CN111026087B - 基于数据的含权重非线性工业系统故障检测方法及装置 - Google Patents
基于数据的含权重非线性工业系统故障检测方法及装置 Download PDFInfo
- Publication number
- CN111026087B CN111026087B CN201911345421.7A CN201911345421A CN111026087B CN 111026087 B CN111026087 B CN 111026087B CN 201911345421 A CN201911345421 A CN 201911345421A CN 111026087 B CN111026087 B CN 111026087B
- Authority
- CN
- China
- Prior art keywords
- working point
- weight
- global
- matrix
- industrial system
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000007246 mechanism Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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)
Abstract
本发明涉及故障检测领域,公开了一种基于数据的含权重非线性工业系统故障检测方法及装置,该方法包括:基于训练集和预设的权重矩阵,构建工作点残差函数,其中,训练集由非线性工业系统各个工作点处的无故障历史数据构成;基于工作点基准阈值和权重矩阵,构建全局权重阈值,其中,工作点基准阈值为非线性工业系统第i个工作点处的阈值;基于在线运行数据,通过故障检测机制对非线性工业系统进行故障检测,故障检测机制由工作点残差函数及全局权重阈值构建。本发明提供的方法及装置,针对现有非线性工业系统故障检测依赖精确机理模型及处理动态系统能力有限的问题,实现由输入输出数据出发,兼顾系统动态特征的非线性工业系统故障检测。
Description
技术领域
本发明涉及故障检测领域,特别是涉及一种基于数据的含权重非线性工业系统故障检测方法及装置。
背景技术
当代工业系统逐步呈现出高集成度,多层次连接,强非线性,远程通讯,大数据量等特征。工业系统的诸多新特征对系统安全性提出了新的要求,也使得故障检测领域面临诸多新的挑战。
现有的故障检测方法主要分基于机理模型和基于数据两种,各有优劣。基于机理模型方法的优势在于通过机理模型对系统进行精确刻画,可处理动态系统相关问题,然而,随着系统复杂度的大幅提升,使得精确机理建模的难度和成本大增,对精确模型的依赖已成为制约基于机理模型故障诊断技术发展的瓶颈。基于数据的故障检测方法可以节约建模成本,充分挖掘数据蕴含信息,为系统的故障检测提供更加高效便捷算法,达到提升系统安全性的目的。然而,现有以统计分析为基础的基于数据的方法,着重于依据数据建立回归分类模型,对系统动态特征关注度较低。与基于机理模型的方法相比,现有基于数据的方法难以处理动态系统故障检测问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种基于数据的含权重非线性工业系统故障检测方法及装置。
第一方面,本发明实施例提供一种基于数据的含权重非线性工业系统故障检测方法,包括:
基于训练集和预设的权重矩阵,构建工作点残差函数,其中,所述训练集由非线性工业系统各个工作点处的无故障历史数据构成;
基于工作点基准阈值和所述权重矩阵,构建全局权重阈值,其中,所述工作点基准阈值为所述非线性工业系统第i个工作点处的阈值;
基于在线运行数据,通过故障检测机制对所述非线性工业系统进行故障检测,所述故障检测机制由所述工作点残差函数及所述全局权重阈值构建。
进一步地,所述基于训练集和预设的权重矩阵,构建工作点残差函数,具体包括:
基于所述训练集和所述权重矩阵,构建含权重多维数据矩阵;
基于所述含权重多维数据矩阵,构建工作点残差函数。
进一步地,所述权重矩阵包括第一矩阵和第二矩阵,其中,
Λ1,jd=diag{λj-1Id,λj-2Id,…,λId,Id},
Λ2,k=diag{λk-1,λk-2,…λ,1},
λ为权重因子,0<λ≤1,Λ1,jd为所述第一矩阵,Λ2,k为所述第二矩阵,Id为d×d阶单位矩阵,j,d,k均为正整数。
进一步地,所述基于工作点基准阈值和所述权重矩阵,构建全局权重阈值,具体包括:
基于所述工作点基准阈值,采用Takagi-Sugeno去模糊方法,建立全局基准阈值;
基于所述权重矩阵,对所述全局基准阈值进行权重处理,获取所述全局权重阈值。
进一步地,所述基于所述工作点基准阈值,采用Takagi-Sugeno 去模糊方法,建立全局基准阈值,包括:
所述基于所述权重矩阵,对所述全局基准阈值进行权重处理,获取所述全局权重阈值,包括:
进一步地,所述故障检测机制包括:
进一步地,基于所述工作点残差函数获得所述全局残差统计量,具体包括:
基于所述工作点残差函数,获取工作点残差统计量,其中,
基于所述工作点残差统计量,采用Takagi-Sugeno去模糊方法,获取所述全局残差统计量,其中,
第二方面,本发明实施例提供一种基于数据的含权重非线性工业系统故障检测装置,包括:
训练单元,用于基于训练集和预设的权重矩阵,构建工作点残差函数,其中,所述训练集由非线性工业系统各个工作点处的无故障历史数据构成;
阈值单元,用于基于工作点基准阈值和所述权重矩阵,构建全局权重阈值,其中,所述工作点基准阈值为所述非线性工业系统第i个工作点处的阈值;
检测单元,用于基于在线运行数据,通过故障检测机制对所述非线性工业系统进行故障检测,所述故障检测机制由所述工作点残差函数及所述全局权重阈值构建。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的基于数据的含权重非线性工业系统故障检测方法及装置,针对现有非线性工业系统的故障检测依赖精确机理模型及处理动态系统能力有限的问题,实现了由输入输出数据出发,兼顾系统动态特征的非线性工业系统故障检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明实施例提供的基于数据的含权重非线性工业系统故障检测方法的流程示意图;
图2为本发明实施例提供的电子设备结构示意图。
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。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。
图1为本发明实施例提供的基于数据的含权重非线性工业系统故障检测方法的流程示意图。如图1所示,本发明实施例提供了一种基于数据的含权重非线性工业系统故障检测方法,包括:
步骤210,基于训练集和预设的权重矩阵,构建工作点残差函数,其中,训练集由非线性工业系统各个工作点处的无故障历史数据构成;
步骤220,基于工作点基准阈值和权重矩阵,构建全局权重阈值,其中,工作点基准阈值为非线性工业系统第i个工作点处的阈值;
步骤230,基于在线运行数据,通过故障检测机制对非线性工业系统进行故障检测,故障检测机制由工作点残差函数及全局权重阈值构建。
本发明实施例提供的基于数据的含权重非线性工业系统故障检测方法,克服了传统基于机理模型方法需要依赖精确的机理模型,难以应用于非线性动态工业系统的问题,而且无需以统计分析为基础建立回归分析模型,实现了由输入输出数据出发,兼顾系统动态特征的非线性工业系统故障检测。
基于上述实施例,该方法中,步骤210具体包括:
步骤240,基于训练集和权重矩阵,构建含权重多维数据矩阵。
步骤250,基于含权重多维数据矩阵,构建工作点残差函数。
基于上述任一实施例,该方法中,权重矩阵包括第一矩阵和第二矩阵,其中,
λ为权重因子,0<λ≤1,Id为d×d阶单位矩阵,Λ1,jd为第一矩阵,Λ2,k为第二矩阵,j,d,k均为正整数,j,d,k的具体取值由其所处理的具体矩阵的结构决定。
在非线性工业系统的第i个工作点处,通过无故障历史数据构成的训练集,分别构建无故障的输入数据集Uγ,s,N和无故障的输出数据集Yγ,s,N,以及无故障的工具变量集Uτ,s,N和Yτ,s,N。i为正整数,且 1≤i≤r,r为非线性工业系统工作点个数,γ为初始时刻,s为步长,N为数据矩阵列数,γ,N,τ均为正整数,且满足N>>s,s>τ。其中,
在非线性工业系统的第i个工作点处,对多维数据矩阵Uγ,s,N、 Yγ,s,N、Uτ,s,N和Yτ,s,N分别左乘和右乘相应维度的权重矩阵,构建含权重多维数据矩阵和其中,第一矩阵Λ1,jd中参数j取值s,参数d取值l,第二矩阵Λ2,k中参数k取值N,
在第i个工作点处,非线性工业系统的动态过程可进行线性化,并由线性时不变系统表示:
x(k+1)=Aix(k)+Biu(k)+w(k),
y(k)=Cix(k)+Diu(k)+v(k),
则批量数据方程可以表示为:
其中,Xγ,1,N未知,
含权重批量数据方程可表示为:
对Φ进行奇异值分解可得:
求解最小二乘问题:
基于上述实施例,该方法中,步骤220具体包括:
步骤260,基于工作点基准阈值,采用Takagi-Sugeno去模糊方法,建立全局基准阈值;
步骤270,基于权重矩阵,对全局基准阈值进行权重处理,获取全局权重阈值。
进一步地,基于上述实施例,该方法中,步骤260包括:
步骤270包括:
基于上述实施例,该方法中,故障检测机制包括:
进一步地,基于上述实施例,该方法中,基于工作点残差函数获得全局残差统计量,具体包括:
步骤280,基于工作点残差函数,获取工作点残差统计量,其中,
步骤290,基于工作点残差统计量,采用Takagi-Sugeno去模糊方法,获取全局残差统计量,其中,
本发明实施例提供的基于数据的含权重非线性工业系统故障检测方法,克服了传统基于机理模型方法需要依赖精确的机理模型,难以应用于非线性系统且处理动态系统能力有限的问题,而且无需以统计分析为基础建立回归分析模型,采用系统辨识相关方法,构建工作点残差函数,实现了由输入输出数据出发,兼顾系统动态特征的非线性工业系统故障检测。
本发明实施例公开了一种含权重非线性工业系统故障检测装置,包括训练单元、阈值单元和检测单元。训练单元用于基于训练集和预设的权重矩阵,构建工作点残差函数,其中,训练集由非线性工业系统各个工作点处的无故障历史数据构成;阈值单元用于基于工作点基准阈值和权重矩阵,构建全局权重阈值,其中,工作点基准阈值为非线性工业系统第i个工作点处的阈值;检测单元用于基于在线运行数据,通过故障检测机制对非线性工业系统进行故障检测,故障检测机制由工作点残差函数及全局权重阈值构建。
本发明实施例提供的基于数据的含权重非线性工业系统故障检测装置,克服了采用传统基于机理模型方法的装置需要依赖精确的机理模型,难以应用于非线性动态工业系统的问题,而且无需以统计分析为基础建立回归分析模型,采用系统辨识相关方法,构建工作点残差函数,实现了由输入输出数据出发,兼顾系统动态特征的非线性工业系统故障检测。
本发明实施例提供的基于数据的含权重非线性工业系统故障检测装置,是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图2为本发明实施例提供的电子设备结构示意图,参照图2,该电子设备可以包括:处理器(processor)701、通信接口(Communications Interface)702、存储器(memory)703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703中的逻辑指令,以执行如下方法:基于训练集和预设的权重矩阵,构建工作点残差函数,其中,训练集由非线性工业系统各个工作点处的无故障历史数据构成;基于工作点基准阈值和权重矩阵,构建全局权重阈值,其中,工作点基准阈值为非线性工业系统第i个工作点处的阈值;基于在线运行数据,通过故障检测机制对非线性工业系统进行故障检测,故障检测机制由工作点残差函数及全局权重阈值构建。
此外,上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于数据的含权重非线性工业系统故障检测方法,例如包括:基于训练集和预设的权重矩阵,构建工作点残差函数,其中,训练集由非线性工业系统各个工作点处的无故障历史数据构成;基于工作点基准阈值和权重矩阵,构建全局权重阈值,其中,工作点基准阈值为非线性工业系统第i个工作点处的阈值;基于在线运行数据,通过故障检测机制对非线性工业系统进行故障检测,故障检测机制由工作点残差函数及全局权重阈值构建。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于数据的含权重非线性工业系统故障检测方法,其特征在于,包括:
基于训练集和预设的权重矩阵,构建工作点残差函数,其中,所述训练集由非线性工业系统各个工作点处的无故障历史数据构成;
基于工作点基准阈值和所述权重矩阵,构建全局权重阈值,其中,所述工作点基准阈值为所述非线性工业系统第i个工作点处的阈值;
基于在线运行数据,通过故障检测机制对所述非线性工业系统进行故障检测,所述故障检测机制由所述工作点残差函数及所述全局权重阈值构建;
所述基于工作点基准阈值和所述权重矩阵,构建全局权重阈值,具体包括:
基于所述工作点基准阈值,采用Takagi-Sugeno去模糊方法,建立全局基准阈值;
基于所述权重矩阵,对所述全局基准阈值进行权重处理,获取所述全局权重阈值;
所述基于所述工作点基准阈值,采用Takagi-Sugeno去模糊方法,建立全局基准阈值,包括:
所述基于所述权重矩阵,对所述全局基准阈值进行权重处理,获取所述全局权重阈值,包括:
所述故障检测机制包括:
基于所述工作点残差函数获得所述全局残差统计量,具体包括:
基于所述工作点残差函数,获取工作点残差统计量,其中,
基于所述工作点残差统计量,采用Takagi-Sugeno去模糊方法,获取所述全局残差统计量,其中,
2.根据权利要求1所述的基于数据的含权重非线性工业系统故障检测方法,其特征在于,所述基于训练集和预设的权重矩阵,构建工作点残差函数,具体包括:
基于所述训练集和所述权重矩阵,构建含权重多维数据矩阵;
基于所述含权重多维数据矩阵,构建工作点残差函数。
3.根据权利要求2所述的基于数据的含权重非线性工业系统故障检测方法,其特征在于,所述权重矩阵包括第一矩阵和第二矩阵,其中,
Λ1,jd=diag{λj-1Id,λj-2Id,...,λId,Id},
Λ2,k=diag{λk-1,λk-2,...λ,1},
λ为权重因子,0<λ≤1,Λ1,jd为所述第一矩阵,Λ2,k为所述第二矩阵,Id为d×d阶单位矩阵,j,d,k均为正整数。
4.一种基于数据的含权重非线性工业系统故障检测装置,其特征在于,包括:
训练单元,用于基于训练集和预设的权重矩阵,构建工作点残差函数,其中,所述训练集由非线性工业系统各个工作点处的无故障历史数据构成;
阈值单元,用于基于工作点基准阈值和所述权重矩阵,构建全局权重阈值,其中,所述工作点基准阈值为所述非线性工业系统第i个工作点处的阈值;
所述基于工作点基准阈值和所述权重矩阵,构建全局权重阈值,具体包括:
基于所述工作点基准阈值,采用Takagi-Sugeno去模糊方法,建立全局基准阈值;
基于所述权重矩阵,对所述全局基准阈值进行权重处理,获取所述全局权重阈值;
所述基于所述工作点基准阈值,采用Takagi-Sugeno去模糊方法,建立全局基准阈值,包括:
所述基于所述权重矩阵,对所述全局基准阈值进行权重处理,获取所述全局权重阈值,包括:
检测单元,用于基于在线运行数据,通过故障检测机制对所述非线性工业系统进行故障检测,所述故障检测机制由所述工作点残差函数及所述全局权重阈值构建;
所述故障检测机制包括:
基于所述工作点残差函数获得所述全局残差统计量,具体包括:
基于所述工作点残差函数,获取工作点残差统计量,其中,
基于所述工作点残差统计量,采用Takagi-Sugeno去模糊方法,获取所述全局残差统计量,其中,
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述基于数据的含权重非线性工业系统故障检测方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一项所述基于数据的含权重非线性工业系统故障检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345421.7A CN111026087B (zh) | 2019-12-20 | 2019-12-20 | 基于数据的含权重非线性工业系统故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345421.7A CN111026087B (zh) | 2019-12-20 | 2019-12-20 | 基于数据的含权重非线性工业系统故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111026087A CN111026087A (zh) | 2020-04-17 |
CN111026087B true CN111026087B (zh) | 2021-02-09 |
Family
ID=70211975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911345421.7A Active CN111026087B (zh) | 2019-12-20 | 2019-12-20 | 基于数据的含权重非线性工业系统故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111026087B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232672B (zh) * | 2020-10-16 | 2024-01-12 | 北京中船信息科技有限公司 | 一种工业机理模型的管理系统及方法 |
CN112528499B (zh) * | 2020-12-12 | 2022-07-01 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 一种大型复杂系统限幅阈值可变柔性控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807047B (zh) * | 2010-03-19 | 2011-11-09 | 北京航空航天大学 | 基于模糊奇偶方程及ar模型的非线性系统故障预测方法 |
CN103941725B (zh) * | 2014-04-24 | 2017-09-08 | 淮海工学院 | 一种非线性网络控制系统的故障诊断方法 |
CN104376206B (zh) * | 2014-11-14 | 2018-05-08 | 浙江工业大学 | 基于传感器网络的大规模反应釜分布式故障诊断方法 |
CN104950876A (zh) * | 2015-06-15 | 2015-09-30 | 西北工业大学 | 基于故障敏感性约束的航天器弱小故障检测方法 |
WO2019028269A2 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS |
WO2019079202A1 (en) * | 2017-10-16 | 2019-04-25 | Illumina, Inc. | ABERRANT CONNECTION DETECTION USING CONVOLUTION NEURAL NETWORKS (CNN) |
CN109255441A (zh) * | 2018-10-18 | 2019-01-22 | 西安电子科技大学 | 基于人工智能的航天器故障诊断方法 |
CN109240274B (zh) * | 2018-11-05 | 2020-04-17 | 浙江大学 | 一种基于高阶相关性的工业过程故障诊断方法 |
-
2019
- 2019-12-20 CN CN201911345421.7A patent/CN111026087B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111026087A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021189364A1 (zh) | 一种对抗图像生成方法、装置、设备以及可读存储介质 | |
Fyfe | A neural network for PCA and beyond | |
CN111475797A (zh) | 一种对抗图像生成方法、装置、设备以及可读存储介质 | |
CN109617706B (zh) | 工业控制系统防护方法及工业控制系统防护装置 | |
CN111260620B (zh) | 图像异常检测方法、装置和电子设备 | |
CN107273978A (zh) | 一种三模型博弈的产生式对抗网络模型的建立方法及装置 | |
CN111026087B (zh) | 基于数据的含权重非线性工业系统故障检测方法及装置 | |
CN111488904A (zh) | 基于对抗分布训练的图像分类方法及系统 | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN113779563A (zh) | 联邦学习的后门攻击防御方法及装置 | |
CN112418361A (zh) | 一种基于深度学习的工控系统异常检测方法、装置 | |
CN110874471A (zh) | 保护隐私安全的神经网络模型的训练方法和装置 | |
CN112084505A (zh) | 深度学习模型恶意样本检测方法、系统、设备及存储介质 | |
CN111260024B (zh) | 基于长短期记忆和典型相关结合的故障检测方法及系统 | |
CN112329052A (zh) | 一种模型隐私保护方法及装置 | |
CN111275780B (zh) | 人物图像的生成方法及装置 | |
CN115393675A (zh) | 深度学习模型的对抗鲁棒性测评方法及相关装置 | |
CN114358278A (zh) | 神经网络模型的训练方法及装置 | |
CN117097541A (zh) | Api服务攻击检测方法、装置、设备和存储介质 | |
Dorado-Rojas et al. | Orthogonal laguerre recurrent neural networks | |
CN116258167A (zh) | 一种数据检测方法、装置、电子设备及介质 | |
JP2019105870A (ja) | 判別プログラム、判別方法および判別装置 | |
CN110309982A (zh) | 基于矩阵分解的电力负荷预测方法、装置及设备 | |
CN115086082B (zh) | 基于深度学习的网络安全评估方法、系统、设备及介质 | |
JP2020030702A (ja) | 学習装置、学習方法及び学習プログラム |
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 |