CN110210569A - 基于fcm-lstm的化工储罐异常检测算法研究 - Google Patents
基于fcm-lstm的化工储罐异常检测算法研究 Download PDFInfo
- Publication number
- CN110210569A CN110210569A CN201910495396.4A CN201910495396A CN110210569A CN 110210569 A CN110210569 A CN 110210569A CN 201910495396 A CN201910495396 A CN 201910495396A CN 110210569 A CN110210569 A CN 110210569A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- cluster
- fcm
- output
- 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
- 239000000126 substance Substances 0.000 title claims abstract description 18
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000011160 research Methods 0.000 title abstract description 4
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000013016 learning Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims abstract description 5
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000011664 signaling Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012351 Integrated analysis Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了基于FCM‑LSTM的化工储罐异常检测算法研究。涉及化工设备、神经网络等领域，该方法利用多层网络架构模型作为故障诊断方法，结合监督学习和无监督学习的优点，采用基于数据驱动的故障诊断机制。首先利用无监督具类FCM算法对海量数据进行聚类，依据指定的相似度标准，对数据集进行划分，使得正常数据和故障数据归属到不同的类簇，再运用PSO算法避免初始值的随机选取，加速聚类过程，得到少量标记数据以提高检测性能，然后利用LSTM分别对每个簇和离线历史数据进行训练网路，最后进行多子网并行学习后对结果进行拟合并集成分析，提高网络的泛化能力。这种方法处理的数据量更大，可处理的信息更多，适用范围更广。
Description
技术领域
本发明涉及深度学习和工业控制领域，尤其涉及基于FCM-LSTM的化工储罐异常检测算法的研究。
背景技术
随着计算机技术和互联网技术的发展，工业化技术水平也在不断提高，工业发展进入了新常态。随着物联网的新起，云计算、大数据技术的不断成熟，我们进入了数据爆炸式增长即大数据的时代，传统制造业的发展模式正在发生变革。现代计算机和通信技术与传统化工行业的融合，可以将以往那些低效、高污染、高能耗的生产方式转化为经济效益好、环境污染少、科技含量高的现代化可持续发展模式。
在世界逐步走向工业4.0的时代，由于我国工业自动化起步和发展比较晚，一些传统工业的安全生产基础设施还比较薄弱，所以工业设备的故障检测对于提高设备的可靠性具有重要的意义，在实际的工业应用场景中，我们会面临这样一个问题，设备之间的关系复杂多变，很难使用一个统一的模型来表示设备的状态。
所以在设备故障诊断方法上面需要具有越来越智能化、数字化、集成化等特点。随着人工智能技术的迅速发展，各行各业都已经得到了落地的应用，基于混合智能诊断的策略已经成功运用到监视、控制和故障诊断等领域，这里使用聚类结合长短记忆网络进行储罐设备的检测，能够极大地提高离检测的准确率，获得较好的检测效果。
发明内容
本发明目的在于针对工业控制领域当中设备检测中存在的一系列问题，提出一种新的聚类长短记忆网络检测方法。
为了实现上述发明目的，本发明采用基于FCM-LSTM的化工储罐异常检测方法，可选地，所述方法包括以下步骤：
步骤一：建立数据采集通道：从传感器或其他检测设备中获取电量、非电量信号和少部分人工采集的数据，采用PLC控制系统，直接通过用户数据报协议通信将数据传输到上位机，客户端读取采集信息后，计算并存入数据库；
步骤二：工业控制数据的处理；所述步骤一采集得到工业控制数据集进行特征提取，特征提取根据不同特征的信号采用不同的提取方式。
步骤三：对步骤二中的数据集按照指定的相似度标准，对数据集进行划分，使得正常数据和故障数据归属到不同的类簇，每个簇内部具有高度相似性，簇之间高度分离，因为划分为多个数据簇，所以极大地降低了后续训练数据的复杂度，由于FCM算法在初始中心的选取上容易陷入局部最优解，所以这里会运用PSO 算法避免初始值的随机选取，加速聚类过程；
步骤四：经过步骤三的处理不能够达到很好的检测性能，所以由步骤三得到的多个簇，利用LSTM分别对每个簇和离线历史故障数据进行训练网络，针对每个聚类进行多子网并行学习后需要对结果进行拟合，从而提高网络的泛化能力。
步骤五：多层LSTM网络层提供可提供对时间序列的长时记忆能力，从输出端看，最终准确诊断分类的前提是低层网络需要逐渐抽象化特征以达到易于分类的效果，因此引入DNN全连接层进行非线性变换及特征映射，并加入Softmax回归模型对不同类型信号进行分类；
步骤六：执行完步骤五以后，样本学习完后结束，根据输出的值可以确定有哪些故障类型。
2、根据权利要求1所述的基于FCM-LSTM的化工储罐异常检测方法，其特征在于，步骤三中所述PSO优化FCM算法包括以下步骤：
步骤一：PSO优化V0，利用PSO算法的全局寻优能力优化FCM算法的初始聚类中心V0＝(V2，…，Vc)：
1)初始化聚类数c，数据维度为S，初始种群数为p，最大迭代次数为 MAX_POS，(c1，c2，c3)＝(0.2，0.3，0.5)，确定目标函数：
2)While(MAX_PSO)：
更新粒子本身历史最优位置x和群体的全局最优位置p：
Ppbest＝(xi1，xi2，…，xid)，Pgbest＝(pi1，pi2，…，pid)
更新粒子的位置和速度：
veli＝c1*veli+c2*rand(-1，1)*(Ppbest-xi)+c3*rand(-1，1)*(Pgbest-xi)
zi＝zi+veli
MAX_PSO减1
3)终止，输出V0＝(V2，…，Vc)
步骤二：初始化聚类数c，参数m，设定迭代停止阀值ε，迭代计数器k＝0，初始化聚类中心V0和模糊隶属度矩阵U0＝0，确定目标函数为：
更新隶属度矩阵Uk和聚类中心Vk，计算公式为：
如果满足||Vk+1-Vk||＜ε，则算法停止迭代并输出隶属度矩阵U和聚类中心V，否则另k＝k+1，继续更新隶属度矩阵Uk和聚类中心Vk，根据U输出c个簇即子数据集X′＝(X′1，X′2，…，X′c)
3、根据权利要求1所述的基于FCM-LSTM的化工储罐异常检测方法，其特征在于，步骤四所述的关于LSTM记忆单元处理包括以下步骤：
LSTM记忆单元的细胞状态，遗忘门层输出与上一时刻细胞状态之积，控制信息遗忘。输入门层输出与调制门输出之积，控制信息输入。前后两者之和作为 LSTM记忆单元当前时刻的细胞状态，并且将输出门层输出与tanh层(输入调制门采用tanh函数控制门的状态)处理后的细胞状态之积作为下一单元输出的信息，状态转移方程为：
式中为隐藏层l中时刻t的输出，为隐藏层l中时刻t的细胞状态。
4、根据权利要求1所述的基于FCM-LSTM的化工储罐异常检测方法，其特征在于，步骤五中所述多层LSTM网络学习以及使用Softmax回归模型进行分类包括以下步骤：
1)赋予权值为(-1，1)内的随机数，设定阀值θ
2)确定输入样本X′和期望输出d，建立c个LSTM并行学习
3)计算每个隐含层神经节点的输入和输出：
yc＝f(netj)
4)计算误差：
5)引入平滑因子α，修正网络的权值，加速收敛：
样本学习完结束后，输出结果yjc
6)Softmax回归模型是逻辑分类模型在分类问题上的推广，类标签y可以取 2个及2个以上的值。Softmax回归模型的损失代价函数为：
其中，(x(i)，y(i))为训练样本，m为样本个数，其中输入特征x(i)∈Rn+1，y(i)∈ {1，2，…，k}，θ为训练模型参数，使其能够是最小化代价函数。
5、根据权利要求1所述的基于FCM-LSTM的化工储罐异常检测方法，其特征在于，步骤六中所述集成结果为：
1)确定集成对象：
yj＝[yj1，yj2，…，yjc]，j＝1，2，…，n
2)集成输出结果为：
youtput＝[y1·u1，y2·u2，…，yn·un]
根据输出youtput的值可以确定有哪些故障类型。
与现有技术相比，本发明的有益效果是：目前关于关联规则方法的应用更多的只是得到对应的关联规则，但在合并时的应用并不算多。而在特殊场景下，往往就需要规则合并来得到更加完善的关联规则。本发明在满足合并的条件下，采用循环合并方式和关联规则合并方案，确保关联规则的唯一性以及克服简单合并时会存在的不合理性，使得合并效果大大提高。
附图说明
图1是本发明所述的基于FCM-LSTM的化工储罐异常检测方法的流程图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
给定一组新数据集，接下来利用无监督聚类算法对海量数据进行聚类对其聚类，包括：
步骤一：建立采集通道。将企业的现场实时监控数据通过传感器传到OPC服务端，客户端读取采集信息后，计算并存入数据库，并对记录好的数据进行清洗，去除一些不必要的数据。
步骤二：利用PSO算法的全局寻优能力优化FCM算法的初始聚类中心，加速聚类过程，同时避免算法陷入局部最优解。通过划分多个数据簇，极大地降低了后续训练数据的复杂度，适用于大型数据集的处理。
步骤三：由于故障数据在数据总量中一般占少部分，所以通过FCM层的简单处理不能达到很好的检测性能，该步骤利用上一步骤得到的多个簇，利用LSTM 网络分别对每个簇和离线历史故障数据进行训练网络。经过LSTM网络训练，故障诊断准确率有所提高。理论研究发现，各子LSTM差异性越大，集成效果越好，能明显提高泛化能力。
需要注意的是，网络训练需要大量的样本，所以离线故障信息类型要全面，数量要有保证，这样才能确保网络训练的有效性。不过个别样本的丢失并不影响全局的学习，个别样本之间存在偏差也不影响结果的输出。比如，具有对应关系的两组样本X→Y和X′→Y′，满足X′＝X+V。其中，X为故障输入信息，Y代表故障诊断结果，V为偏差项，可以通过自身学习不断调整权值，能够整合微小差别，因此，这在一定程度上增加了网络的容错能力，在输入微小差别的新故障时，也能够准确找到诊断结果。
步骤四：多子网并行诊断：大型化工企业生产装置均由多个反应系统组成，每个系统的测量侧重点有所不同，因此故障之间相互影响相互依存。故障的不确定性和模糊性构成了一个反应故障特征的模糊样本数据集，针对单个LSTM训练形式，不仅显得结构繁琐复杂，而且识别效率也低，所以使用多个子网对故障并行识别，保证了化工设备稳定、可靠地运行。
可将一种类型的故障或相关故障组成一个子网，每个子网的输入都是同一个特征向量，但是输出不一定相同，输出节点若输出1则表明有故障，0则表示无故障。如果是单故障，则就只有一个输出节点，若为多故障，在单子网中故障输出为1，则在不平衡子网输出也为1，子网故障分配表如表1：
| 子网络 | 故障分配 |
| LSTM1 | F1，(F1，F2)，(F1，F3)，…，(F1，Fn) |
| LSTM2 | (F2，F1)，F2，(F2，F3)，…，(F2，Fn) |
| ... | ... |
| LSTM3 | (Fn，F1)，(Fn，F2)，(Fn，F3)，…，Fn |
表1
以上所述仅为本发明的实施具体说明，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所做的等效结构或等流程变换，或直接或间接运用在相关技术领域，均同理包括在本发明的专利保护范围。
Claims (5)
1.基于FCM-LSTM的化工储罐异常检测方法，其特征在于，所述方法包括以下步骤：
步骤一：建立数据采集通道：从传感器或其他检测设备中获取电量、非电量信号和少部分人工采集的数据，采用PLC控制系统，直接通过用户数据报协议通信将数据传输到上位机，客户端读取采集信息后，计算并存入数据库；
步骤二：工业控制数据的处理；所述步骤一采集得到工业控制数据集进行特征提取，特征提取根据不同特征的信号采用不同的提取方式。
步骤三：对步骤二中的数据集按照指定的相似度标准，对数据集进行划分，使得正常数据和故障数据归属到不同的类簇，每个簇内部具有高度相似性，簇之间高度分离，因为划分为多个数据簇，所以极大地降低了后续训练数据的复杂度，由于FCM算法在初始中心的选取上容易陷入局部最优解，所以这里会运用PSO算法避免初始值的随机选取，加速聚类过程；
步骤四：经过步骤三的处理不能够达到很好的检测性能，所以由步骤三得到的多个簇，利用LSTM分别对每个簇和离线历史故障数据进行训练网络，针对每个聚类进行多子网并行学习后需要对结果进行拟合，从而提高网络的泛化能力。
步骤五：多层LSTM网络层提供可提供对时间序列的长时记忆能力，从输出端看，最终准确诊断分类的前提是低层网络需要逐渐抽象化特征以达到易于分类的效果，因此引入DNN全连接层进行非线性变换及特征映射，并加入Sofimax回归模型对不同类型信号进行分类；
步骤六：执行完步骤五以后，样本学习完后结束，根据输出的值可以确定有哪些故障类型。
2.根据权利要求1所述的基于FCM-LSTM的化工储罐异常检测方法，其特征在于，步骤三中所述PSO优化FCM算法包括以下步骤：
步骤一：PSO优化V0，利用PSO算法的全局寻优能力优化FCM算法的初始聚类中心V0＝(V2，…，Vc)：
1)初始化聚类数c，数据维度为S，初始种群数为p，最大迭代次数为MAX_POS，(c1，c2，c3)＝(0.2，0.3，0.5)，确定目标函数：
2)While(MAX_PSO)：
更新粒子本身历史最优位置x和群体的全局最优位置p：
Ppbest＝(xi1，xi2，…，xid)，Pgbest＝(pi1，pi2，…，pid)
更新粒子的位置和速度：
veli＝c1*veli+c2*rand(-1，1)*(Ppbest-xi)+c3*rand(-1，1)*(Pgbest-xi)
zi＝zi+veli
MAX_PSO减1
3)终止，输出V0＝(V2，…，Vc)
步骤二：初始化聚类数c，参数m，设定迭代停止阀值ε，迭代计数器k＝0，初始化聚类中心V0和模糊隶属度矩阵U0＝0，确定目标函数为：
更新隶属度矩阵Uk和聚类中心Vk，计算公式为：
如果满足||Vk+1-Vk||＜ε，则算法停止迭代并输出隶属度矩阵U和聚类中心V，否则另k＝k+1，继续更新隶属度矩阵Uk和聚类中心Vk，根据U输出c个簇即子数据集X′＝(X′1，X′2，…，X′c) 。
3.根据权利要求1所述的基于FCM-LSTM的化工储罐异常检测方法，其特征在于，步骤四所述的关于LSTM记忆单元处理包括以下步骤：
LSTM记忆单元的细胞状态，遗忘门层输出与上一时刻细胞状态之积，控制信息遗忘。输入门层输出与调制门输出之积，控制信息输入。前后两者之和作为LSTM记忆单元当前时刻的细胞状态，并且将输出门层输出与tanh层(输入调制门采用tanh函数控制门的状态)处理后的细胞状态之积作为下一单元输出的信息，状态转移方程为：
式中为隐藏层l中时刻t的输出，为隐藏层l中时刻t的细胞状态。
4.根据权利要求1所述的基于FCM-LSTM的化工储罐异常检测方法，其特征在于，步骤五中所述多层LSTM网络学习以及使用Softmax回归模型进行分类包括以下步骤：
1)赋予权值为(-1，1)内的随机数，设定阀值θ
2)确定输入样本X′和期望输出d，建立c个LSTM并行学习
3)计算每个隐含层神经节点的输入和输出：
yc＝f(netj)
4)计算误差：
5)引入平滑因子α，修正网络的权值，加速收敛：
样本学习完结束后，输出结果yjc
6)Softmax回归模型是逻辑分类模型在分类问题上的推广，类标签y可以取2个及2个以上的值。Softmax回归模型的损失代价函数为：
其中，(x(i)，y(i))为训练样本，m为样本个数，其中输入特征x(i)∈Rn+1，y(i)∈{1，2，…，k}，θ为训练模型参数，使其能够是最小化代价函数。
5.根据权利要求1所述的基于FCM-LSTM的化工储罐异常检测方法，其特征在于，步骤六中所述集成结果为：
1)确定集成对象：
yj＝[yj1，yj2，…，yjc]，j＝1，2，…，n
2)集成输出结果为：
youtput＝[y1·u1，y2·u2，…，yn·un]
根据输出youtput的值可以确定有哪些故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910495396.4A CN110210569A (zh) | 2019-06-06 | 2019-06-06 | 基于fcm-lstm的化工储罐异常检测算法研究 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910495396.4A CN110210569A (zh) | 2019-06-06 | 2019-06-06 | 基于fcm-lstm的化工储罐异常检测算法研究 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110210569A true CN110210569A (zh) | 2019-09-06 |
Family
ID=67791581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910495396.4A Pending CN110210569A (zh) | 2019-06-06 | 2019-06-06 | 基于fcm-lstm的化工储罐异常检测算法研究 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110210569A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782012A (zh) * | 2019-10-21 | 2020-02-11 | 衢州学院 | 一种危化品车辆运输状态自学习预警模型的搭建方法 |
| CN111123894A (zh) * | 2019-12-30 | 2020-05-08 | 杭州电子科技大学 | 一种基于lstm和mlp结合的化工过程故障诊断方法 |
| CN113009888A (zh) * | 2019-12-20 | 2021-06-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种产线设备状态预测识别装置及系统 |
| CN113223392A (zh) * | 2021-05-18 | 2021-08-06 | 信阳农林学院 | 一种用于pm2.5小时浓度预测的混合集成模型 |
| CN114692694A (zh) * | 2022-04-11 | 2022-07-01 | 合肥工业大学 | 一种基于特征融合和集成聚类的设备故障诊断方法 |
| CN114880384A (zh) * | 2022-07-11 | 2022-08-09 | 杭州宇谷科技有限公司 | 一种无监督二轮电动车充电时序异常检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299035A (zh) * | 2014-09-29 | 2015-01-21 | 国家电网公司 | 基于聚类算法和神经网络的变压器故障诊断方法 |
| CN106649919A (zh) * | 2016-09-13 | 2017-05-10 | 上海电气电站环保工程有限公司 | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 |
| US20190156298A1 (en) * | 2017-11-17 | 2019-05-23 | The Boeing Company | Machine learning based repair forecasting |
| CN109800875A (zh) * | 2019-01-08 | 2019-05-24 | 华南理工大学 | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 |
-
2019
- 2019-06-06 CN CN201910495396.4A patent/CN110210569A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299035A (zh) * | 2014-09-29 | 2015-01-21 | 国家电网公司 | 基于聚类算法和神经网络的变压器故障诊断方法 |
| CN106649919A (zh) * | 2016-09-13 | 2017-05-10 | 上海电气电站环保工程有限公司 | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 |
| US20190156298A1 (en) * | 2017-11-17 | 2019-05-23 | The Boeing Company | Machine learning based repair forecasting |
| CN109800875A (zh) * | 2019-01-08 | 2019-05-24 | 华南理工大学 | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨小健等: "基于FCM-ANN的化工储罐异常检测方法研究", 《计算机应用与软件》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782012A (zh) * | 2019-10-21 | 2020-02-11 | 衢州学院 | 一种危化品车辆运输状态自学习预警模型的搭建方法 |
| CN113009888A (zh) * | 2019-12-20 | 2021-06-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种产线设备状态预测识别装置及系统 |
| CN113009888B (zh) * | 2019-12-20 | 2021-12-24 | 中国科学院沈阳计算技术研究所有限公司 | 一种产线设备状态预测识别装置 |
| CN111123894A (zh) * | 2019-12-30 | 2020-05-08 | 杭州电子科技大学 | 一种基于lstm和mlp结合的化工过程故障诊断方法 |
| CN113223392A (zh) * | 2021-05-18 | 2021-08-06 | 信阳农林学院 | 一种用于pm2.5小时浓度预测的混合集成模型 |
| CN114692694A (zh) * | 2022-04-11 | 2022-07-01 | 合肥工业大学 | 一种基于特征融合和集成聚类的设备故障诊断方法 |
| CN114692694B (zh) * | 2022-04-11 | 2024-02-13 | 合肥工业大学 | 一种基于特征融合和集成聚类的设备故障诊断方法 |
| CN114880384A (zh) * | 2022-07-11 | 2022-08-09 | 杭州宇谷科技有限公司 | 一种无监督二轮电动车充电时序异常检测方法及系统 |
| CN114880384B (zh) * | 2022-07-11 | 2022-09-23 | 杭州宇谷科技有限公司 | 一种无监督二轮电动车充电时序异常检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210569A (zh) | 基于fcm-lstm的化工储罐异常检测算法研究 | |
| CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
| CN109165504B (zh) | 一种基于对抗生成网络的电力系统虚假数据攻击识别方法 | |
| CN115270956A (zh) | 基于持续学习的跨设备增量轴承故障诊断方法 | |
| CN111145042A (zh) | 一种采用全连接神经网络的配电网电压异常诊断方法 | |
| CN113281029B (zh) | 一种基于多尺度网络结构的旋转机械故障诊断方法及系统 | |
| CN111680820A (zh) | 分布式光伏电站故障诊断方法和装置 | |
| 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 | |
| CN111368863A (zh) | 一种智能化的岸桥关键机构健康状态评估方法 | |
| CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
| CN111812507A (zh) | 一种基于图卷积的电机故障诊断方法 | |
| Saidala et al. | Multi-swarm whale optimization algorithm for data clustering problems using multiple cooperative strategies | |
| WO2019178930A1 (zh) | 一种机械设备故障诊断方法 | |
| CN108198268A (zh) | 一种生产设备数据标定方法 | |
| CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
| CN108205727B (zh) | 一种基于决策树和专家系统的数字化车间工艺决策方法 | |
| CN101149819A (zh) | 气象要素实时数据中奇异值的剔除方法 | |
| CN114548295A (zh) | 基于多尺度领域自适应网络的轴承故障分类系统及方法 | |
| Mehta et al. | A greedy agglomerative framework for clustered federated learning | |
| CN116501444B (zh) | 智能网联汽车域控制器虚拟机异常云边协同监测和恢复系统及方法 | |
| Jiang et al. | A SVDD and K‐Means Based Early Warning Method for Dual‐Rotor Equipment under Time‐Varying Operating Conditions | |
| CN107403195B (zh) | 一种运载机器人识别楼层的气象参数智能融合处理方法 | |
| CN116720743A (zh) | 基于数据聚类和机器学习的碳排放测算方法 | |
| CN114510552A (zh) | 一种基于分词技术的工业互联网产业链分类方法及系统 | |
| CN112816211A (zh) | 一种基于pso-bp算法的带式输送机故障诊断的方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190906 |
|
| WD01 | Invention patent application deemed withdrawn after publication |