CN110209145B - 一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法 - Google Patents
一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法 Download PDFInfo
- Publication number
- CN110209145B CN110209145B CN201910410178.6A CN201910410178A CN110209145B CN 110209145 B CN110209145 B CN 110209145B CN 201910410178 A CN201910410178 A CN 201910410178A CN 110209145 B CN110209145 B CN 110209145B
- Authority
- CN
- China
- Prior art keywords
- matrix
- carbon dioxide
- fault
- samples
- absorption tower
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/14—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols by absorption
- B01D53/18—Absorbing units; Liquid distributors therefor
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2257/00—Components to be removed
- B01D2257/50—Carbon oxides
- B01D2257/504—Carbon dioxide
-
- 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
- Y02P20/00—Technologies relating to chemical industry
- Y02P20/151—Reduction of greenhouse gas [GHG] emissions, e.g. CO2
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法,属于二氧化碳吸收塔的过程领域。本发明利用基于满秩分解的核矩阵近似方法结合典型相关分析的核学习模型,建立了一个有效的非线性过程二氧化碳吸收塔过程的故障诊断模型,并缓解了实际应用中核方法在数据样本维度较高时计算负荷大的问题,提高了二氧化碳吸收塔过程的故障检测与故障诊断的有效性和准确性,从而保证了现代流程工业的过程安全与可靠性、产品质量以及综合经济效益。
Description
技术领域
本发明属于二氧化碳吸收塔的过程领域,尤其涉及一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法。
背景技术
在大数据时代下,统计机器学习、数据挖掘等学科的热度高涨,并且这些理论目前在工业过程控制领域已取得了一些进展。在现代流程工业中,为了保证过程安全可靠、产品质量过关、经济效益最大化,故障诊断成为了工业控制系统中不可或缺的部分。对于一个实际的二氧化碳吸收塔,像温度、压力、流量等过程变量与质量变量天然具有较强非线性的数据特性,于是便需要针对测量数据的非线性进行建模。
为了达到上述的目的,二氧化碳吸收塔中常用的故障诊断方法有主成分分析(PCA)、偏最小二乘(PLS)以及它们的扩展方法等,但是这些方法对于过程数据具有的非线性特性的描述能力有限,无法对于具有强非线性的数据进行准确的建模。因此,为了对过程变量的非线性特性进行建模,引入了核方法(Kernel Method),产生了核主成分分析(KPCA)、核偏最小二乘(KPLS)以及它们的一些扩展模型来处理数据的非线性特性。
然而,以上基于核方法的模型具有一定局限性:其核矩阵的维度等于数据样本维度,其计算复杂度会以样本维度的三次方的速度增长,在模型参数的求解中需要对核矩阵进行特征值分解,在实际的应用中其计算复杂度高、计算耗时长,所以传统的核方法的使用收到了限制。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于核矩阵近似的非线性过程二氧化碳吸收塔的故障诊断方法。首先,对采样得到的过程变量数据集进行预处理后对其使用核方法并得到核矩阵;其次,对核矩阵使用典型相关分析进行非线性模型的建立,在求解模型参数时避免对原始样本维度的核矩阵进行特征值分解,而对核矩阵采取矩阵近似,结合矩阵满秩分解后求解近似核矩阵的特征向量,以此减小计算负荷、缩短了运行时间;然后,运用上述核矩阵近似进行典型相关分析建模得到的模型参数进行故障检测;在故障被检测出来后,通过模型参数进行故障诊断,从而实现非线性过程二氧化碳吸收塔的故障诊断。
本发明的目的是通过以下技术方案来实现的:
一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法,包括以下步骤:
(1)采集待检测二氧化碳吸收塔在正常运行时的数据作为训练样本,所述训练样本包括过程变量数据集XNOC,质量变量数据集YNOC,其中XNOC∈RD×M,YNOC∈RD×N,D为训练样本总数,M为过程变量总数,N为质量变量总数;
(4)对核矩阵KX和KY利用典型相关分析进行建模,得到核矩阵K,其中K∈RD×D;
(8)将测试样本集和输入步骤(6)所述的核矩阵近似的典型相关分析模型,计算测试样本集和的SPE统计量SPEtest,判断是否超过步骤(6)所述控制限SPElimit,若超过,则判断为故障样本,若不超过,则判断为正常样本;
优选的,步骤(1)中,利用分布式控制系统采集的正常工况下的数据作为建模使用的训练样本集。对于二氧化碳吸收塔来讲,在一段时间内,采样总数与采样频率有关;变量总数一般由二氧化碳吸收塔的性质与主要影响因素有关。常见的过程变量包括了测量变量与质量变量,过程变量包括但不限于:温度、压力、流量、液位、产物浓度、重量、pH值等。
优选的,步骤(2)中,对测量变量数据集XNOC,质量变量数据集YNOC分别进行归一化预处理,即减去均值然后除以标准差,以消除其在水平和量纲上的差异,使得各个过程变量的均值为0,方差为1。
优选的,步骤(3)选用高斯径向基函数作为核函数计算核矩阵KX和KY:
其中为过程变量归一化后的第i次采样,为过程变量归一化后的第j次采样,为质量变量归一化后的第i次采样,为质量变量归一化后的第j次采样,KX∈RD×D,KY∈RD×D,i=1,2,...,D,j=1,2,...,D,σ为核函数的参数。
优选的,步骤(4)具体为:
其中K∈RD×D。
优选的,步骤(5)具体为:
K=CW+CT
(5-2)对W+进行特征值分解得到:
W+=SΛST
其中S∈RZ×V,Λ∈RV×V,W+为W的广义逆矩阵,V为KX的秩;
(5-3)对矩阵C与矩阵S的乘积进行满秩分解得到F,G,其中F∈RD×V,G∈RV×V;
(5-4)由G与Λ计算矩阵M:
M=GΛGT
其中M∈RV×V;
(5-5)对M进行特征值分解得到:
M=HΩHT
其中H∈RV×V,Ω∈RV×V;
(5-6)计算基于核矩阵近似的特征向量矩阵J:
J=FH
其中J∈RD×V;
(5-7)基于满秩分解的近似核矩阵的特征值分解为:
(5-8)从J中得到KX和KY的投影矩阵P和Q:
其中P,Q∈RD×V。
优选的,步骤(6)具体为:
E1=PTKX-ΩQKY
E2=QKY-ΩTPTKX
构建SPE统计量:
计算SPE统计量控制限SPElimit:
gh=mean(SPE)
2g2h=var(SPE)
其中g,h为卡方分布参数,mean(·)为均值运算符号,var(·)为方差运算符号。
优选的,步骤(8)具体为:
其中
(8-3)构建SPEtest统计量:
判断SPEtest是否超过步骤(6)所述控制限SPElimit,若超过,则判断为故障样本,若不超过,则判断为正常样本;
优选的,步骤(10)中所述标签数据矩阵L如下所示:
优选的,步骤(11)所述得分矩阵T的计算公式如下:
T=KXdU
优选的,步骤(12)具体如下:
(12-1)由得分矩阵T计算权重矩阵W:
其中W∈R(M+N)×η;
其中KMI(·)表示核互信息的计算公式,tα表示得分矩阵T的第α列,wiα表示权重矩阵W的第i行,第α列的元素;
(12-3)根据故障关联度的大小,得到故障诊断结果。观察故障关联度的大小,得到故障诊断结果,其中故障关联度大的变量为故障变量的可能性更大。
本发明的有益效果是:本发明提出了一种基于满秩分解核矩阵近似的典型相关分析的模型。对于二氧化碳吸收塔过程中带有强非线性关系的过程变量数据,首先进行预处理后对其使用核方法并得到核矩阵,接着对核矩阵使用典型相关分析进行非线性模型的建立,在求解模型参数时避免对原始样本维度的核矩阵进行特征值分解,而对核矩阵采取矩阵近似,结合矩阵满秩分解后求解近似核矩阵的特征向量,然后,运用上述核矩阵近似得到的模型参数进行故障检测;在故障被检测出来后,通过模型参数计算得到故障关联度进行故障诊断,从而实现了非线性过程二氧化碳吸收塔的故障诊断。相比目前其它的二氧化碳吸收塔故障诊断方法,本发明不仅可以进行故障检测,并且能在故障被检测到后进行故障诊断以保证了过程监测的完整性,极大的提高非线性过程二氧化碳吸收塔过程故障诊断的效果,同时很大程度减小计算负荷、缩短了运行时间,提升了基于此发明的故障诊断方法的科学性和有效性。
附图说明
图1为本发明中基于核矩阵近似的二氧化碳吸收塔故障诊断方法的流程图。
具体实施方式
本方法是一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法,该方法针对二氧化碳吸收塔的故障诊断问题,首先利用分布式控制系统收集正常工况下的数据,建立基于满秩分解的核矩阵近似方法结合典型相关分析的核学习模型。核典型相关分析的模型参数由核矩阵的特征值分解得到,其中核矩阵的特征值分解通过其矩阵近似得到。在此基础上,基于该模型构建了故障检测统计量SPE及其对应的统计限SPElimit,对新采样的过程数据进行故障检测。在故障被检测到后,构建待诊断数据集,可再次利用以上模型构建方法,计算每个变量的故障关联度,并得到最终的故障检测结果。
第一步:利用分布式控制系统采集二氧化碳吸收塔正常工况下的数据,组成训练样本数据进行建模,其中测量变量、质量变量数据集分别为:
XNOC∈RD×M,XNOC=[x1,x2,...,xD]T
YNOC∈RD×N,YNOC=[y1,y2,...,yD]L
其中:D为采样总数,M为测量变量总数,N为质量变量总数;
第三步:选用高斯径向基函数作为核函数计算核矩阵:
其中为过程变量归一化后的第i次采样,为过程变量归一化后的第j次采样,为质量变量归一化后的第i次采样,为质量变量归一化后的第j次采样,KX∈RD×D,KY∈RD×D,i=1,2,...,D,j=1,2,...,D,σ为核函数的参数。
第四步:由核矩阵KX,KY建立核典型相关分析模型,计算核矩阵K:
其中K∈RD×D。
K=CW+CT
对W+进行特征值分解:
W+=SΛST
其中S∈RZ×V,Λ∈RV×V,W+为W的广义逆矩阵,V为KX的秩;
对矩阵C与矩阵S的乘积进行满秩分解得到F,G,其中F∈RD×V,G∈RV×V;
计算矩阵M:
M=GΛGT
其中M∈RV×V;
对M进行特征值分解:
M=HΩHT
其中H∈RV×V,Ω∈RV×V;
计算近似特征向量矩阵:
J=FH
其中J∈RD×V;
基于满秩分解的近似核矩阵的特征值分解为:
从J中得到KX,KY的投影矩阵P,Q:
其中P,Q∈RD×V。
E1=PTKX-ΩQKY
E2=QKY-ΩTPTKX
基于模型的残差矩阵,构建SPE统计量进行故障检测:
gh=mean(SPE)
2g2h=var(SPE)
其中g,h为卡方分布参数,mean(·)为均值运算符号,var(·)为方差运算符号。
第七步:利用分布式控制系统采集新的待检测的二氧化碳吸收塔的数据集作为测试样本,其中测量变量数据集Xtest,质量变量数据集Ytest:
Xtest∈RD×M,Xtest=[x1,x2,…,xD]
Ytest∈RD×N,Ytest=[y1,y2,…,yD]
第八步:采用基于核矩阵近似的核典型相关分析模型对产生测试样本集的二氧化碳吸收塔进行在线故障检测,将测试样本集和作为模型输入值,计算测试样本集和的SPE统计量SPEtest,判断是否超过第六步所述的控制限SPElimit,若超过,则判断为故障样本,若不超过,则判断为正常样本;得到当前该二氧化碳吸收塔过程的故障检测结果,其具体过程如下:
同样按照第三步中的方法,选取高斯径向基函数作为核函数,由测试样本集与训练样本集,计算测试集的核矩阵:
其中
基于测试样本集的残差矩阵,构建SPEtest统计量进行故障检测:
若SPEtest超过SPElimit则检测到故障。
第十步:定义标签数据矩阵L作为待诊断数据集X的故障标签:
按照第三步计算用于故障诊断的核矩阵KXd,KLd:
由核矩阵KXd,KLd建立核典型相关分析模型,计算核矩阵Kd:
核典型相关分析的模型参数可以通过对Kd矩阵进行特征值分解得到,但是该矩阵的维度等于样本维度,在样本很大时进行特征值分解的计算消耗量大、耗时长。选用第五步中的方法,求取基于满秩分解的近似核矩阵的特征值分解为:
计算KXd的得分矩阵:
T=KXdU
第十二步:由得分矩阵T计算权重W:
其中W∈R(M+N)×η。
其中KMI(·)表示核互信息的计算公式,tα表示得分矩阵T的第α列,wiα表示权重矩阵W的第i行,第α列的元素。观察故障关联度的大小,得到故障诊断结果,其中故障关联度大的变量为故障变量的可能性越大。
为了检验本发明的可行性,针对训练样本集和测试样本集均为5000个样本,在四种不同故障下,各重复试验5次,使用常规核矩阵特征值分解和使用核矩阵近似的特征值分解对于四种故障能都得到准确的故障诊断结果。为了验证基于满秩分解的核矩阵近似的特征值分解减少的计算损耗,表1记录了使用常规核矩阵特征值分解和使用核矩阵近似的特征值分解的运行时间。
表1基于核矩阵近似的二氧化碳吸收塔故障诊断方法特征值分解耗时比较
Claims (9)
1.一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法,其特征在于,包括以下步骤:
(1)采集待检测二氧化碳吸收塔在正常运行时的数据作为训练样本,所述训练样本包括过程变量数据集XNOC,质量变量数据集YNOC,其中XNOC∈RD×M,YNOC∈RD×N,D为训练样本总数,M为过程变量总数,N为质量变量总数;
(4)对核矩阵KX和KY利用典型相关分析进行建模,得到核矩阵K;
(8)将测试样本集和输入步骤(6)所述的核矩阵近似的典型相关分析模型,计算测试样本集和的SPE统计量SPEtest,判断是否超过步骤(6)所述控制限SPElimit,若超过,则判断为故障样本,若不超过,则判断为正常样本;
(10)定义标签数据矩阵L作为待诊断数据集X的故障标签;
4.根据权利要求1所述的基于核矩阵近似的二氧化碳吸收塔故障诊断方法,其特征在于步骤(5)具体为:
K=CW+CT
(5-2)对W+进行特征值分解得到:
W+=SΛST
其中S∈RZ×V,Λ∈RV×V,W+为W的广义逆矩阵,V为KX的秩;
(5-3)对矩阵C与矩阵S的乘积进行满秩分解得到F,G,其中F∈RD×V,G∈RV×V;
(5-4)由G与Λ计算矩阵M:
M=GΛGT
其中M∈RV×V;
(5-5)对M进行特征值分解得到:
M=HΩHT
其中H∈RV×V,Ω∈RV×V;
(5-6)计算基于核矩阵近似的特征向量矩阵J:
J=FH
其中J∈RD×V;
(5-7)基于满秩分解的近似核矩阵的特征值分解为:
(5-8)从J中得到KX和KY的投影矩阵P和Q:
其中P,Q∈RD×V。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410178.6A CN110209145B (zh) | 2019-05-16 | 2019-05-16 | 一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410178.6A CN110209145B (zh) | 2019-05-16 | 2019-05-16 | 一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110209145A CN110209145A (zh) | 2019-09-06 |
CN110209145B true CN110209145B (zh) | 2020-09-11 |
Family
ID=67787321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910410178.6A Active CN110209145B (zh) | 2019-05-16 | 2019-05-16 | 一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110209145B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101731B (zh) * | 2020-08-18 | 2024-03-12 | 华南理工大学 | 一种基于混合核典型相关分析的污水厂在线故障监测方法 |
CN112286169B (zh) * | 2020-10-20 | 2022-02-01 | 浙江钱江机器人有限公司 | 一种工业机器人故障检测方法 |
CN116907764B (zh) * | 2023-09-14 | 2023-12-26 | 国能龙源环保有限公司 | 脱硫设备气密性检测方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
CN101308385A (zh) * | 2008-07-11 | 2008-11-19 | 东北大学 | 基于二维动态核主元分析的非线性过程故障检测方法 |
CN102426562A (zh) * | 2011-08-15 | 2012-04-25 | 天津大学 | 一种基于支持向量机的核矩阵近似方法 |
JP2012181607A (ja) * | 2011-02-28 | 2012-09-20 | Toyota Central R&D Labs Inc | 感覚データ識別装置及びプログラム |
CN103903065A (zh) * | 2014-04-01 | 2014-07-02 | 浙江大学 | 基于核学习技术的青霉素生产过程产品质量预测方法 |
CN106930751A (zh) * | 2017-04-20 | 2017-07-07 | 东北大学 | 一种有杆泵抽油井故障分离方法 |
CN106951509A (zh) * | 2017-03-17 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 多标签核化典型相关分析检索方法 |
CN107153748A (zh) * | 2017-06-07 | 2017-09-12 | 北京信息科技大学 | 基于加权核主元分析(wkpca)的回转窑故障诊断方法 |
CN107357275A (zh) * | 2017-07-27 | 2017-11-17 | 中南大学 | 非高斯工业过程故障检测方法及系统 |
CN107463164A (zh) * | 2017-07-26 | 2017-12-12 | 苏州嘉斯度智能装备有限公司 | 基于工业大数据多层核学习的连续加热釜快速故障检测法 |
CN107918379A (zh) * | 2017-11-29 | 2018-04-17 | 东北大学 | 基于图半监督代价敏感的工业大数据早期故障检测方法 |
CN108960329A (zh) * | 2018-07-06 | 2018-12-07 | 浙江科技学院 | 一种包含缺失数据的化工过程故障检测方法 |
-
2019
- 2019-05-16 CN CN201910410178.6A patent/CN110209145B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
CN101308385A (zh) * | 2008-07-11 | 2008-11-19 | 东北大学 | 基于二维动态核主元分析的非线性过程故障检测方法 |
JP2012181607A (ja) * | 2011-02-28 | 2012-09-20 | Toyota Central R&D Labs Inc | 感覚データ識別装置及びプログラム |
CN102426562A (zh) * | 2011-08-15 | 2012-04-25 | 天津大学 | 一种基于支持向量机的核矩阵近似方法 |
CN103903065A (zh) * | 2014-04-01 | 2014-07-02 | 浙江大学 | 基于核学习技术的青霉素生产过程产品质量预测方法 |
CN106951509A (zh) * | 2017-03-17 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 多标签核化典型相关分析检索方法 |
CN106930751A (zh) * | 2017-04-20 | 2017-07-07 | 东北大学 | 一种有杆泵抽油井故障分离方法 |
CN107153748A (zh) * | 2017-06-07 | 2017-09-12 | 北京信息科技大学 | 基于加权核主元分析(wkpca)的回转窑故障诊断方法 |
CN107463164A (zh) * | 2017-07-26 | 2017-12-12 | 苏州嘉斯度智能装备有限公司 | 基于工业大数据多层核学习的连续加热釜快速故障检测法 |
CN107357275A (zh) * | 2017-07-27 | 2017-11-17 | 中南大学 | 非高斯工业过程故障检测方法及系统 |
CN107918379A (zh) * | 2017-11-29 | 2018-04-17 | 东北大学 | 基于图半监督代价敏感的工业大数据早期故障检测方法 |
CN108960329A (zh) * | 2018-07-06 | 2018-12-07 | 浙江科技学院 | 一种包含缺失数据的化工过程故障检测方法 |
Non-Patent Citations (3)
Title |
---|
A new excitation scheme for closed-loop subspace identification using additional sampling outputs and its extension to instrumental variable method;Kai Wang, Junghui Chen, Zhihuan Song;《Journal of the Franklin Institute》;20180708;第6675-6692页 * |
基于核典型相关分析的字符识别;舒科等;《光电子.激光》;20080415(第04期);第558-561页 * |
基于特征子空间的KPCA及其在故障检测与诊断中的应用;付克昌等;《化工学报》;20061128(第11期);第2664-2669页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110209145A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209145B (zh) | 一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法 | |
CN108227653B (zh) | 一种基于随机化核主元分析的大规模非线性过程监控方法 | |
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 | |
CN109675935B (zh) | 一种变控制限的ipca轧制过程在线故障诊断方法 | |
CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
CN107168063B (zh) | 基于集成变量选择型偏最小二乘回归的软测量方法 | |
CN109507972B (zh) | 基于分层式非高斯监测算法的工业生产过程故障监测方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN103827653A (zh) | 检测异常的发生的方法、设备及计算机程序 | |
CN108805195A (zh) | 一种基于二值深层神经网络的电机群故障诊断方法 | |
CN110119579B (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
CN116432071A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN110942258B (zh) | 一种性能驱动的工业过程异常监测方法 | |
CN112214006A (zh) | 考虑两维动态特性的间歇过程故障检测方法及系统 | |
CN112947649B (zh) | 一种基于互信息矩阵投影的多变量过程监控方法 | |
CN106250937B (zh) | 一种基于非相似度指标的故障分类诊断方法 | |
CN110705129B (zh) | 一种基于全相关动态kpls的故障诊断方法 | |
CN111188761A (zh) | 一种基于Fourier-CVA模型面向机泵设备的监测方法 | |
CN112051836B (zh) | 基于多核模型的水下机器人推进器状态监测方法 | |
CN110288724B (zh) | 一种基于小波函数主元分析的批次过程监测方法 | |
CN116401577B (zh) | 一种基于mcf-occa的质量相关故障检测方法 | |
CN111553396A (zh) | 一种配电自动化终端在线检测方法和装置 | |
CN111983994A (zh) | 一种基于复杂工业化工过程的v-pca故障诊断方法 | |
Cui et al. | Statistics manifold learning approach and its application to non-Gaussian process monitoring | |
CN112348358A (zh) | 一种基于pls分析的流程工业故障检测与预测的方法 |
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 |