CN110244690A - 一种多变量工业过程故障辨识方法及系统 - Google Patents
一种多变量工业过程故障辨识方法及系统 Download PDFInfo
- Publication number
- CN110244690A CN110244690A CN201910530828.0A CN201910530828A CN110244690A CN 110244690 A CN110244690 A CN 110244690A CN 201910530828 A CN201910530828 A CN 201910530828A CN 110244690 A CN110244690 A CN 110244690A
- Authority
- CN
- China
- Prior art keywords
- fault
- statistic
- mode
- data
- data set
- 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
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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Complex Calculations (AREA)
Abstract
本公开公开了一种多变量工业过程故障辨识方法及系统,包括:接收正常操作工况数据集和故障模式数据集,根据正常操作工况数据集将故障模式数据集得到归一化的故障模式数据集;采用移动窗口技术获得各故障模式数据集的统计量模式矩阵;检测到工业过程发送故障后,接收实时故障数据组成的待辨识数据集,根据正常操作工况数据集得到归一化的待辨识数据集;采用移动窗口技术获得待辨识数据集的统计量模式矩阵;在统计量模式空间中,从各故障模式数据集的统计量模式矩阵中提取出故障方向,依次沿各故障模式数据的故障方向对待辨识数据的统计量模式矩阵在残差空间中进行故障重构;计算故障识别指标,确定待识别故障数据的故障类型。
Description
技术领域
本公开属于多变量工业过程故障识别的技术领域,涉及一种多变量工业过程故障辨识方法及系统,尤其涉及一种基于统计量模式分析故障重构的多变量工业过程故障辨识方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着计算机控制系统的广泛应用,现代工业系统日益趋于大型化、集成化、复杂化,工业过程的故障诊断已经成为保证现代工业系统安全、可靠、无故障稳定运行的关键技术。由于在工业过程中能够实时采集和存储丰富的过程运行数据,基于数据驱动的故障检测与诊断技术逐渐成为工业过程监控领域的研究热点。研究人员提出了一系列基于数据驱动的故障诊断方法,比如主元分析(PCA)、偏最小二乘(PLS)和统计量模式分析(SPA)等。
然而,发明人在研究过程中发现,现有故障诊断方法的研究大多数集中在故障检测问题上(即如何快速有效的发现过程在运行时出现故障),检测到故障发生后,针对故障源的诊断问题(即识别故障的类型和发生的原因)的研究相对较少。因此检测到故障后,如何继续辨识故障的类型是工业过程故障诊断中一种更具有挑战性的研究问题。
贡献图法是一种比较成熟和广泛使用的故障变量辨识方法,该方法简单易行且不需要与故障有关的先验知识。但是,由于过程变量间的相关性和相互耦合,贡献图法容易产生“smearing”效应,导致故障的影响会从真实的故障变量传播到正常过程变量,无法正确识别故障发生的根源。当工业过程数据库中存在一些已知的故障模式数据时,利用从故障模式数据中提取的故障方向,基于PCA故障重构的方法能够更加准确和高效的识别故障类型。Dunia等首先提出基于PCA故障重构的方法。近年来,基于PCA的故障重构法作为一种有效的故障识别技术,引起了国内外研究人员的广泛关注。该方法基于故障方向消除故障的影响以计算重构后的正常数据样本,当真实的故障方向被应用于消除故障影响时,重构后的数据样本会回到正常状态。虽然基于PCA故障重构的方法取得了一定的应用成果,但是其缺点在于:
(1)在故障重构时均假定过程数据服从高斯分布,然而如果过程数据实际上不服从高斯分布则会恶化故障类型的识别效果;
(2)直接在原始过程数据上进行故障重构,无法充分利用过程数据的高阶统计信息。
发明内容
针对现有技术中存在的不足,本公开的一个或多个实施例提供了一种多变量工业过程故障辨识方法及系统,基于统计量模式分析(SPA)的故障重构技术,首先提取待辨识故障数据和数据库中故障模式数据的统计量模式以充分挖掘数据的高阶统计信息,然后在统计量模式空间中基于各故障模式的方向对待辨识故障数据进行重构,解决过程数据不服从高斯分布的问题,并有效辨识其故障类型。
根据本公开的一个或多个实施例的一个方面,提供一种多变量工业过程故障辨识方法。
一种多变量工业过程故障辨识方法,该方法包括:
接收正常操作工况数据集和故障模式数据集,根据正常操作工况数据集将故障模式数据集进行标准化处理,得到归一化的故障模式数据集;
采用移动窗口技术获得各故障模式数据集的统计量模式矩阵;
检测到工业过程发送故障后,接收实时故障数据组成的待辨识数据集,根据正常操作工况数据集将其进行标准化处理,得到归一化的待辨识数据集;
采用移动窗口技术获得待辨识数据集的统计量模式矩阵;
在统计量模式空间中,从各故障模式数据集的统计量模式矩阵中提取出故障方向,依次沿各故障模式数据的故障方向对待辨识数据的统计量模式矩阵在残差空间中进行故障重构;
计算故障识别指标,确定待识别故障数据的故障类型。
进一步地,在该方法中,所述根据正常操作工况数据集将故障模式数据集进行标准化处理的具体步骤包括:
计算正常操作工况数据集的均值和标准差;
根据正常操作工况数据集的均值和标准差,分别对各故障模式数据集进行标准化处理。
进一步地,在该方法中,所述采用移动窗口技术获得统计量模式矩阵的具体步骤包括:
对数据集构造可移动的数据窗,计算每个数据窗中的一阶统计量、二阶统计量、三阶统计量和四阶统计量;
将各统计量变量排列成一个行向量,获得一个数据窗窗口数据所对应的统计量模式;
数据窗在各数据集中不断向前移动,将来自不同窗口数据的统计量模式组合在一起,获得各数据集的统计量模式矩阵。
进一步地,在该方法中,所述一阶统计量为均值,所述二阶统计量为变量方差、相关性和自相关性,所述三阶统计量为偏度,所述四阶统计为峰度。
进一步地,在该方法中,所述故障重构的具体步骤包括:
计算故障模式数据集的统计量模式矩阵的协方差矩阵;
对故障模式的统计量模式协方差矩阵进行特征值分解,保留与前L个最大特征值相对应的特征向量组成故障模式数据集的负荷矩阵;
对于故障模式数据的统计量模式矩阵中的统计量模式为故障模式的正交单位化故障方向与故障模式的故障幅值的乘积与消除故障影响后的正常值之和;
对统计量模型矩阵进行奇异值分解;
计算故障方向在残差空间上的投影,并进行奇异值分解;
基于故障方向在残差空间中对统计量模式进行故障重构,计算重构后的正常样本。
进一步地,在该方法中,最小化重构后的正常样本到残存空间的距离计算最优的残差空间中的故障幅值的估计值,根据故障统计量模式矩阵计算残差空间中的故障方向,依次沿故障方向对待辨识数据的统计量模式矩阵的数据在残差空间中进行故障重构。
进一步地,在该方法中,所述确定待识别故障数据的故障类型的具体步骤包括:
对故障识别指标进行排序,最小故障识别指标所在的索引表示故障类型的识别结果。
根据本公开的一个或多个实施例的一个方面,提供一种计算机可读存储介质。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种多变量工业过程故障辨识方法。
根据本公开的一个或多个实施例的一个方面,提供一种终端设备。
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种多变量工业过程故障辨识方法。
根据本公开的一个或多个实施例的一个方面,提供一种多变量工业过程故障辨识装置。
一种多变量工业过程故障辨识装置,基于所述的一种多变量工业过程故障辨识方法,包括:
离线建模模块,被配置为接收正常操作工况数据集和故障模式数据集,根据正常操作工况数据集将故障模式数据集进行标准化处理,得到归一化的故障模式数据集;采用移动窗口技术获得各故障模式数据集的统计量模式矩阵;在统计量模式空间中,从各故障模式数据集的统计量模式矩阵中提取出故障方向;
故障在线辨识模块,被配置为检测到工业过程发送故障后,接收实时故障数据组成的待辨识数据集,根据正常操作工况数据集将其进行标准化处理,得到归一化的待辨识数据集;采用移动窗口技术获得待辨识数据集的统计量模式矩阵;依次沿各故障模式数据的故障方向对待辨识数据的统计量模式矩阵在残差空间中进行故障重构;计算故障识别指标,确定待识别故障数据的故障类型。
本公开的有益效果:
(1)本公开提供的一种多变量工业过程故障辨识方法及系统,基于统计量模式分析的故障重构方法辨识故障类型,不同于传统的贡献图法由于变量间的相互耦合容易产生“smearing”效应的问题,该方法利用所提取的故障方向对待辨识故障数据进行重构,消除故障对待辨识数据产生的影响,能够更加准确的识别故障类型。
(2)本公开提供的一种多变量工业过程故障辨识方法及系统,引入统计量模式分析技术,首先计算原始过程变量的各阶统计量变量,通过构建原始过程变量的六个统计量变量将过程数据从原始空间变换到了统计量模式空间,因此无需假定过程变量必须服从高斯分布同时能够充分挖掘过程数据的高阶统计信息,改善了故障识别结果。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是根据一个或多个实施例的一种多变量工业过程故障辨识方法流程图;
图2是根据一个或多个实施例的基于统计量模式分析故障重构的故障辨识方法流程图;
图3是根据一个或多个实施例的基于统计量模式分析的故障重构方法方框图;
图4是根据一个或多个实施例的CSTR系统的结构图;
图5(a)是根据一个或多个实施例的基于PCA的故障重构方法对待识别故障数据集F3S的故障类型识别结果图;
图5(b)是根据一个或多个实施例的基于SPA的故障重构方法对待识别故障数据集F3S的故障类型识别结果图;
图6(a)是根据一个或多个实施例的基于PCA的故障重构方法对F4S的故障模式识别效果图;
图6(b)是根据一个或多个实施例的基于SPA的故障重构方法对F4S的故障模式识别效果图;
图7(a)是根据一个或多个实施例的基于PCA的故障重构方法对F5S的故障模式识别效果图;
图7(b)是根据一个或多个实施例的基于SPA的故障重构方法对F5S的故障模式识别效果图。
具体实施方式:
下面将结合本公开的一个或多个实施例中的附图,对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开的一个或多个实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合,下面结合附图与实施例对本公开作进一步说明。
实施例一
根据本公开的一个或多个实施例的一个方面,提供一种多变量工业过程故障辨识方法。
如图1-3所示,一种多变量工业过程故障辨识方法,该方法包括:
一种多变量工业过程故障辨识方法,该方法包括:
步骤S1:接收正常操作工况数据集和故障模式数据集,根据正常操作工况数据集将故障模式数据集进行标准化处理,得到归一化的故障模式数据集;
收集历史数据库中的正常操作工况数据集Xo和C类已知的故障模式数据集{Fo1,Fo2,…,FoC},计算正常操作工况数据集的均值mean(Xo)和标准差std(Xo)并分别对已知的故障模式数据集进行标准化处理,得到归一化的故障模式数据集{F1,F2,…,FC}。
步骤S2:采用移动窗口技术获得各故障模式数据集的统计量模式矩阵;
对于归一化的各个故障模式数据集Fj,j=1,2,…,C,构造可移动的数据窗,计算每个数据窗中的一阶统计量均值ui,二阶统计量:变量方差vi、相关性ri,j、自相关性ri d和三阶统计量偏度γi和四统计量峰度κi这六种统计量变量。
将六种统计量变量排列成一个行向量以获得一个窗口数据所对应的统计量模式(SP)。数据窗在各故障模式数据集中不断向前移动,将来自不同窗口数据的SP组合在一起,获得各故障模式数据集的统计量模式矩阵Fsp(j),j=1,2,…,C。
步骤S3:检测到工业过程发送故障后,接收实时故障数据组成的待辨识数据集,根据正常操作工况数据集将其进行标准化处理,得到归一化的待辨识数据集;
检测到过程发生故障后,收集实时故障数据组成待辨识数据集S,利用正常工况数据对其进行归一化
步骤S4:采用移动窗口技术获得待辨识数据集的统计量模式矩阵;根据步骤S2中的移动窗口技术计算待辨识数据集的统计量模式矩阵Ssp。
步骤S5:在统计量模式空间中,从各故障模式数据集的统计量模式矩阵中提取出故障方向,依次沿各故障模式数据的故障方向对待辨识数据的统计量模式矩阵在残差空间中进行故障重构;
在统计量模式空间中,从各故障模式数据集的统计量模式矩阵Fsp(j)中提取出故障方向Ξj,j=1,2,…,C后,依次沿各故障模式数据的故障方向Ξj对待辨识数据的统计量模式矩阵Ssp在残差空间中进行故障重构以消除故障的影响,并计算故障识别指标ηSPA(j),j=1,2,…,C。
步骤S6:计算故障识别指标,确定待识别故障数据的故障类型。
对故障识别指标ηSPA(j),j=1,2,…,C进行升序排列,确定待识别故障数据的故障类型。定义最小故障识别指标的索引jmin和识别对比度RCD评价故障辨识的效果。
以连续搅拌反应釜(CSTR)系统为例,在CSTR系统中,物料A进入反应器,发生一阶不可逆化学方应,生成物料B,放出热量,通过外面的夹套冷却剂对反应器降温,为保证过程正常运行,采用串级控制系统控制反应器的液位和温度,其结构图如图4所示。
根据过程机理,建立CSTR系统的动态机理模型如下:
式中,A是反应器截面积,cA是反应器内物料A的浓度,cAF是物料A在进料中的浓度,Cp是反应物比热,CpC是冷却剂比热,E是活化能,h是反应器液位,k0是反应因子,QF进料流量,QC是冷却剂流量,R是气体常数,T是反应器内温度,TC是冷却剂出口温度,TCF是冷却剂入口温度,TF是反应器进料温度,U是换热系数,AC是总的换热面积,ESPE是反应热,ρ是反应物密度,是冷却剂密度。
根据动态机理模型,对CSTR系统进行仿真。在仿真过程中,采集反应器进料流量、反应器进料温度、进料中物料A浓度、反应器内温度、反应器液位、反应器出料流量、反应器出料中物料A浓度、冷却剂入口温度、冷却剂出口温度和冷却剂流量10个测量变量。
在CSTR的仿真过程中加入服从高斯分布的测量噪声,采集1200个正常工况下的样本数据作为训练集数据。模拟了5类故障的发生,在每一类故障中分别采集1200个样本点,建立故障模式数据库(F1H、F2H、F3H、F4H、F5H),故障类型如表1。检测到过程发生故障后,从故障检测时刻开始,对这5类故障分别采集800个样本点组成待辨识故障数据库(F1S、F2S、F3S、F4S、F5S)。
表1 CSTR系统故障类型
在本公开的一个或多个实施例的所述步骤S1中,通过公式(5)对各故障模式数据根据正常工况数据进行标准化处理,公式(5)的表达式如下:
Fj=(Foj-mean(Xo))/std(Xo), (j=1,2,…,C) (5)
经上述公式(1)标准化处理后即可获得归一化的故障模式数据集{F1,F2,…,FC}。
在本公开的一个或多个实施例的所述步骤S2中,对于归一化的各个故障模式数据集Fj,j=1,2,…,C,构造可移动的数据窗,计算每个数据窗中的一阶统计量均值ui,二阶统计量:变量方差vi、相关性ri,j、自相关性ri d和三阶统计量偏度γi和四统计量峰度κi这六种统计量变量。构造可移动数据窗的步骤为:任意t时刻上一个数据窗口内的观测样本矩阵Xw构造如公式(6)所示:
其中w表示窗口的宽度,t表示当前的时间索引。
进一步的,所述六种统计量变量分别根据公式(7)、(8)、(9)、(10)、(11)、(12)计算获得,公式(7)至(12)的表达式如下所示:
一阶统计量是过程变量的均值ui,表达式为:
二阶统计量包括变量的方差vi、变量间的相关性ri,j和变量的自相关性ri d,表达式如下:
三阶统计量偏度γi和四阶统计量峰度的表达式分别如下:
将七种统计量变量排列成一个行向量以获得一个窗口数据所对应的统计量模式(SP)。数据窗在各故障模式数据集中不断向前移动,将来自不同窗口数据的SP组合在一起,获得各故障模式数据集的统计量模式矩阵Fsp(j),j=1,2,…,C。
在本公开的一个或多个实施例的所述步骤S2中,根据上面所述的六个公式(7)至(12)可从一个数据窗中计算得到6种统计量,将这6种统计量排列成一个行向量,就可以获得一个窗口数据所对应的统计量模式(SP),其构造表达式如下:
SP(t)=[u,v,r,rd,γ,κ] (13)
其中,u=[μ1,…,μm],ν=[v1,…,vm],r=[r1,…,rm(m-1)2],rd=[rd 1,…,rd md],γ=[γ1,…,γm],κ=[κ1,…,κm],m表示过程数据的变量个数,d表示最大的时滞。
设置数据窗口在各故障模式矩阵Fj,j=1,2,…,C中沿采样时间不断向前移动,将来自不同窗口数据的SP组合在一起,进而获得各故障模式的统计量模型矩阵Fsp(j),j=1,2,…,C,记为:
在本公开的一个或多个实施例的所述步骤S3中,检测到故障发生后,从故障检测时刻开始采集故障数据并构建归一化后的待辨识故障数据集S。
在本公开的一个或多个实施例的所述步骤S4中,利用步骤S2中介绍的移动窗口技术根据公式(7)至(12)计算待识别故障数据集的统计量模式矩阵Ssp,表达式为:
Ssp=[SPs T(1),SPs T(2),…,SPs T(ns)]T (15)
其中,SPs(i)=[u,v,r,rd,γ,κ],i=1,2,…,ns。
在本公开的一个或多个实施例的所述步骤S5中,对于已知的C类故障模式数据集的统计量模式矩阵分别包含ms个过程变量的nj个统计量模式。矩阵Fsp(j)的协方差矩阵计算公式为:
对第j个故障模式的统计量模式协方差矩阵Rj进行特征值分解:
其中,表示在统计量模式空间中第j个故障模式矩阵的第i个特征向量,表示对应的第i个特征值。
保留与前L个最大特征值相对应的特征向量组成第j个故障模式数据集的负荷矩阵Pj,j=1,2,…,C。
对于第j类故障模式数据的统计量模式矩阵其中的统计量模式可表示成如下形式:
其中,表示消除故障影响后的正常值;Ξj表示第j类故障模式的正交单位化故障方向;f(i)表示第j类故障模式的故障幅值。
对统计量模型矩阵Fsp(j)进行奇异值分解:
故障方向Ξj定义为Ξj=Uj。
计算故障方向Ξj在残差空间上的投影:
其中,Pj表示根据公式计算出的第j个故障统计量模式矩阵的负荷矩阵。
对矩阵进一步进行奇异值分解:
基于故障方向在残差空间中对统计量模式进行故障重构以消除故障对其的影响,计算重构后的正常样本
其中,表示统计量模式在残差空间中的投影,表示在残差空间中消除故障影响后的正常值,表示残差空间中的故障幅值
在本公开的一个或多个实施例的所述步骤S5中,通过最小化到残存空间的距离以寻找最优的估计值f(i):
根据上述的公式(19)和(20)从C类故障统计量模式矩阵Fsp(j)中计算出残差空间中的故障方向后,依次沿故障方向对待辨识统计量模式矩阵Ssp的数据在残差空间中进行故障重构,消除故障对其的影响。
其中,表示统计量模式SPs(i)在残差空间中的投影,表示在残差空间中消除故障影响后的正常值,Ps表示待辨识统计量模式矩阵的负荷矩阵,用矩阵SPs替换矩阵Fsp(j)后,可根据公式(16)和公式(17)计算出矩阵Ps。
假定待辨识故障数据实际上属于第k类故障模式,在残差空间中当沿真实的故障方向对待辨识计量模式矩阵Ssp进行故障重构时,能够尽可能大的消除故障的影响,重构后的统计量模式越靠近主元空间,其监控统计量Dr(k|k)在正常控制限以下,即:
其中σ2表示统计量模式在残差空间中的控制限。
残差空间中当沿其余的故障方向对待辨识计量模式矩阵Ssp进行故障重构时,无法消除故障的影响,重构后的统计量模式所对应的监控统计量Dr(c|k)在正常控制限以上,即:
在本公开的一个或多个实施例的所述步骤S5中,在残差空间中依次沿C类故障模式的故障方向待辨识统计量模式矩阵Ssp进行故障重构,计算出监控统计量Dr(j)后,定义故障识别指标ηSPA(j)如公式(27)所示。
若Fj是待辨识故障数据中实际发生的故障,则ηSPA(j)的值最小;反之,ηSPA(j)的值相对较大。
在本公开的一个或多个实施例的所述步骤S6中,对故障识别指标ηSPA(j),j=1,2,…,C进行排序,最小故障识别指标所在的索引表示故障类型的识别结果最小故障识别指标的索引定义为:
已假定真实故障模式的序号为k,如果jmin=k,则表示故障识别结果是正确的。
进一步的,获得故障识别结果后,为了评价不同故障识别方法的故障辨识效果,定义故障识别对比度RCD这个故障识别性能指标对比不同方法的故障识别效果。故障识别对比度RCD的计算公式为:
式中,ηSPA(jmin)表示计算得到的一系列ηSPA(j),j=1,2,…,C中最小的ηSPA(j)值,ηSPA(jsubmin)表示一系列ηSPA(j),j=1,2,…,C中第二小的ηSPA(j)值。γ表示故障识别错误参数,对于错误的故障识别结果,取γ=-1;对于正确的故障识别结果,取γ=1。
很显然,RCD值越大,表示故障识别结果越清晰,可信度越高;RCD值越小,表示故障识别结果的清晰度越低,可信度越低。
在本仿真实例中,采用基于PCA故障重构的故障辨识方法与本发明基于SPA故障重构的故障辨识方法对CSTR系统进行故障模式识别,并对比这两种方法的故障辨识效果。
在基于SPA故障重构的方法中,对于待识别故障数据集,取窗口宽度w=10,窗口每次向前移动2个样本点;对于故障模式数据集,取窗口宽度w=10,窗口每次向前移动3个样本点,取时间滞后d=2。依据主元方差的贡献率在95%以上的原则选取主元模型的阶数L,监控统计量Dr的控制限根据99%的置信限确定。为了公平起见,在基于PCA故障重构的方法中,也依据主元方差的贡献率在95%以上的原则选取主元模型的阶数,监控统计量的控制限根据99%的置信限确定。
综合对比上述两种方法,如图5(a)-图5(b)、图6(a)-图6(b)、图7(a)-图7(b)以待识别故障数据集F3S、F4S和F5为例说明故障识别效果。
表2基于PCA和SPA的故障重构方法对F3S的故障识别指标比较表
F1H | F2H | F3H | F4H | F5H | |
η<sub>PCA</sub> | 0.7435 | 0.5606 | 0.2830 | 0.4826 | 0.8287 |
η<sub>SPA</sub> | 0.6126×10<sup>-7</sup> | 0.8642×10<sup>-7</sup> | 0.0634×10<sup>-7</sup> | 0.9397×10<sup>-7</sup> | 0.7585×10<sup>-7</sup> |
待识别故障数据集F3S的真实故障为反应器温度测量存在偏差,基于PCA的故障重构法和基于SPA的故障重构法对数据集F3S的故障模式辨识效果见图5(a)-(b),这个两种方法对数据集F3S的具体故障识别指标见表2。结合图5和表2可以看出,基于PCA和SPA的故障重构方法都能正确辨识待识别数据集F3S的故障类型(均认为与故障模式F3H的故障类型一致)。但是在应用基于PCA的故障重构方法时,数据集F3S的故障识别对比度RCD值为0.4136,故障辨识结果不清晰;在应用基于SPA的故障重构方法时,数据集F3S的故障识别对比度RCD值为0.8952,故障辨识结果比较清晰。因此基于SPA的故障重构方法对待识别故障数据集F3S具有更好的故障辨识效果。
表3基于PCA和SPA的故障重构法对F4S的故障识别指标比较表
F1H | F2H | F3H | F4H | F5H | |
η<sub>PCA</sub> | 0.8567 | 0.5875 | 0.6803 | 0.3190 | 0.4579 |
η<sub>SPA</sub> | 9.9871×10<sup>-7</sup> | 7.9572×10<sup>-7</sup> | 6.6801×10<sup>-7</sup> | 1.0774×10<sup>-7</sup> | 13.320×10<sup>-7</sup> |
待识别故障数据集F4S的真实故障为进料A流量出现阶跃变化,基于PCA的故障重构法和基于SPA的故障重构法对数据集F4S的故障模式辨识效果见图6(a)-(b),这个两种方法对数据集F4S的具体故障识别指标见表3。结合图6和表3可以看出,基于PCA和SPA的故障重构方法都能正确辨识待识别数据集F4S的故障类型(均认为与故障模式F4H的故障类型一致)。但是在应用基于PCA的故障重构方法时,数据集F4S的故障识别对比度RCD值为0.3033,故障辨识结果不清晰;在应用基于SPA的故障重构方法时,数据集F4S的故障识别对比度RCD值为0.8388,故障辨识结果比较清晰。因此基于SPA的故障重构方法对待识别故障数据集F4S具有更好的故障辨识效果。
表4基于PCA和SPA的故障重构法对F5S的故障识别指标比较表
F1H | F2H | F3H | F4H | F5H | |
η<sub>PCA</sub> | 0.9650 | 0.5722 | 0.8626 | 0.4334 | 0.7952 |
η<sub>SPA</sub> | 7.7562×10<sup>-7</sup> | 8.8230×10<sup>-7</sup> | 9.5415×10<sup>-7</sup> | 10.1330×10<sup>-7</sup> | 1.0562×10<sup>-7</sup> |
待识别故障数据集F5S的真实故障为进料A浓度出现斜坡上升,基于PCA的故障重构法和基于SPA的故障重构法对数据集F5S的故障模式辨识效果见图7(a)-(b),这个两种方法对数据集F5S的具体故障识别指标见表4。结合图7和表4可以看出,在应用基于PCA的故障重构方法时,数据集F5S对于故障模式F4H的故障识别指标最小,因此认为待辨识数据F5S与F4H的故障类型一致,这显然是错误的故障辨识结果。在应用基于SPA的故障重构方法时,数据集F5S对于故障模式F5H的故障识别指标最小,因此认为待辨识数据F5S与F5H的故障类型一致,能够获得正确的故障识别结果。因此基于SPA的故障重构方法对待识别故障数据集F5S具有更好的故障辨识效果。
表5基于PCA和SPA的故障重构法对五种待辨识故障数据的辨识结果
表5给出了基于PCA的故障重构法和基于SPA的故障重构法对待识别故障数据集F1S-F5S的故障类型辨识结果。从表5可以看出,对于待识别数据集F1S-F4S,这两种方法均能正确识别其故障类型。但是应用基于PCA的故障重构法时,待识别数据集F1S-F4S的故障识别对比度RCD值均小于0.45,故障识别效果不清晰;应用基于SPA的故障重构法时,待识别数据集F1S-F4S的故障识别对比度RCD值均大于0.83,故障识别效果更加清晰,可信度更高。对于待识别数据集F5S,基于PCA的故障重构法将F5S的故障类型错误的认为与故障模式F4H的类型一致,相应的故障识别对比度RCD值为-0.2426;而基于SPA的故障重构法能够正确的辨识F5S的故障类型,相应的故障识别对比度RCD值也达到了0.8639。综合以上分析,本发明的基于SPA故障重构方法的故障辨识效果明显优于基于PCA的故障重构方法。
实施例二
根据本公开的一个或多个实施例的一个方面,提供一种计算机可读存储介质。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种多变量工业过程故障辨识方法。
实施例三
根据本公开的一个或多个实施例的一个方面,提供一种终端设备。
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种多变量工业过程故障辨识方法。
这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。
在本公开一个或多个实施例中,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开内容的各个方面。
实施例四
根据本公开的一个或多个实施例的一个方面,提供一种多变量工业过程故障辨识装置。
一种多变量工业过程故障辨识装置,基于所述的一种多变量工业过程故障辨识方法,包括:
离线建模模块,被配置为接收正常操作工况数据集和故障模式数据集,根据正常操作工况数据集将故障模式数据集进行标准化处理,得到归一化的故障模式数据集;采用移动窗口技术获得各故障模式数据集的统计量模式矩阵;在统计量模式空间中,从各故障模式数据集的统计量模式矩阵中提取出故障方向;
故障在线辨识模块,被配置为检测到工业过程发送故障后,接收实时故障数据组成的待辨识数据集,根据正常操作工况数据集将其进行标准化处理,得到归一化的待辨识数据集;采用移动窗口技术获得待辨识数据集的统计量模式矩阵;依次沿各故障模式数据的故障方向对待辨识数据的统计量模式矩阵在残差空间中进行故障重构;计算故障识别指标,确定待识别故障数据的故障类型。
应当注意,尽管在上文的详细描述中提及了设备的若干模块或子模块,但是这种划分仅仅是示例性而非强制性的。实际上,根据本公开的实施例,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
本公开的有益效果:
(1)本公开提供的一种多变量工业过程故障辨识方法及系统,基于统计量模式分析的故障重构方法辨识故障类型,不同于传统的贡献图法由于变量间的相互耦合容易产生“smearing”效应的问题,该方法利用所提取的故障方向对待辨识故障数据进行重构,消除故障对待辨识数据产生的影响,能够更加准确的识别故障类型。
(2)本公开提供的一种多变量工业过程故障辨识方法及系统,引入统计量模式分析技术,首先计算原始过程变量的各阶统计量变量,通过构建原始过程变量的六个统计量变量将过程数据从原始空间变换到了统计量模式空间,因此无需假定过程变量必须服从高斯分布同时能够充分挖掘过程数据的高阶统计信息,改善了故障识别结果。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。因此,本公开将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种多变量工业过程故障辨识方法,其特征在于,该方法包括:
接收正常操作工况数据集和故障模式数据集,根据正常操作工况数据集将故障模式数据集进行标准化处理,得到归一化的故障模式数据集;
采用移动窗口技术获得各故障模式数据集的统计量模式矩阵;
检测到工业过程发送故障后,接收实时故障数据组成的待辨识数据集,根据正常操作工况数据集将其进行标准化处理,得到归一化的待辨识数据集;
采用移动窗口技术获得待辨识数据集的统计量模式矩阵;
在统计量模式空间中,从各故障模式数据集的统计量模式矩阵中提取出故障方向,依次沿各故障模式数据的故障方向对待辨识数据的统计量模式矩阵在残差空间中进行故障重构;
计算故障识别指标,确定待识别故障数据的故障类型。
2.如权利要求1所述的一种多变量工业过程故障辨识方法,其特征在于,在该方法中,所述根据正常操作工况数据集将故障模式数据集进行标准化处理的具体步骤包括:
计算正常操作工况数据集的均值和标准差;
根据正常操作工况数据集的均值和标准差,分别对各故障模式数据集进行标准化处理。
3.如权利要求1所述的一种多变量工业过程故障辨识方法,其特征在于,在该方法中,所述采用移动窗口技术获得统计量模式矩阵的具体步骤包括:
对数据集构造可移动的数据窗,计算每个数据窗中的一阶统计量、二阶统计量、三阶统计量和四阶统计量;
将各统计量变量排列成一个行向量,获得一个数据窗窗口数据所对应的统计量模式;
数据窗在各数据集中不断向前移动,将来自不同窗口数据的统计量模式组合在一起,获得各数据集的统计量模式矩阵。
4.如权利要求1所述的一种多变量工业过程故障辨识方法,其特征在于,在该方法中,所述一阶统计量为均值,所述二阶统计量为变量方差、相关性和自相关性,所述三阶统计量为偏度,所述四阶统计为峰度。
5.如权利要求1所述的一种多变量工业过程故障辨识方法,其特征在于,在该方法中,所述故障重构的具体步骤包括:
计算故障模式数据集的统计量模式矩阵的协方差矩阵;
对故障模式的统计量模式协方差矩阵进行特征值分解,保留与前L个最大特征值相对应的特征向量组成故障模式数据集的负荷矩阵;
对于故障模式数据的统计量模式矩阵中的统计量模式为故障模式的正交单位化故障方向与故障模式的故障幅值的乘积与消除故障影响后的正常值之和;
对统计量模型矩阵进行奇异值分解;
计算故障方向在残差空间上的投影,并进行奇异值分解;
基于故障方向在残差空间中对统计量模式进行故障重构,计算重构后的正常样本。
6.如权利要求5所述的一种多变量工业过程故障辨识方法,其特征在于,在该方法中,最小化重构后的正常样本到残存空间的距离计算最优的残差空间中的故障幅值的估计值,根据故障统计量模式矩阵计算残差空间中的故障方向,依次沿故障方向对待辨识数据的统计量模式矩阵的数据在残差空间中进行故障重构。
7.如权利要求1所述的一种多变量工业过程故障辨识方法,其特征在于,在该方法中,所述确定待识别故障数据的故障类型的具体步骤包括:
对故障识别指标进行排序,最小故障识别指标所在的索引表示故障类型的识别结果。
8.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行如权利要求1-7任一项所述的一种多变量工业过程故障辨识方法。
9.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行如权利要求1-7任一项所述的一种多变量工业过程故障辨识方法。
10.一种多变量工业过程故障辨识装置,其特征在于,基于如权利要求1-7任一项所述的一种多变量工业过程故障辨识方法,包括:
离线建模模块,被配置为接收正常操作工况数据集和故障模式数据集,根据正常操作工况数据集将故障模式数据集进行标准化处理,得到归一化的故障模式数据集;采用移动窗口技术获得各故障模式数据集的统计量模式矩阵;在统计量模式空间中,从各故障模式数据集的统计量模式矩阵中提取出故障方向;
故障在线辨识模块,被配置为检测到工业过程发送故障后,接收实时故障数据组成的待辨识数据集,根据正常操作工况数据集将其进行标准化处理,得到归一化的待辨识数据集;采用移动窗口技术获得待辨识数据集的统计量模式矩阵;依次沿各故障模式数据的故障方向对待辨识数据的统计量模式矩阵在残差空间中进行故障重构;计算故障识别指标,确定待识别故障数据的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530828.0A CN110244690B (zh) | 2019-06-19 | 2019-06-19 | 一种多变量工业过程故障辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530828.0A CN110244690B (zh) | 2019-06-19 | 2019-06-19 | 一种多变量工业过程故障辨识方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110244690A true CN110244690A (zh) | 2019-09-17 |
CN110244690B CN110244690B (zh) | 2020-09-04 |
Family
ID=67887993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910530828.0A Active CN110244690B (zh) | 2019-06-19 | 2019-06-19 | 一种多变量工业过程故障辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110244690B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368428A (zh) * | 2020-03-04 | 2020-07-03 | 山东科技大学 | 一种基于监控二阶统计量的传感器精度下降故障检测方法 |
CN111595584A (zh) * | 2020-06-11 | 2020-08-28 | 河海大学常州校区 | 一种基于1-dcnn联合特征提取的轴承故障在线检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020007510A1 (en) * | 1998-10-29 | 2002-01-24 | Mann W. Stephen G. | Smart bathroom fixtures and systems |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
US20130080843A1 (en) * | 2011-09-23 | 2013-03-28 | Fujitsu Limited | Detecting Sensor Malfunctions Using Compression Analysis of Binary Decision Diagrams |
CN103714255A (zh) * | 2013-12-30 | 2014-04-09 | 北京信息科技大学 | 一种基于非线性故障重构的故障预测方法 |
CN104714537A (zh) * | 2015-01-10 | 2015-06-17 | 浙江大学 | 一种基于联合相对变化分析和自回归模型的故障预测方法 |
CN104898646A (zh) * | 2015-04-30 | 2015-09-09 | 东北大学 | 一种基于kpca进行故障分离与重构的电熔镁炉故障诊断方法 |
CN104914854A (zh) * | 2015-05-29 | 2015-09-16 | 东北大学 | 一种基于kpca的工业过程故障诊断方法 |
CN105182955A (zh) * | 2015-05-15 | 2015-12-23 | 中国石油大学(华东) | 一种多变量工业过程故障识别方法 |
-
2019
- 2019-06-19 CN CN201910530828.0A patent/CN110244690B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020007510A1 (en) * | 1998-10-29 | 2002-01-24 | Mann W. Stephen G. | Smart bathroom fixtures and systems |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
US20130080843A1 (en) * | 2011-09-23 | 2013-03-28 | Fujitsu Limited | Detecting Sensor Malfunctions Using Compression Analysis of Binary Decision Diagrams |
CN103714255A (zh) * | 2013-12-30 | 2014-04-09 | 北京信息科技大学 | 一种基于非线性故障重构的故障预测方法 |
CN104714537A (zh) * | 2015-01-10 | 2015-06-17 | 浙江大学 | 一种基于联合相对变化分析和自回归模型的故障预测方法 |
CN104898646A (zh) * | 2015-04-30 | 2015-09-09 | 东北大学 | 一种基于kpca进行故障分离与重构的电熔镁炉故障诊断方法 |
CN105182955A (zh) * | 2015-05-15 | 2015-12-23 | 中国石油大学(华东) | 一种多变量工业过程故障识别方法 |
CN105182955B (zh) * | 2015-05-15 | 2016-06-22 | 中国石油大学(华东) | 一种多变量工业过程故障识别方法 |
CN104914854A (zh) * | 2015-05-29 | 2015-09-16 | 东北大学 | 一种基于kpca的工业过程故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
张新荣: "基于PCA的连续过程新能监控与故障诊断研究", 《中国优秀硕士学位论文信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368428A (zh) * | 2020-03-04 | 2020-07-03 | 山东科技大学 | 一种基于监控二阶统计量的传感器精度下降故障检测方法 |
CN111368428B (zh) * | 2020-03-04 | 2023-06-23 | 山东科技大学 | 一种基于监控二阶统计量的传感器精度下降故障检测方法 |
CN111595584A (zh) * | 2020-06-11 | 2020-08-28 | 河海大学常州校区 | 一种基于1-dcnn联合特征提取的轴承故障在线检测方法 |
CN111595584B (zh) * | 2020-06-11 | 2022-04-22 | 河海大学常州校区 | 一种基于1-dcnn联合特征提取的轴承故障在线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110244690B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN105676833B (zh) | 发电过程控制系统故障检测方法 | |
CN107274011A (zh) | 综合马尔科夫模型和概率网络的设备状态识别方法 | |
CN105700518A (zh) | 一种工业过程故障诊断方法 | |
CN106649789A (zh) | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 | |
CN107037306A (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
CN102208028A (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
Tang et al. | A deep belief network-based fault detection method for nonlinear processes | |
CN110244690A (zh) | 一种多变量工业过程故障辨识方法及系统 | |
CN105182955A (zh) | 一种多变量工业过程故障识别方法 | |
CN117648643B (zh) | 基于人工智能的索具预测性诊断方法及装置 | |
CN108959498A (zh) | 一种用于健康监测的大数据处理平台及其设计方法 | |
Li et al. | A novel remaining useful life transfer prediction method of rolling bearings based on working conditions common benchmark | |
Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
CN110362063A (zh) | 基于全局保持无监督核极限学习机的故障检测方法及系统 | |
CN114116832A (zh) | 一种基于数据驱动的配电网异常识别方法 | |
Jiang et al. | Partial cross mapping based on sparse variable selection for direct fault root cause diagnosis for industrial processes | |
Lithoxoidou et al. | Towards the behavior analysis of chemical reactors utilizing data-driven trend analysis and machine learning techniques | |
CN117032165A (zh) | 一种工业设备故障诊断方法 | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
Katunin et al. | Faults diagnosis using self-organizing maps: a case study on the DAMADICS benchmark problem | |
CN115864644A (zh) | 一种继电保护装置状态评价方法、系统、设备及介质 | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 |
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 |