CN110045714B - 一种基于权重近邻规则的工业过程监控方法 - Google Patents

一种基于权重近邻规则的工业过程监控方法 Download PDF

Info

Publication number
CN110045714B
CN110045714B CN201910275584.6A CN201910275584A CN110045714B CN 110045714 B CN110045714 B CN 110045714B CN 201910275584 A CN201910275584 A CN 201910275584A CN 110045714 B CN110045714 B CN 110045714B
Authority
CN
China
Prior art keywords
sample
neighbor
distance
monitoring
weight
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
Application number
CN201910275584.6A
Other languages
English (en)
Other versions
CN110045714A (zh
Inventor
冯立伟
谢彦红
李元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University of Chemical Technology
Original Assignee
Shenyang University of Chemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang University of Chemical Technology filed Critical Shenyang University of Chemical Technology
Priority to CN201910275584.6A priority Critical patent/CN110045714B/zh
Publication of CN110045714A publication Critical patent/CN110045714A/zh
Application granted granted Critical
Publication of CN110045714B publication Critical patent/CN110045714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种基于权重近邻规则的工业过程监控方法，涉及一种工业过程监控方法，所述采集正常生产的监控数据作为训练数据，对在训练数据集中，寻找每个样本的前k近邻样本，并计算其到k近邻样本的距离，以训练样本的第k近邻的局部近邻平均距离倒数为权重，构建加权距离D，最后计算每个样本到其k近邻样本的加权距离的平方和作为监控指标，通过训练样本的统计量使用核密度估计方法确定统计量的控制限；使用此监控指标对在线生产过程进行监控，当在线新样本的监控指标大于控制限，则其为故障；否则为正常；该方法使用近邻距离作为权重的近邻规则技术对工业和制药生产过程进行监控和故障诊断，尤其适用于工业生产过程和制药生产过程的监控。

Description

一种基于权重近邻规则的工业过程监控方法
技术领域
本发明涉及一种工业过程监控方法，特别是涉及一种基于权重近邻规则的工业过程监控方法。
背景技术
现代工业中，产品生产广泛采用间歇生产过程。间歇生产过程具有批次不等长、多工序、分布非高斯等特点。为保证生产质量和提高生产效率，间歇过程的故障检测方法逐渐成为研究热点。多元统计控制通过主元分析(Principal Component Analysis, PCA)应用T2和SPE统计量进行故障检测，该方法在间歇过程中已经得到广泛应用[1-8]。同时PCA方法也是数据压缩和信息提取的有效工具[9] ,但其在具有多工序、分布非高斯、非线性、多模态等特点间歇生产过程中应用是相对困难的。针对非线性问题，出现了核主元分析方法(Kernel Principal Component Analysis, kPCA) [10-11]。kPCA对多工况下的故障检测仍然存在困难。
针对间歇过程的非线性和多工况等特征，He等提出了基于k近邻(k NearestNeighbor， kNN)的故障检测方法，并成功应用在半导体蚀刻工艺过程中[12]。kNN方法通过局部距离信息统计，能够有效降低非线性和多工况的影响，提高过程故障检测效率。但是该方法由于需要频繁计算高维样本间距离，增大了系统的计算负载和存储负担。随后，He等提出PCA和kNN相结合的故障检测方法（PC-kNN）[13]。PC-kNN方法能够有效降低距离计算的复杂度，提高系统监控的及时性。此外还有大量的有关kNN改进算法被用于故障监视。如将kNN与扩散映射相结合的故障监视[14]；基于在线升级主样本建模的批次过程kNN故障检测方法[15]；基于GMM的马氏距离kNN故障检测[16]等等。此类方法都没有考虑工况结构差异明显的问题。
多工况间歇过程中，除工况中心不同外，其各工况结构特征相似时，PC-kNN能够给出较好的监控结果。但是针对工况方差差异明显时，PC-kNN的监控性能明显降低。方差差异制约系统控制限的确定， kNN的控制限往往被方差大的工况所决定。当故障点分布在方差小的工况附近，但已经偏离正常轨迹，此时kNN检测结果出现误报。针对多工况数据特征，本文提出一种基于PC-wkNN (principal component and weighted k Nearest Neighbor)故障检测方法。在主元空间以训练样本的第k近邻与其局部近邻平均距离倒数为权重，构建加权距离统计量D，根据t分布确定统计量D的控制限。加权距离D可以有效降低工况中心漂移和方差差异明显的影响，提高间歇过程故障检测效率。本文通过两个模拟实例及青霉素发酵仿真实验，将PC-wkNN与PCA、FD-kNN、PC-kNN方法作比较分析,进一步证明了本文方法的有效性。
［1］ Wise B M, Gallagher N B, Butler S W, et al. A comparison ofprincipal component analysis, multiway principal component analysis,trilinear decomposition and parallel factor analysis for fault detection in asemiconductor etch process[J].Journal of Chemometrics, 1999, 13(3-4):379-396
［2］ Cherry G A, Qin S J. Multiblock Principal Component AnalysisBased on a Combined Index for Semiconductor Fault Detection and Diagnosis[J].IEEE Transactions on Semiconductor Manufacturing, 2006, 19(2):159-172.
［3］ Ge Z, Song Z. Semiconductor Manufacturing Process MonitoringBased on Adaptive Substatistical PCA[J]. IEEE Transactions on SemiconductorManufacturing, 2010, 23(1):99-108.
［4］ Cheng Z, Yuan L. Study on the fault-detection method in batchprocess based on statistical pattern analysis [J].Chinese Journal ofScientific Instrument, 2013, 34(9):2103-2110
［5］ Sang W C, Lee C, Lee J M, et al. Fault detection andidentification of nonlinear processes based on kernel PCA[J]. Chemometrics &Intelligent Laboratory Systems, 2005, 75(1):55-67.
［6］ Ge Z, Yang C, Song Z. Improved kernel PCA-based monitoringapproach for nonlinear processes[J]. Chemical Engineering Science, 2009, 64(9):2245-2255.
［7］ Ge Z, Song Z. Mixture Bayesian regularization method of PPCA formultimode process monitoring[J]. AIChE Journal, 2010, 56(11):2838–2849.
［8］ Zhao C, Yao Y, Gao F, et al. Statistical analysis and onlinemonitoring for multimode processes with between-mode transitions[J]. ChemicalEngineering Science, 2010, 65(22):5961-5975.
［9］ Freeman J. A User’s Guide to Principal Components [M]. Wiley-Interscience, 2003:641-641.
[ 10 ] Alcala C F, Qin S J. Reconstruction-Based Contribution forProcess Monitoring with Kernel Principal Component Analysis[J]. 2010, 49(17):7022-7027.
[ 11 ] Jia M, Chu F, Wang F, et al. On-line batch process monitoringusing batch dynamic kernel principal component analysis[J]. Chemometrics &Intelligent Laboratory Systems, 2010, 101(2):110-122.
［12］ He Q P, Wang J. Fault Detection Using the k-Nearest NeighborRule for Semiconductor Manufacturing Processes[J].IEEE Transactions onSemiconductor Manufacturing, 2007, 20(4):345-354
［13］ He Q P, Wang J. Principal Component based k-nearest-neighborrule for semiconductor process fault detection[C]// Proceedings of theAmerican Control Conference. 2008:1606-1611.
［14］ 李元, 刘亚东, 张成.扩散映射K近邻在工业过程故障检测中的应用[J].辽宁工程技术大学学报, 2015, 34(12):1370-1376.
［15］郭金玉, 陈海彬, 李元.基于在线升级主样本建模的批次过程故障检测方法[J].信息与控制, 2014, 43(4):495-500.
［16］张成, 李秀玉, 逄玉俊,等. 基于GMM的马氏距离kNN故障检测方法研究[J].测控技术, 2014, 33(9):13-17.
［17］ 刘毅, 王海清. Pensim仿真平台在青霉素发酵过程的应用研究[J].系统仿真学报, 2006, 18(12):3524-3527
［18］ Ng Y S, Srinivasan R. An adjoined multi-model approach formonitoring batch and transient operations [J].Computers & ChemicalEngineering, 2009, 33(4):887-900
［19］ 张成, 李元. 基于统计模量分析间歇过程故障检测方法研究[J]. 仪器仪表学报, 2013, 34(9):2103-2110.。
发明内容
本发明的目的在于提供一种基于权重近邻规则的工业过程监控方法，该方法使用近邻距离作为权重的近邻规则技术对工业和制药生产过程进行监控和故障诊断，尤其适用于工业生产过程和制药生产过程的监控。
本发明的目的是通过以下技术方案实现的：
一种基于权重近邻规则的工业过程监控方法，所述方法包括以下制备过程：
首先采集正常生产的监控数据作为训练数据，对在训练数据集中，寻找每个样本的前k近邻样本，并计算其到k近邻样本的距离，以训练样本的第k近邻的局部近邻平均距离倒数为权重，构建加权距离D，最后计算每个样本到其k近邻样本的加权距离的平方和作为监控指标，通过训练样本的统计量使用核密度估计方法确定统计量的控制限；使用此监控指标对在线生产过程进行监控，当在线新样本的监控指标大于控制限，则其为故障；否则为正常；
基于权重近邻规则的工业过程监控步骤：
a离线建模
1）使用PCA把训练数据
Figure 184093DEST_PATH_IMAGE001
降维到
Figure 100002_DEST_PATH_IMAGE002
维主元空间，得到
Figure 419902DEST_PATH_IMAGE001
的得分矩阵
Figure 243632DEST_PATH_IMAGE003
和负载
Figure 100002_DEST_PATH_IMAGE004
；
2）根据公式（2）计算样本的加权距离
Figure 273905DEST_PATH_IMAGE005
；
3）根据
Figure 100002_DEST_PATH_IMAGE006
分布及相关统计知识，确定检测模型的控制限
Figure 183087DEST_PATH_IMAGE007
；
b在线检测
1）使用PCA计算待检测样本
Figure 100002_DEST_PATH_IMAGE008
在主元空间的得分
Figure 894691DEST_PATH_IMAGE009
；
2）根据公式（2）计算
Figure 822195DEST_PATH_IMAGE009
的加权距离
Figure 100002_DEST_PATH_IMAGE010
所述的一种基于权重近邻规则的工业过程监控方法，所述k近邻方法的基本思想是使用样本与其近邻的距离度量样本的差异。
本发明的优点与效果是：
本发明一种基于权重近邻规则的工业过程监控方法，针对多工况间歇生产过程中，过程数据维数高、中心漂移和方差差异明显等特点，提出了基于加权k近邻相结合的生产过程监控方法(wkNN)。该方法使用近邻距离作为权重的近邻规则技术对工业和制药生产过程进行监控和故障诊断，尤其适用于工业生产过程和制药生产过程的监控。
附图说明
图1 本发明两个模态图；
图2 本发明技术流程图。
具体实施方式
下面结合实施例对本发明进行详细说明。
本发明一种基于权重近邻规则的工业过程监控方法，针对多工况间歇生产过程中，过程数据维数高、中心漂移和方差差异明显等特点，提出了基于加权k近邻相结合的生产过程监控方法(wkNN)。
该方法首先采集正常生产的监控数据作为训练数据，对在训练数据集中，寻找每个样本的前k近邻样本，并计算其到k近邻样本的距离，以训练样本的第k近邻的局部近邻平均距离倒数为权重，构建加权距离D，最后计算每个样本到其k近邻样本的加权距离的平方和作为监控指标，通过训练样本的统计量使用核密度估计方法确定统计量的控制限。使用此监控指标对在线生产过程进行监控，当在线新样本的监控指标大于控制限，则其为故障；否则为正常。
k近邻方法的基本思想是使用样本与其近邻的距离度量样本的差异。首先，在训练数据集中寻找样本的前k个近邻。其次计算到前k个近邻样本的距离平方和
Figure 788751DEST_PATH_IMAGE011
其中
Figure 100002_DEST_PATH_IMAGE012
为样本
Figure 434496DEST_PATH_IMAGE013
与其第
Figure 100002_DEST_PATH_IMAGE014
近邻
Figure 497261DEST_PATH_IMAGE015
的距离。最后，根据非中心的卡方分布，确定检测控制限
Figure 100002_DEST_PATH_IMAGE016
，当待检测样本的D2大于控制限
Figure 544851DEST_PATH_IMAGE016
时判定为故障样本，否则认为其是正常样本。
FD-kNN的缺陷是增大了系统的计算负载和存储负担，因为需要频繁计算高维样本间距离及查询前k近邻。此方法的计算复杂度正比于样本的变量维数，为了克服此缺陷，可以使用降维技术，减小变量维数，从而降低计算量和存储负担。PCA是一种线性降维技术，能够提取数据的主要特征，保持数据非线性和多模态结构。He等提出提出PCA和kNN相结合的故障检测方法（PC-kNN）。首先使用PCA将m维数据降维到l维主元空间，再在主元空间对样本的得分使用kNN进行故障检测。
多模态数据集具有两个特征，一是各个模态的数据中心不重合；二是数据的离散程度不同，即各个模态方差不同。当样本数据集只是数据中心不重合而方差差异很小时，FD-kNN和PC-kNN方法都能够较好地完成故障检测。
当两个模态的方差差异较大时，kNN中的统计量D2并不能反映出故障样本与正常样本数据集的差异。因为此时两个模态的方差差异较大，两个模态的样本的统计值D2会显著不同；同时控制限
Figure 854610DEST_PATH_IMAGE016
完全由方差较大的模态所决定。当较小方差所对应模态发生微弱故障时，
Figure 738383DEST_PATH_IMAGE017
会小于
Figure 791790DEST_PATH_IMAGE016
，此时FD-kNN和PC-kNN方法将无法检测这类故障。
如图1所示，正常样本集由两个模态组成：左边的样本数据之间的距离是1，为第1模态；右边的样本数据间的距离是2，为第2模态。两个模态的数据离散程度明显不同。样本到它的最近邻样本的距离是1.5，故其为模态1的故障点。现取
Figure 100002_DEST_PATH_IMAGE018
，按kNN的D2计算公式（1）及卡方分布知识可计算控制限
Figure 693887DEST_PATH_IMAGE016
，而样本点
Figure 49913DEST_PATH_IMAGE019
的
Figure 100002_DEST_PATH_IMAGE020
，则kNN方法将其误报为正常点。原因在于两个模态的方差结构差异较大，控制限完全离散程度较大的的模态2所决定。
为了消除两个模态的方差差异影响，提出一种加权k近邻方法（weighted kNNrule ，wkNN）：首先计算样本
Figure 152474DEST_PATH_IMAGE021
与其第k近邻
Figure 100002_DEST_PATH_IMAGE022
的距离
Figure 71888DEST_PATH_IMAGE023
，再计算
Figure 766174DEST_PATH_IMAGE022
与其前K近邻的平均距离
Figure 100002_DEST_PATH_IMAGE024
，将
Figure 230785DEST_PATH_IMAGE025
作为距离
Figure 100002_DEST_PATH_IMAGE026
的权重，得到样本
Figure 338418DEST_PATH_IMAGE027
的加权距离
Figure 100002_DEST_PATH_IMAGE028
，即
Figure 546677DEST_PATH_IMAGE029
（2）
其中
Figure 100002_DEST_PATH_IMAGE030
，为样本
Figure 157787DEST_PATH_IMAGE031
与其第j近邻
Figure 100002_DEST_PATH_IMAGE032
的距离。因为
Figure 58878DEST_PATH_IMAGE033
近似服从非中心的正态分布，平均距离
Figure 100002_DEST_PATH_IMAGE034
服从非中心的卡方分布，所以D服从非中心的t分布。由t分布的上
Figure 388228DEST_PATH_IMAGE035
分位数可以确定控制限
Figure 100002_DEST_PATH_IMAGE036
。
如图1中，数据按公式（2）计算可得两个模态中的正常点的统计值D都为1，而故障点
Figure 403107DEST_PATH_IMAGE037
的统计值
Figure 100002_DEST_PATH_IMAGE038
，显然加权k近邻方法能够识别故障点
Figure 868724DEST_PATH_IMAGE039
。技术流程见图2。
基于权重近邻规则的工业过程监控技术分为两步
1离线建模
1）使用PCA把训练数据
Figure 100002_DEST_PATH_IMAGE040
降维到
Figure 940716DEST_PATH_IMAGE041
维主元空间，得到
Figure 695045DEST_PATH_IMAGE040
的得分矩阵
Figure 100002_DEST_PATH_IMAGE042
和负载
Figure 494374DEST_PATH_IMAGE043
2）根据公式（2）计算样本的加权距离
Figure 100002_DEST_PATH_IMAGE044
3）根据
Figure 893125DEST_PATH_IMAGE045
分布及相关统计知识，确定检测模型的控制限
Figure 100002_DEST_PATH_IMAGE046
2在线检测
1）使用PCA计算待检测样本
Figure 136019DEST_PATH_IMAGE047
在主元空间的得分
Figure 100002_DEST_PATH_IMAGE048
2）根据公式（2）计算
Figure 174382DEST_PATH_IMAGE048
3）将
Figure 525205DEST_PATH_IMAGE049
与控制限
Figure 100002_DEST_PATH_IMAGE050
比较，若
Figure 230992DEST_PATH_IMAGE051
，则样本
Figure 566159DEST_PATH_IMAGE047
判为故障点，否则为正常。

Claims (1)

1.一种基于权重近邻规则的工业过程监控方法，其特征在于，所述方法采集正常生产的监控数据作为训练数据，对在训练数据集中，寻找每个样本的前k近邻样本，并计算其到k近邻样本的距离，以训练样本的第k近邻的局部近邻平均距离倒数为权重，构建加权距离D，最后计算每个样本到其k近邻样本的加权距离的平方和作为监控指标，通过训练样本的统计量使用核密度估计方法确定统计量的控制限；使用此监控指标对在线生产过程进行监控，当在线新样本的监控指标大于控制限，则其为故障；否则为正常；
基于权重近邻规则的工业过程监控步骤：
a离线建模
1）使用PCA把训练数据
Figure DEST_PATH_IMAGE002
降维到
Figure DEST_PATH_IMAGE004
维主元空间，得到
Figure DEST_PATH_IMAGE006
的得分矩阵
Figure DEST_PATH_IMAGE008
和负载
Figure DEST_PATH_IMAGE010
；
2）根据公式
Figure DEST_PATH_IMAGE012
计算样本的加权距离
Figure DEST_PATH_IMAGE014
；
3）根据
Figure DEST_PATH_IMAGE016
分布及相关统计知识，确定检测模型的控制限
Figure DEST_PATH_IMAGE018
；
b在线检测
1）使用PCA计算待检测样本
Figure DEST_PATH_IMAGE020
在主元空间的得分
Figure DEST_PATH_IMAGE022
2）根据公式
Figure DEST_PATH_IMAGE024
计算
Figure DEST_PATH_IMAGE026
的加权距离
Figure DEST_PATH_IMAGE028
3）将
Figure DEST_PATH_IMAGE030
与控制限
Figure DEST_PATH_IMAGE032
比较，若
Figure DEST_PATH_IMAGE034
，则样本
Figure DEST_PATH_IMAGE036
判为故障点，否则为正常；
所述k近邻方法的基本思想是使用样本与其近邻的距离度量样本的差异；
所述的公式
Figure DEST_PATH_IMAGE038
为：首先计算样本
Figure DEST_PATH_IMAGE040
与其第
Figure DEST_PATH_IMAGE042
近邻
Figure DEST_PATH_IMAGE044
的距离
Figure DEST_PATH_IMAGE046
，再计算
Figure DEST_PATH_IMAGE048
与其前K近邻的平均距离
Figure DEST_PATH_IMAGE050
，将
Figure DEST_PATH_IMAGE052
作为距离
Figure DEST_PATH_IMAGE054
的权重，得到样本
Figure DEST_PATH_IMAGE056
的加权距离
Figure DEST_PATH_IMAGE058
，即
公式
Figure DEST_PATH_IMAGE060
其中
Figure DEST_PATH_IMAGE062
，
Figure DEST_PATH_IMAGE064
为样本
Figure DEST_PATH_IMAGE066
与其第j近邻
Figure DEST_PATH_IMAGE068
的距离；因为
Figure DEST_PATH_IMAGE070
近似服从非中心的正态分布，平均距离
Figure DEST_PATH_IMAGE072
服从非中心的卡方分布，所以D服从非中心的t分布；由t分布的上
Figure DEST_PATH_IMAGE074
分位数可以确定控制限
Figure DEST_PATH_IMAGE076
。
CN201910275584.6A 2019-04-08 2019-04-08 一种基于权重近邻规则的工业过程监控方法 Active CN110045714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910275584.6A CN110045714B (zh) 2019-04-08 2019-04-08 一种基于权重近邻规则的工业过程监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910275584.6A CN110045714B (zh) 2019-04-08 2019-04-08 一种基于权重近邻规则的工业过程监控方法

Publications (2)

Publication Number Publication Date
CN110045714A CN110045714A (zh) 2019-07-23
CN110045714B true CN110045714B (zh) 2022-05-17

Family

ID=67276295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910275584.6A Active CN110045714B (zh) 2019-04-08 2019-04-08 一种基于权重近邻规则的工业过程监控方法

Country Status (1)

Country Link
CN (1) CN110045714B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667197B (zh) * 2020-06-23 2023-05-05 环荣电子(惠州)有限公司 用于表面黏着技术制造工艺的生产质量诊断方法及系统
CN117290802B (zh) * 2023-11-27 2024-03-26 惠州市鑫晖源科技有限公司 一种基于数据处理的主机电源运行监测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544291B (zh) * 2013-10-29 2016-05-18 东北林业大学 道路网络中基于RRN-Tree的移动对象CKNN查询方法
CN104503436B (zh) * 2014-12-08 2017-06-23 浙江大学 一种基于随机投影和k近邻的快速故障检测方法
CN104808648A (zh) * 2015-03-09 2015-07-29 杭州电子科技大学 一种基于k近邻的批次过程在线实时监测方法
CN108229295A (zh) * 2017-09-22 2018-06-29 江西师范大学 一种基于多重局部约束的图优化维数约简方法
CN109214268B (zh) * 2018-07-12 2021-08-03 浙江工业大学 一种基于集成流形学习的填料塔液泛状态在线监测方法
CN109116444B (zh) * 2018-07-16 2021-01-12 汤静 基于PCA-kNN的空气质量模式PM2.5预报方法

Also Published As

Publication number Publication date
CN110045714A (zh) 2019-07-23

Similar Documents

Publication Publication Date Title
Cai et al. A new fault detection method for non-Gaussian process based on robust independent component analysis
Deng et al. Modified kernel principal component analysis using double-weighted local outlier factor and its application to nonlinear process monitoring
Ge et al. Batch process monitoring based on support vector data description method
CN107292023B (zh) 一种基于损伤指标体系窄域特性的桥梁结构状态诊断方法
Yao et al. A survey on multistage/multiphase statistical modeling methods for batch processes
CN108709745B (zh) 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法
Yu Hidden Markov models combining local and global information for nonlinear and multimodal process monitoring
Li et al. Diffusion maps based k-nearest-neighbor rule technique for semiconductor manufacturing process fault detection
Yu et al. A novel hybrid of auto-associative kernel regression and dynamic independent component analysis for fault detection in nonlinear multimode processes
Miao et al. Nonlocal structure constrained neighborhood preserving embedding model and its application for fault detection
Li et al. A diagnostic procedure for high-dimensional data streams via missed discovery rate control
CN110045714B (zh) 一种基于权重近邻规则的工业过程监控方法
Elshenawy et al. Fault detection and diagnosis strategy based on k-nearest neighbors and fuzzy C-means clustering algorithm for industrial processes
CN108495263B (zh) 一种基于广义多核函数的室内定位方法
CN115358297A (zh) 一种基于改进mkeca方法的注塑机异常检测方法及系统
Guo et al. Fault detection of multimode process based on local neighbor normalized matrix
Jyoti et al. Data clustering approach to industrial process monitoring, fault detection and isolation
Lan et al. Dynamic statistical process monitoring based on generalized canonical variate analysis
CN114997276A (zh) 一种面向压制成型设备的异构多源时序数据异常识别方法
Dong et al. A simple approach to multivariate monitoring of production processes with non-Gaussian data
Zhu et al. Enhanced multicorrelation block process monitoring and abnormity root cause analysis for distributed industrial process: A visual data-driven approach
Ge et al. Two-level multiblock statistical monitoring for plant-wide processes
Wan et al. Distributed statistical process monitoring based on multiblock canonical correlation analysis
Li et al. Local component based principal component analysis model for multimode process monitoring
CN109214268B (zh) 一种基于集成流形学习的填料塔液泛状态在线监测方法

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