CN110320894A - 一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法 - Google Patents
一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法 Download PDFInfo
- Publication number
- CN110320894A CN110320894A CN201910705650.9A CN201910705650A CN110320894A CN 110320894 A CN110320894 A CN 110320894A CN 201910705650 A CN201910705650 A CN 201910705650A CN 110320894 A CN110320894 A CN 110320894A
- Authority
- CN
- China
- Prior art keywords
- sample
- failure
- density
- power plant
- thermal power
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种能够准确划分混叠区域数据类别的火电厂制粉系统故障分类方法;本发明通过支持向量数据描述(SVDD)多分类方法对制粉系统数据进行分类,当部分样本落入不同的超球体中,选取k来确定数据的近邻数据,通过计算样本与其所落入的不同超球体中近邻数据的密度,依据样本密度与不同超球体中近邻数据密度的相似程度计算样本对每类的归属程度。本发明在准确判断混叠区域样本所属类别的基础上,提高火电厂制粉系统的故障分类效果。
Description
技术领域
本发明一种火电厂制粉系统故障检测的方法,具体涉及一种火电厂制粉系统 数据中混叠区域数据的分类方法。
背景技术
制粉系统是火力发电厂的主要辅助系统之一,为了保证其运行安全和运行效 率,故障检测技术被应用在制粉系统中检测和识别系统的异常状态,确保系统按 计划连续稳定运行。由于制粉系统结构复杂、工况多变,故障数据不可避免地归 属于不同的类别,导致故障检测性能下降,因此我们需要对制粉系统不同故障混 叠区域的数据进行准确的分类。
目前针对支持向量数据描述的混叠区域数据分类常用的处理方法有四种:分 隔面法、加权归一半径判别法、K近邻隶属度估计法、带异类样本多分类法等。 分隔面法是在两个超球体相交点做一个分隔面,分隔面两边的样本属于不同的类, 这种划分方法简单地通过投影来判别归属带来的误差极大。归一化半径判别法将 相对距离进行归一化,加强辨识规则提高分类精度,但是这类方法仍然是利用距 离信息判断混叠区域数据的类别。K近邻隶属度估计法利用混叠区域样本到K近 邻样本中心欧式距离计算样本隶属度,并将该样本划分到隶属度大的那一类中。 带异类样本多分类方法将混叠区域样本视为异类,重新训练超球体以消减甚至消 除混叠区域。
由于算法自身的局限性,上述算法对火电厂制粉系统的故障数据分类效果并 不理想,导致火电厂制粉系统的故障检测结果不准确。
发明内容
本发明的目的在于提供火电厂制粉系统故障检测方法,解决了混叠区域数据 不易准确分类问题。
火电厂制粉系统工况多变,不同工况数据不可避免的会发生重叠,导致有些 故障数据可能无法准确分类。本发明方法对火电厂制粉系统的各种工况数据进行 分类,发现故障数据并进行故障分类,进而提高制粉系统故障检测的效果。
为了达到上述目的,本发明所采用的技术方案如下:
一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法,步骤如下:
步骤1:首先火电厂制粉系统采集包含正常运行的过程数据和发生故障时的M 类过程数据构成现场历史数据库D,该数据库D包括六个变量:磨机负荷、磨机 出入口压差、磨机入口负压、磨机出口温度、粗粉分离器出口负压和细粉分离器 出口负压;这样,数据库D作为训练样本;
步骤2:基于高斯核函数的SVDD算法学习得到M个封闭的超球体及其球心 {c0,c1,c2,L,cj,L cM}和半径{R0,R1,R2,L,Rj,L RM},其中,第0个状态表示正常运行状态, 第j个状态表示发生第j类故障;
步骤3:判断样本x的状态:样本x与第j个超球体的球心距离Dj(x)满足下式, 则认为样本x属于第j个类,即:
若D0(x)≤R0并且Dj(x)≤Rj,那么x为正常状态样本,并且构建统计量D=D0(x); 否则,转步骤4;
步骤4:若Dj(x)≤Rj并且j唯一,那么x为第j个故障样本,构建统计量D=D0(x); 否则,转步骤5;
步骤5:若Dj(x)≤Rj并且Dl(x)≤Rl,计算样本x分别对应第j个故障和第l个故障的相似程度。
步骤6:返回步骤1继续在线进行故障检测。
优选地,在上述所述的步骤5中,计算样本x分别对应第j个故障和第l个故 障的相似程度的方法如下:
(1)确定出样本x的k邻域;
此时的k邻域中元素只包含x所落入的M个超球体中的元素,假设x的k邻域 中属于第j个类的元素集合为Xj={x1,x2,L,xr};
(2)计算样本x在第j类中的空间密度以及Xj中各元素的空间密度;
(3)根据样本x及其近邻的空间密度,计算x的相似密度;
样本x的相似密度表示为样本x的空间密度与Xj中元素平均密度的比值,表 示为:
式中,den(x)为x的空间密度,den(xi)为Xj中第i个元素的空间密度;
(4)根据相似密度,计算样本x对第j个类的相似程度
若ρj(x)>ρl(x),则样本x为第j个故障,否则为第l个故障,构建统计量 D=D0(x)。
与现有技术相比,本发明具有以下优点:
本发明通过支持向量数据描述(SVDD)多分类方法对制粉系统数据进行分类, 当部分样本落入不同的超球体中,选取k来确定数据的近邻数据,通过计算样本 与其所落入的不同超球体中近邻数据的密度,依据样本密度与不同超球体中近邻 数据密度的相似程度计算样本对每类的归属程度;在准确判断混叠区域样本所属 类别的基础上,提高火电厂制粉系统的故障分类效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用 的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此 不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳 动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法—实施例的故障检测结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实 施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所 描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中 描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求 保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施 例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例, 都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一 项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、 “竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位 或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便 于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的 方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语 “第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重 要性。
此外,术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂,而 是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不 是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设 置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以 是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接 相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域 的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例
本发明具体公开了一种准确划分混叠区域数据类别的火电厂制粉系统故障 检测方法,步骤如下:
步骤1:首先火电厂制粉系统采集包含正常状态、满磨故障、断煤故障及回 粉管堵塞故障时的4类过程数据;每类过程数据均包含200组数据,以此800组 数据构成现场历史数据库D,该数据库D包括六个变量:磨机负荷、磨机出入口 压差、磨机入口负压、磨机出口温度、粗粉分离器出口负压和细粉分离器出口负 压;这样,数据库D作为训练样本,部分数据如表1所示,表中4类过程数据对 应的序号分别为1-15、16-30、31-45、46-60;
表1火电厂制粉系统部分历史数据
步骤2:基于高斯核函数的SVDD算法学习得到4个封闭的超球体及其球心 {c0,c1,c2,L,cj,L cM}和半径{R0,R1,R2,L,Rj,L RM},其中,第0个状态表示正常运行状态, 第j个状态表示发生第j类故障;
步骤3:判断样本x的状态:样本x与第j个超球体的球心距离Dj(x)满足下式, 则认为样本x属于第j个类,即:
若D0(x)≤R0并且Dj(x)≤Rj,那么x为正常状态样本,并且构建统计量D=D0(x); 否则,转步骤4;
步骤4:若Dj(x)≤Rj并且j唯一,那么x为第j个故障样本,构建统计量D=D0(x); 否则,转步骤5;
步骤5:若Dj(x)≤Rj并且Dl(x)≤Rl,计算样本x分别对应第j个故障和第l个故障的相似程度,其方法如下:
(1)确定出样本x的k邻域;
此时的k邻域中元素只包含x所落入的M个超球体中的元素,假设x的k邻域 中属于第j个类的元素集合为Xj={x1,x2,L,xr};
(2)计算样本x在第j类中的空间密度以及Xj中各元素的空间密度;
(3)根据样本x及其近邻的空间密度,计算x的相似密度;
样本x的相似密度表示为样本x的空间密度与Xj中元素平均密度的比值,表 示为:
式中,den(x)为x的空间密度,den(xi)为Xj中第i个元素的空间密度;
(4)根据相似密度,计算样本x对第j个类的相似程度
若ρj(x)>ρl(x),则样本x为第j个故障,否则为第l个故障,构建统计量 D=D0(x);
步骤6:返回步骤1继续在线进行故障检测。
优选地,在上述所述的步骤5中,计算样本x分别对应第j个故障和第l个故 障的相似程度的方法如下:
(1)确定出样本x的k邻域;
此时的k邻域中元素只包含x所落入的M个超球体中的元素,假设x的k邻域 中属于第j个类的元素集合为Xj={x1,x2,L,xr};
(2)计算样本x在第j类中的空间密度以及Xj中各元素的空间密度;
(3)根据样本x及其近邻的空间密度,计算x的相似密度;
样本x的相似密度表示为样本x的空间密度与Xj中元素平均密度的比值,表 示为:
式中,den(x)为x的空间密度,den(xi)为Xj中第i个元素的空间密度;
(4)根据相似密度,计算样本x对第j个类的相似程度
若ρj(x)>ρl(x),则样本x为第j个故障,否则为第l个故障,构建统计量 D=D0(x)。
火电厂制粉系统的故障检测结果如图1所示。
如图1所示是制粉系统故障检测结果,从图中可以看出,满磨故障和断煤的 分类错误率较高,分别为6%和4%,正常工况的分类错误率为1%,而回粉管堵塞 故障则被完全准确分类。该故障检测方法对故障的总体分类正确率为97.3%,说 明了此故障检测算法有较好的准确率。
表2火电厂制粉系统部分数据故障检测结果
上述所述的表2所示是部分数据的分类结果,表中“—”表示该数据分类明 确,未处于混叠区域。
根据上述步骤,可实现能够准确划分火电厂制粉系统混叠区域数据类别,能 够在故障发生时及时地为操作人员提供可靠的参考,从而保障磨煤机制粉系统稳 定运行,降低故障损失,提高火电厂的效益。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域 的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内, 所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法,其特征在于,步骤如下:
步骤1:首先火电厂制粉系统采集包含正常运行的过程数据和发生故障时的M类过程数据构成现场历史数据库D,该数据库D包括六个变量:磨机负荷、磨机出入口压差、磨机入口负压、磨机出口温度、粗粉分离器出口负压和细粉分离器出口负压;这样,数据库D作为训练样本;
步骤2:基于高斯核函数的SVDD算法学习得到M个封闭的超球体及其球心{c0,c1,c2,L,cj,L cM}和半径{R0,R1,R2,L,Rj,L RM},其中,第0个状态表示正常运行状态,第j个状态表示发生第j类故障;
步骤3:判断样本x的状态:样本x与第j个超球体的球心距离Dj(x)满足下式,则认为样本x属于第j个类,即:
若D0(x)≤R0并且Dj(x)≤Rj,那么x为正常状态样本,并且构建统计量D=D0(x);否则,转步骤4;
步骤4:若Dj(x)≤Rj并且j唯一,那么x为第j个故障样本,构建统计量D=D0(x);否则,转步骤5;
步骤5:若Dj(x)≤Rj并且Dl(x)≤Rl,计算样本x分别对应第j个故障和第l个故障的相似程度。
步骤6:返回步骤1继续在线进行故障检测。
2.根据权利要求1所述的准确划分混叠区域数据类别的火电厂制粉系统故障检测方法,其特征在于,在上述所述的步骤5中,计算样本x分别对应第j个故障和第l个故障的相似程度的方法如下:
(1)确定出样本x的k邻域;
此时的k邻域中元素只包含x所落入的M个超球体中的元素,假设x的k邻域中属于第j个类的元素集合为Xj={x1,x2,L,xr};
(2)计算样本x在第j类中的空间密度以及Xj中各元素的空间密度;
(3)根据样本x及其近邻的空间密度,计算x的相似密度;
样本x的相似密度表示为样本x的空间密度与Xj中元素平均密度的比值,表示为:
式中,den(x)为x的空间密度,den(xi)为Xj中第i个元素的空间密度;
(4)根据相似密度,计算样本x对第j个类的相似程度
若ρj(x)>ρl(x),则样本x为第j个故障,否则为第l个故障,构建统计量D=D0(x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910705650.9A CN110320894B (zh) | 2019-08-01 | 2019-08-01 | 一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910705650.9A CN110320894B (zh) | 2019-08-01 | 2019-08-01 | 一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110320894A true CN110320894A (zh) | 2019-10-11 |
CN110320894B CN110320894B (zh) | 2022-04-15 |
Family
ID=68125200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910705650.9A Active CN110320894B (zh) | 2019-08-01 | 2019-08-01 | 一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320894B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090725A (zh) * | 2019-11-22 | 2020-05-01 | 师宝玉 | 一种准确划分混叠区域数据类别的电子图书管理方法 |
WO2021139249A1 (zh) * | 2020-05-28 | 2021-07-15 | 平安科技(深圳)有限公司 | 数据异常检测方法、装置、设备及存储介质 |
CN113420772A (zh) * | 2021-08-24 | 2021-09-21 | 常州微亿智造科技有限公司 | 基于多分类器与svdd协同算法的缺陷检测方法和装置 |
CN113486742A (zh) * | 2021-06-23 | 2021-10-08 | 陕西工业职业技术学院 | 一种故障识别方法、装置、系统及计算机可读存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0971321A2 (en) * | 1998-07-01 | 2000-01-12 | General Electric Company | System and method for generating alerts through multi-variate data assessment |
US20070282777A1 (en) * | 2006-05-30 | 2007-12-06 | Honeywell International Inc. | Automatic fault classification for model-based process monitoring |
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 |
US20100046327A1 (en) * | 2008-08-06 | 2010-02-25 | Orlin David J | Methods and Systems to Detect Changes in Multiple-Frequency Band Sonar Data |
CN102487293A (zh) * | 2010-12-06 | 2012-06-06 | 中国人民解放军理工大学 | 基于网控的卫星通信网异常检测方法 |
CN103301926A (zh) * | 2013-05-22 | 2013-09-18 | 西安交通大学 | 火电厂球磨机制粉系统运行工况划分方法 |
CN104809662A (zh) * | 2015-05-06 | 2015-07-29 | 西安交通大学 | 一种火电厂制粉系统数据中异常数据的检测方法 |
CN106886213A (zh) * | 2017-03-13 | 2017-06-23 | 北京化工大学 | 一种基于核相似度支持向量数据描述的间歇过程故障检测方法 |
CN107103336A (zh) * | 2017-04-28 | 2017-08-29 | 温州职业技术学院 | 一种基于密度峰值的混合属性数据聚类方法 |
CN107576949A (zh) * | 2017-08-23 | 2018-01-12 | 电子科技大学 | 基于密度权重和混合核函数的svdd雷达目标一维距离像识别方法 |
US20190180152A1 (en) * | 2017-12-13 | 2019-06-13 | Siemens Aktiengesellschaft | Data driven method for automated detection of anomalous work pieces during a production process |
CN109901557A (zh) * | 2019-03-28 | 2019-06-18 | 山东科技大学 | 一种基于数据域描述的可变控制限故障检测方法 |
-
2019
- 2019-08-01 CN CN201910705650.9A patent/CN110320894B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0971321A2 (en) * | 1998-07-01 | 2000-01-12 | General Electric Company | System and method for generating alerts through multi-variate data assessment |
US20070282777A1 (en) * | 2006-05-30 | 2007-12-06 | Honeywell International Inc. | Automatic fault classification for model-based process monitoring |
US20100046327A1 (en) * | 2008-08-06 | 2010-02-25 | Orlin David J | Methods and Systems to Detect Changes in Multiple-Frequency Band Sonar Data |
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 |
CN102487293A (zh) * | 2010-12-06 | 2012-06-06 | 中国人民解放军理工大学 | 基于网控的卫星通信网异常检测方法 |
CN103301926A (zh) * | 2013-05-22 | 2013-09-18 | 西安交通大学 | 火电厂球磨机制粉系统运行工况划分方法 |
CN104809662A (zh) * | 2015-05-06 | 2015-07-29 | 西安交通大学 | 一种火电厂制粉系统数据中异常数据的检测方法 |
CN106886213A (zh) * | 2017-03-13 | 2017-06-23 | 北京化工大学 | 一种基于核相似度支持向量数据描述的间歇过程故障检测方法 |
CN107103336A (zh) * | 2017-04-28 | 2017-08-29 | 温州职业技术学院 | 一种基于密度峰值的混合属性数据聚类方法 |
CN107576949A (zh) * | 2017-08-23 | 2018-01-12 | 电子科技大学 | 基于密度权重和混合核函数的svdd雷达目标一维距离像识别方法 |
US20190180152A1 (en) * | 2017-12-13 | 2019-06-13 | Siemens Aktiengesellschaft | Data driven method for automated detection of anomalous work pieces during a production process |
CN109901557A (zh) * | 2019-03-28 | 2019-06-18 | 山东科技大学 | 一种基于数据域描述的可变控制限故障检测方法 |
Non-Patent Citations (1)
Title |
---|
刘晟,朱玉全,孙金津: "基于核空间相对密度的SVDD多类分类算法", 《计算机应用研究》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090725A (zh) * | 2019-11-22 | 2020-05-01 | 师宝玉 | 一种准确划分混叠区域数据类别的电子图书管理方法 |
WO2021139249A1 (zh) * | 2020-05-28 | 2021-07-15 | 平安科技(深圳)有限公司 | 数据异常检测方法、装置、设备及存储介质 |
CN113486742A (zh) * | 2021-06-23 | 2021-10-08 | 陕西工业职业技术学院 | 一种故障识别方法、装置、系统及计算机可读存储介质 |
CN113486742B (zh) * | 2021-06-23 | 2024-02-20 | 陕西工业职业技术学院 | 一种故障识别方法、装置、系统及计算机可读存储介质 |
CN113420772A (zh) * | 2021-08-24 | 2021-09-21 | 常州微亿智造科技有限公司 | 基于多分类器与svdd协同算法的缺陷检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110320894B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320894A (zh) | 一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法 | |
CN107392015B (zh) | 一种基于半监督学习的入侵检测方法 | |
JP3913715B2 (ja) | 不良検出方法 | |
Hyeon et al. | Diagnosing cervical cell images using pre-trained convolutional neural network as feature extractor | |
CN106600095A (zh) | 一种基于可靠性的维修评估方法 | |
CN108416362A (zh) | 一种道岔异常预警与故障诊断方法 | |
CN105550426B (zh) | 一种基于样本分割的多尺度二叉树高炉故障诊断方法 | |
Wang et al. | Unsupervised learning of topological phase transitions using the Calinski-Harabaz index | |
JP2011227706A (ja) | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム | |
CN102645679A (zh) | 一种基于多普勒天气雷达回波图像的中气旋识别方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN106203500B (zh) | 一种基于改进的模糊支持向量机的故障分类方法 | |
Chang et al. | Development pattern recognition model for the classification of circuit probe wafer maps on semiconductors | |
CN116739645A (zh) | 基于企业管理的订单异常监督系统 | |
Liu et al. | Active incremental learning for health state assessment of dynamic systems with unknown scenarios | |
Hong et al. | Abnormal condition monitoring and diagnosis for coal mills based on support vector regression | |
Lucke et al. | Variable selection for fault detection and identification based on mutual information of alarm series | |
CN104978484B (zh) | 基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法 | |
CN109779938A (zh) | 一种离心压缩机组智能联锁保护方法 | |
CN117334020A (zh) | 智能砂磨机的设备运行故障预测系统及方法 | |
Stief et al. | Process and alarm data integration under a two-stage Bayesian framework for fault diagnostics | |
Kwon et al. | Statistical methods for detecting spatial configuration errors in traffic surveillance sensors | |
Youssef | An optimised fault classification technique based on Support-Vector-Machines | |
CN116433049A (zh) | 一种基于模糊粗糙熵的用电异常检测方法 | |
CN110749443A (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 |
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 |