CN110119579A - 一种基于oica的复杂工业过程故障监测方法 - Google Patents
一种基于oica的复杂工业过程故障监测方法 Download PDFInfo
- Publication number
- CN110119579A CN110119579A CN201910410875.1A CN201910410875A CN110119579A CN 110119579 A CN110119579 A CN 110119579A CN 201910410875 A CN201910410875 A CN 201910410875A CN 110119579 A CN110119579 A CN 110119579A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- data
- spe
- variable
- shown below
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012544 monitoring process Methods 0.000 title claims abstract description 78
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 21
- 238000000855 fermentation Methods 0.000 claims abstract description 19
- 230000004151 fermentation Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 21
- 230000007257 malfunction Effects 0.000 abstract description 9
- 229930182555 Penicillin Natural products 0.000 description 10
- 229940049954 penicillin Drugs 0.000 description 10
- 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 9
- 238000005516 engineering process Methods 0.000 description 4
- 238000012880 independent component analysis Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000002087 whitening effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000010978 in-process monitoring Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012109 statistical procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12P—FERMENTATION OR ENZYME-USING PROCESSES TO SYNTHESISE A DESIRED CHEMICAL COMPOUND OR COMPOSITION OR TO SEPARATE OPTICAL ISOMERS FROM A RACEMIC MIXTURE
- C12P37/00—Preparation of compounds having a 4-thia-1-azabicyclo [3.2.0] heptane ring system, e.g. penicillin
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
-
- 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]
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Organic Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Zoology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Wood Science & Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Biochemistry (AREA)
- Genetics & Genomics (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Microbiology (AREA)
- General Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical Kinetics & Catalysis (AREA)
Abstract
本发明公开了一种基于OICA的复杂工业过程故障监测方法,以提高工业过程故障监测的准确性,对于提高生产过程安全性,保证生产设备和生产人员安全,提高产品质量有重要的意义。本发明包括“离线建模”和“在线监测”两个阶段。“离线建模”包括:对原始数据进行预处理;采用OICA提取数据的独立主成分和残差;分别在独立成分空间和残差空间通过核密度估计计算控制限。“在线监测”包括:对当前采样时刻的数据进行预处理;计算当前时刻数据的统计量,并与控制限进行对比以判断发酵过程是否运行正常。本发明方法无需假设数据服从高斯分布,计算复杂度低,而且不受混合矩阵形式的限制,因此故障监测效果更好。
Description
技术领域
本发明涉及基于数据驱动的故障监测技术领域,特别是涉及一种针对复杂工业过程的故障监测技术。本发明的基于数据驱动的方法即是在典型复杂工业过程——青霉素发酵过程故障监测方面的具体应用。
背景技术
工业过程安全是新一代工业革命的重要保障之一。过程监测技术是实现工业过程安全生产的重要手段,是保障制造业转型升级,实现智能制造的基本技术之一。随着现代传感器技术的发展和数据存储技术的进步,大量的工业过程数据被保留下来,从而促进了基于数据驱动的过程监测方法的应用。
目前,以主成分分析(Principal Component Analysis,PCA)和偏最小二乘分析(Partial Least Squares,PLS)为主的多元统计过程监测方法(MultivariateStatistical Process Monitoring,MSPM)在实际生产过程中得到了广泛的应用。但是以上方法均需要假设过程数据服从高斯分布,而实际工业现场的数据往往不满足这种理想化的假设,从而极大的限制了其应用范围。基于独立成分分析(Independent ComponentAnalysis,ICA)的过程监测方法因其不要求数据满足高斯分布而受到学术界和工业界的广泛关注。传统独立主成分分析算法为了保证收敛性要求观测信号之间是相互独立的,因此在运算前需要对数据进行初步的白化处理,然而经过白化处理后的数据不可避免的会导致信息损失。而且,在计算解混矩阵时所采用快速ICA算法需要进行大量的迭代运算,时间成本较高。此外,在选择独立主成分时缺乏统一的标准,从而导致无法产生稳定的监测结果。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于OICA(OvercompleteIndependent Component Analysis)的复杂工业过程故障监测方法。OICA算法由麻省理工学院的Anastasia Podosinnikova等人提出,该算法无需假设数据服从高斯分布,计算复杂度低,而且不受混合矩阵形式的限制。通过OICA算法将原始数据划分为主元空间和残差空间,并分别建立监测统计量,能够有效减少过程监测中误报、漏报的发生,提高故障监测的准确性。
本发明采用了如下的技术方案及实现步骤:
A.离线建模阶段:
1)采集发酵过程正常工况下的历史数据,所述的历史数据X由离线测试得到的一批次青霉素发酵生产过程正常操作状态的数据构成,一批次数据包含N个采样时刻,每个采样时刻采集J个过程变量形成数据矩阵 其中,对于每个采样时刻xi=(xi,1,xi,2,…,xi,j),xi,j表示第i个采样时刻的第j个变量的测量值;
2)对历史数据进行标准化处理,处理方式如下:
首先计算历史数据X所有过程变量的均值和标准差,其中第j个变量所有时刻的均值第j个变量所有时刻的标准差 xi,j表示第i个采样时刻的第j个变量的测量值j=1,…,J。
3)然后对历史数据X进行标准化,其中第i个采样时刻的第j个变量的标准化公式如下:
其中,i=1,2,…N,j=1,2,…J;
4)将步骤2)标准化后的数据重新构造成二维矩阵,如下式所示:
其中,i=1,2,…N,j=1,2,…J;
5)利用OICA算法计算解混矩阵W,得到独立成分S如下式所示:
再根据独立成分S得到残差,如下式所示:
E=S-WS
6)分别计算独立成分空间的统计量I2和残差空间的统计量SPE,如下式所示:
I2=STS
SPE=ETE
7)利用核密度估计算法求得上述I2和SPE统计量在预设置信限时的估计值,并将其作为模型的控制限;
B.在线监测阶段:
8)采集青霉素发酵过程当前采样时刻k的J个过程变量的测量值xk,并根据步骤2)中得到的均值和标准差进行标准化,得到其中,当前采样时刻k的第j个过程变量的标准化公式如下:
其中,j=1,2,…J;
9)提取经标准化后k时刻数据的独立成分,计算公式如下:
再根据独立成分Sk得到k时刻数据的残差,如下式所示:
其中W为步骤4)中所确定的分离矩阵;
10)计算当前采样时刻k的监控统计量和SPEk,如下式所示:
SPEk=Ek′Ek
11)将上述步骤得到的监控统计量和SPEk与步骤6)得到的控制限进行比较,如果超限则认为发生故障并报警;否则即认为是正常;
12)若发酵过程完毕,则终止监测;否则采集下一时刻数据,返回步骤8),继续进行过程监测。
有益效果
与现有技术相比,本发明采用OICA提取独立成分,分别在独立元和残差空间分别建立监测统计量,并应用于青霉素发酵生产过程中。OICA算法无需假设数据服从高斯分布,不受混合矩阵形式的限制,不存在白化过程所造成的信息损失的问题,而且计算复杂度低。本发明方法可以减少过程监测中误报、漏报的发生,提高故障监测的准确性。
附图说明
图1为本发明的方法流程图;
图2(a)本发明方法对故障1的I2监测效果图;
图2(b)本发明方法对故障1的SPE监测效果图;
图3(a)PCA方法对故障1的T2监测效果图;
图3(b)PCA方法对故障1的SPE监测效果图;
图4(a)本发明方法对故障2的I2监测效果图;
图4(b)本发明方法对故障2的SPE监测效果图;
图5(a)PCA方法对故障2的T2监测效果图;
图5(b)PCA方法对故障2的SPE监测效果图;
图6(a)本发明方法对故障3的I2监测效果图;
图6(b)本发明方法对故障3的SPE监测效果图
图7(a)PCA方法对故障3的T2监测效果图;
图7(b)PCA方法对故障3的SPE监测效果图;
具体实施方式
青霉素补料分批发酵是一个典型的含有较多相互耦合关系变量的生物化学反应间歇过程。基于Bajpai机理模型改进的Birol模型,伊利诺科技学院的Cinar教授领导过程建模及控制研宄小组创建开发了Pensim2.0青霉素生产仿真软件,此仿真平台是专门为青霉素发酵过程而设计的,在此平台上可以简易实现青霉素发酵过程的一系列仿真,Pensim2.0仿真平台所采样的过程变量见表1
表1过程变量
为了验证本发明的故障监测性能,构造了以下几种故障数据,具体描述如表2。
表2故障数据
本发明在上述青霉素发酵生产仿真平台的应用过程具体陈述如下:
A.离线建模阶段:
步骤1:通过Pensim2.0仿真平台采集一批正常工况下的操作数据作为训练数据集。实验设置每批次包含16个过程变量400个采样时刻的测量值。采样得到的数据集表示为X(400×16),即每行代表每个采样时刻所有过程变量的测量值,每一列代表每个过程变量所有采样时刻的测量值。
通过Pensim2.0仿真平台仿真产生一批故障工况下的操作数据作为测试数据集,实验设置每批次包含16个过程变量400个采样时刻的测量值,。采样得到的数据集表示为Xtest(400×16),即每行代表每个采样时刻所有过程变量的测量值,每一列代表每个过程变量所有采样时刻的测量值。
步骤2:对X=(400×16)进行标准化处理。
首先计算第j个变量所有时刻的均值和标准差其中xi,j表示第i个采样时刻第j个过程变量的测量值。
然后对X(400×16)标准化,其中第i个采样时刻第j个过程变量的标准化公式如下
其中,i=1,2,…400,j=1,2,…16;
步骤4:标准化后的数据重新构造成二维矩阵,如下式所示:
其中,i=1,2,…400,j=1,2,…16;
步骤5:利用Matlab构造OICA算法,计算的独立主成分。设定欲得到的独立成分的个数为64,计算得到的解混矩阵W(16×64),利用下式得到独立成分S(64×400):
其中每一行代表一个主成分。
再根据得到的独立成分S,利用下式计算得到残差E(16×400):
E=S-WS
步骤6:分别计算独立成分空间的统计量I2(1×400)和残差空间的统计量
SPE(1×400),如下式所示:
I2=STS
SPE=ETE
步骤7:利用Matlab中的核密度估计函数ksdensity计算得到I2和SPE统计量在预设置信限为99%时的估计值,并将其作为模型的控制限;
B.在线监测阶段:
步骤8:根据步骤2计算得到的每个操作变量的均值Mean(j)和标准差Std(j)对测试数据集Xtest(400×16)中当前采样时刻k的操作数据xk(1×16)中的每个测量变量做标准化处理,如下式所示:
其中,k=1,2,…400,j=1,2,…16;
步骤9:提取经标准化后k时刻数据的独立成分,计算公式如下:
再根据独立成分Sk得到k时刻数据的残差,如下式所示:
其中W为步骤5中所确定的分离矩阵W(16×64);
步骤10:计算当前采样时刻k的监控统计量和SPEk,如下式所示:
SPEk=Ek′Ek
步骤11:将上述步骤得到的监控统计量和SPEk与步骤7得到的控制限进行比较,如果超限则认为发生故障并报警;否则即认为是正常;
步骤12:若发酵过程完毕,则终止监测;否则采集下一时刻的数据,返回步骤8,继续进行过程监测。
以上即为本发明方法在青霉素发酵仿真平台故障监测领域具体应用的步骤。为了验证本方法的有效性,分别使用三批次故障数据进行在线监测阶段的实验,并与PCA过程监测方法进行了对比。实验结果如图2至图7所示。每幅图中与横坐标平行的限即为通过核密度估计方法确定的控制限,曲线即为实时监测值。如果曲线的值大于控制限的值即说明在此时刻发生了故障;否则,则认为发酵过程运行正常。
图2和图3即为本发明方法和PCA过程监测方法对故障1的监测效果图。图2(a)和图2(b)中的直线分别为I2和SPE控制限,曲线即为I2和SPE的实时监测值。图3(a)和图3(b)中的直线分别为T2和SPE控制限,曲线即为T2和SPE的实时监测值。从图2(a)和图2(b)中可以看出,尽管在发酵开始阶段本发明方法的I2和SPE监测图中存在少量的误报警,但仍能够准确监测到故障的发生。而在图3(a)PCA过程监测方法的T2监测图中可以看出,直到48h监测到故障,滞后故障发生28h;图3(b)PCA过程监测方法的SPE监测图中可以看出,直到75h才监测到故障,滞后故障产生55h。
图4和图5即为本发明方法和PCA过程监测方法对故障2的监测效果图。图4(a)和图4(b)中的直线分别为I2和SPE控制限,曲线即为I2和SPE的实时监测值。图5(a)和图5(b)中的直线分别为T2和SPE控制限,曲线即为T2和SPE的实时监测值。从图4(a)中可以看出尽管在发酵开始阶段本发明方法的I2和SPE监测图中存在少量的误报警,但仍能够准确监测到故障的发生。而从图5(a)和图5(b)中可以看到,PCA过程监测方法几乎不能够监测到故障的发生,完全失去监测效果。
图6和图7即为本发明方法和PCA过程监测方法对故障2的监测效果图。图6(a)和图6(b)中的直线分别为I2和SPE控制限,曲线即为I2和SPE的实时监测值。图7(a)和图7(b)中的直线分别为T2和SPE控制限,曲线即为T2和SPE的实时监测值。尽管在发酵开始阶段本发明方法的I2和SPE监测图中存在少量的误报警,但仍能够准确监测到故障的发生。而从图7(a)和图7(b)中可以看到,PCA过程监测方法几乎不能够监测到故障的发生,完全失去监测效果。
为了更直观的对比本发明方法和PCA过程监测方法的监测效果,表三给出了两种方法的报警率和误报率的对比。
表3监测效果对比
注:1)故障发生时刻,报警样本数目与故障样本数目的比值;2)未发生故障时刻,报警样本数目与正常样本数目的比值
从表3中可以看到,无论是在报警率还是误报率上,本发明方法的表现都更加优异,提高了青霉素发酵过程故障监测效果。
Claims (1)
1.一种基于OICA的复杂工业过程故障监测方法,其特征包括“离线建模”和“在线监测”两个阶段,具体步骤如下:
A.离线建模阶段:
1)采集发酵过程正常工况下的历史数据,所述的历史数据X由离线测试得到的一批次发酵生产过程正常操作状态的数据构成,一批次数据包含N个采样时刻,每个采样时刻采集J个过程变量形成数据矩阵 其中,对于每个采样时刻xi=(xi,1,xi,2,…,xi,j),xi,j表示第i个采样时刻的第j个变量的测量值;
2)对历史数据进行标准化处理,处理方式如下:
首先计算历史数据X所有过程变量的均值和标准差,其中第j个变量所有时刻的均值第j个变量所有时刻的标准差 xi,j表示第i个采样时刻的第j个变量的测量值j=1,…,J。
3)然后对历史数据X进行标准化,其中第i个采样时刻的第j个变量的标准化公式如下:
其中,i=1,2,…N,j=1,2,…J;
4)将步骤2)标准化后的数据重新构造成二维矩阵,如下式所示:
其中,i=1,2,…N,j=1,2,…J;
5)利用OvercompleteICA算法计算解混矩阵W,得到独立成分S如下式所示:
再根据独立成分S得到残差,如下式所示:
E=S-WS
6)分别计算独立成分空间的统计量I2和残差空间的统计量SPE,如下式所示:
I2=STs
SPE=ETE
7)利用核密度估计算法求得上述I2和SPE统计量在预设置信限时的估计值,并将其作为模型的控制限;
B.在线监测阶段:
8)采集发酵过程当前采样时刻k的J个过程变量的测量值xk,并根据步骤2)中得到的均值和标准差进行标准化,得到其中,当前采样时刻k的第j个过程变量的标准化公式如下:
其中,j=1,2,…J;
9)提取经标准化后k时刻数据的独立成分,计算公式如下:
再根据独立成分Sk得到k时刻数据的残差,如下式所示:
其中W为步骤4)中所确定的分离矩阵;
10)计算当前采样时刻k的监控统计量和SPEk,如下式所示:
SPEk=Ek′Ek
11)将上述步骤得到的监控统计量和SPEk与步骤6)得到的控制限进行比较,如果超限则认为发生故障并报警;否则即认为是正常;
12)若发酵过程完毕,则终止监测;否则采集下一时刻数据,返回步骤8),继续进行过程监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410875.1A CN110119579B (zh) | 2019-05-16 | 2019-05-16 | 一种基于oica的复杂工业过程故障监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410875.1A CN110119579B (zh) | 2019-05-16 | 2019-05-16 | 一种基于oica的复杂工业过程故障监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119579A true CN110119579A (zh) | 2019-08-13 |
CN110119579B CN110119579B (zh) | 2023-05-02 |
Family
ID=67522667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910410875.1A Active CN110119579B (zh) | 2019-05-16 | 2019-05-16 | 一种基于oica的复杂工业过程故障监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119579B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929809A (zh) * | 2019-12-14 | 2020-03-27 | 北京工业大学 | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 |
CN111122811A (zh) * | 2019-12-14 | 2020-05-08 | 北京工业大学 | 一种oica和rnn融合模型的污水处理过程故障监测方法 |
CN112131081A (zh) * | 2020-09-28 | 2020-12-25 | 北京达佳互联信息技术有限公司 | 一种故障报警参数调整方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838217A (zh) * | 2014-03-10 | 2014-06-04 | 北京工业大学 | 一种基于mica-ocsvm的发酵过程故障监测方法 |
WO2017210894A1 (zh) * | 2016-06-08 | 2017-12-14 | 东北大学 | 基于运行视频信息的一种电弧炉故障监测方法 |
CN107895224A (zh) * | 2017-10-30 | 2018-04-10 | 北京工业大学 | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 |
CN109740687A (zh) * | 2019-01-09 | 2019-05-10 | 北京工业大学 | 一种基于dlae的发酵过程故障监测方法 |
-
2019
- 2019-05-16 CN CN201910410875.1A patent/CN110119579B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838217A (zh) * | 2014-03-10 | 2014-06-04 | 北京工业大学 | 一种基于mica-ocsvm的发酵过程故障监测方法 |
WO2017210894A1 (zh) * | 2016-06-08 | 2017-12-14 | 东北大学 | 基于运行视频信息的一种电弧炉故障监测方法 |
CN107895224A (zh) * | 2017-10-30 | 2018-04-10 | 北京工业大学 | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 |
CN109740687A (zh) * | 2019-01-09 | 2019-05-10 | 北京工业大学 | 一种基于dlae的发酵过程故障监测方法 |
Non-Patent Citations (2)
Title |
---|
王普;李春蕾;高学金;常鹏;齐咏生;: "基于角结构统计量的MKECA间歇过程故障监测" * |
邓晓刚;徐莹;: "基于贝叶斯ICA的多工况非高斯过程故障检测" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929809A (zh) * | 2019-12-14 | 2020-03-27 | 北京工业大学 | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 |
CN111122811A (zh) * | 2019-12-14 | 2020-05-08 | 北京工业大学 | 一种oica和rnn融合模型的污水处理过程故障监测方法 |
WO2021114320A1 (zh) * | 2019-12-14 | 2021-06-17 | 北京工业大学 | 一种oica和rnn融合模型的污水处理过程故障监测方法 |
CN110929809B (zh) * | 2019-12-14 | 2023-05-02 | 北京工业大学 | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 |
CN112131081A (zh) * | 2020-09-28 | 2020-12-25 | 北京达佳互联信息技术有限公司 | 一种故障报警参数调整方法、装置、电子设备及存储介质 |
CN112131081B (zh) * | 2020-09-28 | 2024-01-02 | 北京达佳互联信息技术有限公司 | 一种故障报警参数调整方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110119579B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107632592B (zh) | 基于高效递推核主元分析的非线性时变过程故障监测方法 | |
CN110119579A (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN106680012B (zh) | 一种面向大型燃煤发电机组非平稳过程的故障检测方法和诊断方法 | |
CN109739214B (zh) | 工业过程间歇故障的检测方法 | |
CN103970092B (zh) | 一种基于自适应fcm的多阶段发酵过程故障监测方法 | |
CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
CN108664002B (zh) | 一种面向质量的非线性动态过程监控方法 | |
CN105955214B (zh) | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN107895224A (zh) | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 | |
CN110083860A (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
CN109740687A (zh) | 一种基于dlae的发酵过程故障监测方法 | |
CN113239132A (zh) | 一种电压互感器的超差在线辨识方法 | |
CN108181893B (zh) | 一种基于pca-kdr的故障检测方法 | |
CN110032799A (zh) | 一种微生物制药过程的角相似度阶段划分及监测方法 | |
CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
CN110297475A (zh) | 一种基于四阶矩奇异值分解的间歇过程故障监测方法 | |
CN109324591A (zh) | 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法 | |
CN112149054B (zh) | 基于时序扩展的正交邻域保持嵌入模型的构建与应用 | |
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 | |
CN116305733B (zh) | 一种基于全局和局部特征提取的质量相关故障检测方法 | |
CN111188761B (zh) | 一种基于Fourier-CVA模型面向机泵设备的监测方法 | |
CN115898925B (zh) | 一种基于振动信号多阶矩的风机故障预警方法 |
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 |