤2。
所述得到故障监测置信限包括以下过程：
1)计算全局故障监测置信限
其中α表示置信水平，取值为α＝1％，d为选择估计独立元的个数，N为数据点的个数，Fd,N-d,α为置信水平为α的自由度为d和N-d的F分布临界值；
2)计算局部故障监测置信限
其中mi为层次模态信息，gmi＝Smi/2μmi,
μmi和Smi为层次模态信息为mi的SPE统计量的均值和方差。
所述将待监测的工业过程数据，得到最相似模态，输入到所述故障监测模型，进行故障监测包括以下过程：
1)得到待监测的标准化后工业过程数据xnew的最相似模态；
2)得到xnew的统计量
和
3)如果xnew在最相似模态的I2或SPE统计量大于对应的故障监测置信限，则判定工业过程发生故障，否则为无故障。
所述得到待监测的标准化后工业过程数据的最相似模态，是通过以下公式得到：
其中，
为待监测的工业过程数据在层次模态信息中各个模态的局部密度，
为待监测的工业过程数据点与层次模态信息为mi的类簇中心的距离。
本发明具有以下有益效果及优点：
本发明通过将层次密度峰值聚类，独立元分析和最相似模态结合，先利用基于层次密度峰值聚类的模态划分方法获取多模态工业过程的层次模态信息，再利用层次模态信息建立故障监测模型，最后利用最相似模态进行故障监测，考虑了多模态动态性和不确定性，克服现有故障监测方法依赖先验的模态信息，采用固定的模态划分及模型等局限，这对于及时发现工业过程的异常工况、保证生产安全、提高产品质量具有重要意义。
附图说明
图1是本发明的方法流程图。
图2是本发明的层次密度峰值聚类人工观察步骤示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示为本发明的方法流程图。
基于层次密度峰值聚类和最相似模态的故障监测方法，搜集工业过程数据，在得到层次模态信息后，利用独立元分析与最相似模态进行故障监测。
本发明的具体步骤如下：
步骤1：搜集青霉素发酵过程历史正常数据，包括通风率，搅拌器功率，底物加料速度，反应产生的热量，培养基体积，二氧化碳浓度，PH值，温度，溶氧饱和度，并对其进行标准化处理，处理后的数据各变量均值为0，方差为1；
步骤2：计算标准化处理后数据X＝{x1,x2,…,xN}各数据点之间的测地距离dgeo(xi,xj)，测地距离能比欧氏距离更能反映数据的真实结构；
步骤3：选取不同的百分比参数P(取值范围为0.1-5)，得到截止距离
D是标准化处理后数据各数据点之间的测地距离的集合，N为数据点的个数，
为
的下标，计算公共近邻个数CNN(xi,xj)和混合测地距离dhybgeo(xi,xj)，公共近邻反映数据点间的局部距离特性，能更好地区分相同类簇与不同类簇的数据点，公式如下：
步骤4：计算各数据点之间的局部密度
和最小距离
不同的截止距离计算得到的局部密度和最小距离也不同，公式如下：
步骤5：人工观察选取不同的截止距离
对应的类簇中心，对于一个数据点，与其距离小于截止距离
的数据点越多，局部密度越大，因此类簇中心点的局部密度为最大值或局部最大值，此外，类簇中心点与比其局部密度大的数据点的最小距离为最大值或局部最大值，如图2所示为本发明的层次密度峰值聚类人工观察步骤示意图，横轴为局部密度，纵轴为最小距离，“*”标记的两个数据点的局部密度和最小距离均比其余数据点大且具有离群特性，通过人工观察被选取为类簇中心，将剩余非中心点划入比其局部密度高的数据点中距离最近数据点的类簇中。其它截止距离
对应的密度峰值聚类结果也可按此过程获取，最终得到层次密度峰值聚类结果，即青霉素发酵过程通过层次密度峰值聚类可划分为2-6个模态(P＝[0.1,0.2,0.25,0.3,1.0])。
步骤6：根据模态连续特性最小模态长度tmin＝3调整初始层次模态信息，将小于tmin的模态数据点调整到最近的模态，得到层次模态信息，对实际多模态工业过程，模态先验知识是不完备的且具有不确定性，层次模态信息可以从多模态工业过程数据中提取更多可用于过程建模的信息，并改善故障监测方法对多模态不确定性的适应性；
步骤7：计算协方差矩阵C(X)，利用SVD分解C(X)＝UΛUT计算协方差矩阵C(X)的特征值对角矩阵Λ和特征向量矩阵U；
步骤8：计算白化矩阵Q＝Λ-1/2UT，得到白化变换矩阵Z＝QX；
步骤9：计算正交矩阵B，过程如下：
1)选择估计独立元的个数d(一般保留累计贡献率为0.85-0.95的独立元)，设置迭代次数i←1；
2)以单位模向量给随机向量bi赋初值；
3)令bi←E{zg(bi Tz)}-E{g′(bi Tz)}bi，其中g和g′分别为G＝tanh()的一阶导数和二阶导数；
4)通过正交化来去除相关性，
5)归一化，
6)假如bi没有收敛，返回步骤(3)；
7)如果bi收敛，输出向量bi；
8)若i≤m，则设定i←i+1且返回步骤(2)。
步骤10：计算预测的独立元矩阵S＝BTZ和低维解混矩阵W＝BTQ，故障监测I2＝sTs统计量和
统计量，其中
x表示X＝{x1,x2,…,xN}的一个数据点；
步骤11：置信水平α＝1％，计算全局故障监测置信限
计算局部故障监测置信限
其中mi为层次模态信息，gmi＝Smi/2μmi,
μmi和Smi为层次模态信息为mi的SPE统计量的均值和方差，不同的层次模态对应相同的全局故障监测置信限和不同的局部故障监测置信限，考虑了多模态工业过程的全局相似性和局部非相似性；
步骤11：得到待监测的标准化后工业过程数据xnew的最相似模态，公式如下：
其中，
和
为待监测的工业过程数据在层次模态信息中各个模态的局部密度和与其类簇中心的距离，基于静态模态信息的故障监测可能会影响性能，动态确定待监测的工业过程数据的最相似模态能改善故障监测方法对多模态动态性的适应性；
步骤12：得到xnew的统计量
和
步骤13：如果xnew在最相似模态的I2或SPE统计量大于对应的故障监测置信限，则判定工业过程发生故障，否则为无故障。
Claims (6)
1.一种基于层次密度峰值聚类和最相似模态的故障监测方法，其特征在于：包括以下步骤：
步骤1：对工业过程历史正常数据进行模态划分，获取层次模态信息；
步骤2：利用层次模态信息对工业过程历史正常数据建立故障监测模型；
所述模态划分包括以下过程：
步骤1)：搜集工业过程历史正常数据并对其进行标准化处理；
步骤2)：对标准化处理后数据进行层次密度峰值聚类，得到初始层次模态信息；
步骤3)：根据模态连续特性调整初始层次模态信息，得到层次模态信息；
所述层次密度峰值聚类包括以下过程：
步骤①：计算标准化处理后数据X＝{x1,x2,…,xN}各数据点之间的测地距离dgeo(xi,xj)；
步骤②：选取不同的百分比参数P，得到截止距离
计算公共近邻个数CNN(xi,xj)，获取混合测地距离dhybgeo(xi,xj)；
步骤③：计算标准化处理后数据各数据点之间的局部密度
和最小距离
步骤④：人工观察选取不同的截止距离
对应的局部密度和最小距离均比一般数据点的局部密度和最小距离大且具有离群特性的数据点为类簇中心，将剩余非中心点划入比其局部密度高的数据点中距离最近数据点的类簇中，得到层次密度峰值聚类结果；
所述计算公共近邻个数CNN(xi,xj)，是通过以下公式得到：
所述截止距离，是通过以下公式得到：
其中，
为截止距离，D是标准化处理后数据各数据点之间的测地距离的集合，
为
的下标，p 为百分比参数，取值范围为0.1-5，Nd为测地距离值的个数；
所述混合测地距离dhybgeo(xi,xj)，是通过以下公式得到：
所述局部密度
是通过以下公式得到：
所述最小距离
是通过以下公式得到：
其中，dhygeo(xi,xj)为各数据点之间的测地距离；
为对应百分比参数的标准化处理后的各数据点之间的截止距离；
步骤3：将待监测的工业过程数据，得到最相似模态，输入到所述故障监测模型，进行故障监测；
所述建立故障监测模型包括以下过程：利用层次模态信息，基于独立元分析建立故障监测模型，得到故障监测置信限；
所述基于独立元分析建立故障监测模型包括以下过程：
1)计算协方差矩阵C(X)；
2)利用SVD分解C(X)＝UΛUT，计算协方差矩阵C(X)的特征值对角矩阵Λ和特征向量矩阵U；
3)计算白化矩阵Q＝Λ-1/2UT；
4)得到白化变换矩阵Z＝QX；
5)计算正交矩阵B；
6)计算预测的独立元矩阵S＝BTZ；
7)计算低维解混矩阵W＝BTQ；
8)计算故障监测I2＝STS统计量和
统计量，其中
x表示X＝{x1,x2,…,xN}的一个数据点。
2.根据权利要求1所述的基于层次密度峰值聚类和最相似模态的故障监测方法，其特征在于：所述根据模态连续特性调整初始层次模态信息，是采用最小模态长度tmin，取值范围为3-10个采样间隔，调整初始层次模态信息，通过将小于tmin的模态数据点调整到最近的模态实现。
3.根据权利要求1所述的基于层次密度峰值聚类和最相似模态的故障监测方法，其特征在于：所述计算正交矩阵B包括以下过程：
步骤a：选择估计独立元的个数d，设置迭代次数i←1；
步骤b：以单位模向量给随机向量bi赋初值；
步骤c：令bi←E{zg(bi Tz)}-E{g′(bi Tz)}bi，其中g和g′分别为G＝tanh()的一阶导数和二阶导数；
步骤d：通过正交化来去除相关性，
步骤e：归一化，
步骤f：假如bi没有收敛，返回步骤3；
步骤g：如果bi收敛，输出向量bi；
步骤h：若i≤m，则设定i←i+1且返回步骤2。
4.根据权利要求1所述的基于层次密度峰值聚类和最相似模态的故障监测方法，其特征在于：所述得到故障监测置信限包括以下过程：
1)计算全局故障监测置信限
其中α表示置信水平，取值为α＝1％，d为选择估计独立元的个数，N为数据点的个数，Fd,N-d,α为置信水平为α的自由度为d和N-d的F分布临界值；
2)计算局部故障监测置信限
其中mi为层次模态信息，gmi＝Smi/2μmi,
μmi和Smi为层次模态信息为mi的SPE统计量的均值和方差。
5.根据权利要求1所述的基于层次密度峰值聚类和最相似模态的故障监测方法，其特征在于：所述将待监测的工业过程数据，得到最相似模态，输入到所述故障监测模型，进行故障监测包括以下过程：
1)得到待监测的标准化后工业过程数据xnew的最相似模态；
2)得到xnew的统计量
和
其中，Snew为xnew的独立元；
3)如果xnew在最相似模态的I2或SPE统计量大于对应的故障监测置信限，则判定工业过程发生故障，否则为无故障。
6.根据权利要求5所述的基于层次密度峰值聚类和最相似模态的故障监测方法，其特征在于：所述得到待监测的标准化后工业过程数据的最相似模态，是通过以下公式得到：
其中，
为待监测的工业过程数据在层次模态信息中各个模态的局部密度，
为待监测的工业过程数据点与层次模态信息为mi的类簇中心的距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711365157.4A CN109933040B (zh) | 2017-12-18 | 2017-12-18 | 基于层次密度峰值聚类和最相似模态的故障监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711365157.4A CN109933040B (zh) | 2017-12-18 | 2017-12-18 | 基于层次密度峰值聚类和最相似模态的故障监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109933040A CN109933040A (zh) | 2019-06-25 |
| CN109933040B true CN109933040B (zh) | 2020-08-07 |
Family
ID=66982544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711365157.4A Active CN109933040B (zh) | 2017-12-18 | 2017-12-18 | 基于层次密度峰值聚类和最相似模态的故障监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109933040B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112817291B (zh) * | 2019-11-15 | 2022-03-08 | 中国科学院沈阳自动化研究所 | 基于混合特性评价和子空间分解的层次故障监测方法 |
| CN110940518B (zh) * | 2019-11-27 | 2021-08-24 | 中北大学 | 一种基于故障数据的航天传动机构分析方法 |
| CN111985731B (zh) * | 2020-09-09 | 2021-09-07 | 中国科学院自动化研究所 | 城市公共交通站点人数的预测方法及系统 |
| CN112199829B (zh) * | 2020-09-27 | 2022-06-24 | 浙江大学 | 基于密度峰值聚类和即时学习的多工况多阶段批次过程监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484600A (zh) * | 2014-11-18 | 2015-04-01 | 中国科学院深圳先进技术研究院 | 一种基于改进密度聚类的入侵检测方法及装置 |
| CN105894027A (zh) * | 2016-03-31 | 2016-08-24 | 华北电力科学研究院有限责任公司 | 基于密度聚类的主元关联度传感器故障检测方法及装置 |
| CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
| CN106203474A (zh) * | 2016-06-27 | 2016-12-07 | 东北大学 | 一种基于密度值动态变化的流数据聚类方法 |
| CN106777984A (zh) * | 2016-12-19 | 2017-05-31 | 福州大学 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8019584B2 (en) * | 2006-07-31 | 2011-09-13 | Nec Laboratories America, Inc. | Method and system for modeling likely invariants in distributed systems |
-
2017
- 2017-12-18 CN CN201711365157.4A patent/CN109933040B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484600A (zh) * | 2014-11-18 | 2015-04-01 | 中国科学院深圳先进技术研究院 | 一种基于改进密度聚类的入侵检测方法及装置 |
| CN105894027A (zh) * | 2016-03-31 | 2016-08-24 | 华北电力科学研究院有限责任公司 | 基于密度聚类的主元关联度传感器故障检测方法及装置 |
| CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
| CN106203474A (zh) * | 2016-06-27 | 2016-12-07 | 东北大学 | 一种基于密度值动态变化的流数据聚类方法 |
| CN106777984A (zh) * | 2016-12-19 | 2017-05-31 | 福州大学 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109933040A (zh) | 2019-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109933040B (zh) | 基于层次密度峰值聚类和最相似模态的故障监测方法 | |
| Huang et al. | A projective and discriminative dictionary learning for high-dimensional process monitoring with industrial applications | |
| Li et al. | Data-driven bearing fault identification using improved hidden Markov model and self-organizing map | |
| CN108590982B (zh) | 一种风电机组限功率运行的异常数据处理方法 | |
| CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
| Schaub et al. | Blind identification of stochastic block models from dynamical observations | |
| CN109858572A (zh) | 一种用于污水异常检测的改进型层次聚类方法 | |
| CN110046377B (zh) | 一种基于异构相似度的选择性集成即时学习软测量建模方法 | |
| CN108181894B (zh) | 一种基于修剪独立元回归策略的非高斯过程监测方法 | |
| Yin et al. | Dynamic real–time abnormal energy consumption detection and energy efficiency optimization analysis considering uncertainty | |
| CN111178602A (zh) | 基于支持向量机和神经网络的循环水损失预测方法 | |
| CN116611478A (zh) | 一种基于深度阈值生成对抗网络的工业过程数据增强方法 | |
| Yu et al. | Acoustic emission signal classification based on support vector machine | |
| Yang et al. | Generative adversarial network based anomaly detection on the benchmark Tennessee Eastman process | |
| 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 | |
| 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 | |
| Huang et al. | A federated dictionary learning method for process monitoring with industrial applications | |
| CN113568386B (zh) | 一种基于区间估计的火电机组全工况大数据分析方法 | |
| CN113591078B (zh) | 基于卷积神经网络架构优化的工控入侵检测系统及方法 | |
| 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 | |
| Angelova et al. | Modified simple genetic algorithms improving convergence time for the purposes of fermentation process parameter identification | |
| Liu et al. | Siamese DeNPE network framework for fault detection of batch process | |
| Li et al. | Variable moving windows based non‐Gaussian dissimilarity analysis technique for batch processes fault detection and diagnosis | |
| Zhu et al. | Source-free cluster adaptation for privacy-preserving machinery fault diagnosis | |
| CN105590167A (zh) | 电场多元运行数据分析方法及装置 |
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 |