CN111459921A - 一种基于时滞互信息的空分工厂氮气浓度相关性分析方法 - Google Patents

一种基于时滞互信息的空分工厂氮气浓度相关性分析方法 Download PDF

Info

Publication number
CN111459921A
CN111459921A CN202010033420.5A CN202010033420A CN111459921A CN 111459921 A CN111459921 A CN 111459921A CN 202010033420 A CN202010033420 A CN 202010033420A CN 111459921 A CN111459921 A CN 111459921A
Authority
CN
China
Prior art keywords
mutual information
time
variables
data
air separation
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
Application number
CN202010033420.5A
Other languages
English (en)
Inventor
郑松
裘虹飞
葛铭
郑小青
魏江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010033420.5A priority Critical patent/CN111459921A/zh
Publication of CN111459921A publication Critical patent/CN111459921A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Manufacturing & Machinery (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于时滞互信息的空分工厂氮气浓度相关性分析方法，克服现有技术的分析方法会对延迟时间现象中数据分析问题产生极大的影响造成抗干扰能力弱、分析不准确的问题，包括对数据进行预处理时去除错误数据，为后续的分析工作带来了极大的便利；对数据进行预处理后提供时滞得到互信息，在所得互信息中选择初选集，再从初选集中选出最优选集。本发明在出现延迟时间现象时对于数据分析，相关性提取，故障诊断，数据预测等数据上的运用进行互信息分析，抗干扰能力强，分析准确效果优良。

Description

一种基于时滞互信息的空分工厂氮气浓度相关性分析方法
技术领域
本发明涉及互信息技术领域，尤其是涉及一种相关性分析方法，并将该方法运用于空分工厂制氮系统中，选取与氮气浓度相关的相关变量最终选集，为后续故障诊断的研究提供相关变量支持的基于时滞互信息的空分工厂氮气浓度相关性分析方法。
背景技术
多变量时间序列在研究同时记录的多个信号之间的关联上已经被广泛应用，为了了解这些信号的系统功能，不能只分析单一信号本身的特征，而是应该评估信号之间的相互依赖性。相互关联的方法是根据时间，频率等提供两个信号之间的相关信息来评估彼此之间的依赖程度。在20世纪60年代之前，相互关联的方法最常用在两个脑电图信号之间相似性的问题研究上。虽然那个时候的相互关联方法在研究两个信号之间的相互依赖程度上给出了有用的信息，但他们也存在固有的局限性，即因为相互关联方法是线性的，所以只能测量线性的关联性，并不适用于复杂的非线性数据。非线性技术主要来自于Kraskov等人的自信息理论的最新进展，通过解决两个时间序列之间是否存在共同的信息来捕获时间序列之间的线性和非线性关系。互信息(Mutual Information)是其中的一种有用的信息度量方法。互信息的定义是一个变量中包含另一变量的信息量，减少自身的不确定性，用于特征之间的一个区分，在现有的空分工业设备上，同一时刻输出的不同变量之间可能存在一个延迟反映。同一时刻上的不同变量数据，因为变量之间存在的延迟时间现象，该数据对于数据分析，相关性提取，故障诊断，数据预测等数据上的运用都存在着影响，变量之间存在的延迟时间现象，现有的分析方法会对数据分析问题产生极大的影响，造成抗干扰能力弱，分析不准确。
发明内容
本发明是为了克服现有技术的分析方法会对延迟时间现象中数据分析问题产生极大的影响造成抗干扰能力弱、分析不准确的问题，提供一种基于时滞互信息的空分工厂氮气浓度相关性分析方法，这种方法在出现延迟时间现象时对于数据分析，相关性提取，故障诊断，数据预测等数据上的运用进行互信息分析，抗干扰能力强，分析准确效果优良。
为了实现上述目的，本发明采用以下技术方案：
一种基于时滞互信息的空分工厂氮气浓度相关性分析方法，其特征在于，包括以下步骤：
S1：输入空分工厂存至于空分数据库的数据；
S2：对数据根据公式进行预处理消除显著误差；
S3：根据公式计算两个变量之间的一个延迟时间τ；
S4：将计算得到的延迟时间τ与互信息相结合，运用公式计算不同变量之间的互信息值；
S5：通过互信息值选择变量作为相关变量初选集；
S6：在相关变量初选集中选择最优变量作为相关变量最终选集。数据主要来自于空分云数据库，数据变换周期为1秒，采样周期为5秒，挑选设备正常运行时的1000个数据作为实验数据，为了防止得不到相关性变化，选择的特征变量为在正常范围内变化的数据。
作为优选，所述S2中公式包括：
Figure BDA0002365175950000021
Figure BDA0002365175950000022
其中，
Figure BDA0002365175950000023
是数据a1,a2,…an的平均值，a′是绝对偏差。
作为优选，所述S2中公式还包括：
Figure BDA0002365175950000024
其中，b是显著误差，如果某一数据ai的绝对偏差大于b，则认为该点是错误数据，用样本均值
Figure BDA0002365175950000025
代替数据。将特征变量的数据在matlab仿真平台按照按公式做预处理操作，因为系统在运行过程中会受到一些其他因素的干扰，偶尔在短时间内数据会出现一些较大的波动性，但又会在短时间内进行自我调控恢复正常，该数据在理论上无法作为故障数据，此处以错误数据命名，先通过人工判别剔除空数据变量后保留了39个变量作为实验初期的候选变量，候选变量数据做去除错误数据处理。
作为优选，所述S3中公式为：
Figure BDA0002365175950000026
其中，p(ai)和p(bj+τ)为概率密度函数，p(ai,bj+τ)为联合概率密度函数，I(τ)为互信息值，通过计算不同时滞τ下的I(τ)值，得到首次I(τ)值出现极大值时的τ，即为两变量之间的时滞大小。
作为优选，所述S4中公式包括：
Figure BDA0002365175950000027
其中，A(t)是指t时刻A的值，B(t+τ)是相对于A(t)延迟τ时刻的值。将空分数据预处理之后，分别采用不加时滞的互信息和加时滞的互信息计算候选变量的互信息值作为优选，所述S5具体包括以下步骤：
S51：将各变量的互信息值进行排序；
S52：在排序后的互信息值中选出相关变量初选集。
作为优选，所述S6具体包括以下步骤：
S61：在相关变量初选集中去除冗余变量；
S62：从剩余的变量中确定相关变量最终选集。
因此，本发明具有如下有益效果：
1.在一个多变量相关，存在时滞的一个时变过程系统中，得到影响效率变化的关键变量是塔顶的氮气浓度，选取系统中的其他相关变量作为候选变量，寻找与特征变量相关度最高的候选变量；
2.在对数据进行预处理时去除错误数据，为后续的分析工作带来了极大的便利；
3.本发明在出现延迟时间现象时对于数据分析，相关性提取，故障诊断，数据预测等数据上的运用进行互信息分析，抗干扰能力强，分析准确效果优良。
附图说明
图1是本发明的一种工作流程图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例：
本实施例一种基于时滞互信息的空分工厂氮气浓度相关性分析方法，如图1所示，以浙江某空分设备生产纯度为99.99％的氮气的低温制氮系统为研究对象，该系统由空气预冷系统，空气纯化系统，主冷箱系统和报警系统四大模块组成，整个大系统中各个模块之间相互串联，各个模块之间的变量又相互关联，总的而言是一个多变量相关，存在时滞的一个时变过程系统，得到影响效率变化的关键变量是塔顶的氮气浓度，在该系统中即名为AI101的变量。因此在此次计算过程中，将AI101作为特征变量，选取系统中的其他相关变量作为候选变量，寻找与特征变量相关度最高的候选变量；
具体包括以下步骤：
S1：输入空分工厂存至于空分数据库的数据；
数据主要来自于空分云数据库，数据变换周期为1秒，采样周期为5秒，挑选设备正常运行时的1000个数据作为实验数据；为了防止得不到相关性变化，选择的特征变量为在正常范围内变化的数据。
S2：对数据根据公式进行预处理消除显著误差；
所述S2中公式包括：
Figure BDA0002365175950000041
Figure BDA0002365175950000042
其中，
Figure BDA0002365175950000043
是数据a1,a2,…an的平均值，a′是绝对偏差。
所述S2中公式还包括：
Figure BDA0002365175950000044
其中，b是显著误差，如果某一数据ai的绝对偏差大于b，则认为该点是错误数据，用样本均值
Figure BDA0002365175950000045
代替数据；将特征变量的数据在matlab仿真平台按照按公式做预处理操作。因为系统在运行过程中会受到一些其他因素的干扰，偶尔在短时间内数据会出现一些较大的波动性，但又会在短时间内进行自我调控恢复正常，该数据在理论上无法作为故障数据，此处以错误数据命名；候选变量预处理：先通过人工判别剔除空数据变量后保留了39个变量作为实验初期的候选变量，候选变量数据做去除错误数据处理；在挑选的特征变量数据进行预处理。
S3：根据公式计算两个变量之间的一个延迟时间τ；
将空分数据预处理之后，分别采用不加时滞的互信息和加时滞的互信息计算候选变量的互信息值，其中步骤S3中公式为：
Figure BDA0002365175950000046
其中，p(ai)和p(bj+τ)为概率密度函数，p(ai,bj+τ)为联合概率密度函数，I(τ)为互信息值，通过计算不同时滞τ下的I(τ)值，得到首次I(τ)值出现极大值时的τ，即为两变量之间的时滞大小；
其中，分别采用不加时滞的互信息和加时滞的互信息计算候选变量的互信息值，并将结果做了归一化处理如表1所示：
表1
Figure BDA0002365175950000047
Figure BDA0002365175950000051
S4：将计算得到的延迟时间τ与互信息相结合，运用公式计算不同变量之间的互信息值；其中，步骤S4中公式为：
Figure BDA0002365175950000052
其中，A(t)是指t时刻A的值，B(t+τ)是相对于A(t)延迟τ时刻的值。
S5：通过互信息值选择变量作为相关变量初选集；
其中，步骤S5具体包括以下步骤：
S51：将各变量的互信息值进行排序；
S52：在排序后的互信息值中选出相关变量初选集。
经过筛选之后的相关变量初选集如表2：
表2
Figure BDA0002365175950000053
Figure BDA0002365175950000061
由空分工厂的知识得到采出量对于氮气浓度的变化影响颇大，而回流量与采出量之间成反比，因此回流量对于氮气浓度的影响也较大；在机理上，与回流量比较相关的五个量分别为下塔阻力，下塔压力，膨胀机转速，下塔液空液位，主冷液空液位等变量；从表2中得到两者所选变量大致相同，在不加时滞的互信息分析中得到的结果包含了下塔阻力，下塔压力，下塔液空液位，主冷液空液位，但没有包含关键量膨胀机转速，而且下塔压力，下塔液空液位的互信息值相对而言占比比较小，这样很可能会在后续处理中被剔除；而基于时滞互信息分析得到的结果中包含了五个关键变量，且互信息值相对而言占比比较大；选出的变量大体上与工作人员经验上的分析相同；综上，基于时滞的互信息结果更符合预期。
S6：在相关变量初选集中选择最优变量作为相关变量最终选集；
其中，步骤S6具体包括以下步骤：
S61：在相关变量初选集中去除冗余变量；
S62：从剩余的变量中确定相关变量最终选集。
正常运行时一般只有一台膨胀机运行，所以去除表2第二台膨胀机的两个冗余变量PI402(膨胀机1#排气压力)和PI401(膨胀机1#进气压力)；由机理得到PI02(下塔压力)，PDI01(下塔阻力)，LI01(下塔液空液位)，LI02(主冷液空液位)，SI401(膨胀机转速)对于氮气浓度的影响较大，而上述的选择结果也包含了这几个变量，可见该方法在选择该空分设备影响AI101变量的选择上具有一定的适用性。
去除冗余变量和结合现场工作人员的判别，最终选集如表3：
表3
Figure BDA0002365175950000062
Figure BDA0002365175950000071
本发明工作原理如下：在对数据进行预处理时去除错误数据，为后续的分析工作带来了极大的便利；对数据进行预处理后提供时滞得到互信息，在所得互信息中选择初选集，再从初选集中选出最优选集，在一个多变量相关，存在时滞的一个时变过程系统中，得到影响效率变化的关键变量是塔顶的氮气浓度，选取系统中的其他相关变量作为候选变量，寻找与特征变量相关度最高的候选变量，本发明在出现延迟时间现象时对于数据分析，相关性提取，故障诊断，数据预测等数据上的运用进行互信息分析，抗干扰能力强，分析准确效果优良。
以上将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围，上述实施例对本发明的具体描述，只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限定，本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围之内。

Claims (7)

1.一种基于时滞互信息的空分工厂氮气浓度相关性分析方法，其特征在于，包括以下步骤：
S1：输入空分工厂存至于空分数据库的数据；
S2：对数据根据公式进行预处理消除显著误差；
S3：根据公式计算两个变量之间的一个延迟时间τ；
S4：将计算得到的延迟时间τ与互信息相结合，运用公式计算不同变量之间的互信息值；
S5：通过互信息值选择变量作为相关变量初选集；
S6：在相关变量初选集中选择最优变量作为相关变量最终选集。
2.根据权利要求1所述的一种基于时滞互信息的空分工厂氮气浓度相关性分析方法，其特征在于，所述S2中公式包括：
Figure FDA0002365175940000011
Figure FDA0002365175940000012
其中，
Figure FDA0002365175940000013
是数据a1,a2,…an的平均值，a′是绝对偏差。
3.根据权利要求1或2所述的一种基于时滞互信息的空分工厂氮气浓度相关性分析方法，其特征在于，所述S2中公式还包括：
Figure FDA0002365175940000014
其中，b是显著误差，如果某一数据ai的绝对偏差大于b，则认为该点是错误数据，用样本均值
Figure FDA0002365175940000015
代替数据。
4.根据权利要求1所述的一种基于时滞互信息的空分工厂氮气浓度相关性分析方法，其特征在于，所述S3中公式为：
Figure FDA0002365175940000016
其中，p(ai)和p(bj+τ)为概率密度函数，p(ai,bj+τ)为联合概率密度函数，I(τ)为互信息值，通过计算不同时滞τ下的I(τ)值，得到首次I(τ)值出现极大值时的τ，即为两变量之间的时滞大小。
5.根据权利要求1所述的一种基于时滞互信息的空分工厂氮气浓度相关性分析方法，其特征在于，所述S4中公式包括：
Figure FDA0002365175940000021
其中，A(t)是指t时刻A的值，B(t+τ)是相对于A(t)延迟τ时刻的值。
6.根据权利要求1所述的一种基于时滞互信息的空分工厂氮气浓度相关性分析方法，其特征在于，所述S5具体包括以下步骤：
S51：将各变量的互信息值进行排序；
S52：在排序后的互信息值中选出相关变量初选集。
7.根据权利要求1所述的一种基于时滞互信息的空分工厂氮气浓度相关性分析方法，其特征在于，所述S6具体包括以下步骤：
S61：在相关变量初选集中去除冗余变量；
S62：从剩余的变量中确定相关变量最终选集。
CN202010033420.5A 2020-01-13 2020-01-13 一种基于时滞互信息的空分工厂氮气浓度相关性分析方法 Pending CN111459921A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010033420.5A CN111459921A (zh) 2020-01-13 2020-01-13 一种基于时滞互信息的空分工厂氮气浓度相关性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010033420.5A CN111459921A (zh) 2020-01-13 2020-01-13 一种基于时滞互信息的空分工厂氮气浓度相关性分析方法

Publications (1)

Publication Number Publication Date
CN111459921A true CN111459921A (zh) 2020-07-28

Family

ID=71682252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010033420.5A Pending CN111459921A (zh) 2020-01-13 2020-01-13 一种基于时滞互信息的空分工厂氮气浓度相关性分析方法

Country Status (1)

Country Link
CN (1) CN111459921A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113074516A (zh) * 2021-04-30 2021-07-06 开封迪尔空分实业有限公司 一种采用单塔的制氩方法
CN113380335A (zh) * 2021-08-16 2021-09-10 北京博睿天扬科技有限公司 基于工业大数据的化工数据分析系统
WO2023275069A1 (en) * 2021-06-28 2023-01-05 Photoncycle As Energy production system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017054432A (ja) * 2015-09-11 2017-03-16 日本電信電話株式会社 データ分析装置、データ分析方法およびデータ分析処理プログラム
CN106909705A (zh) * 2016-12-22 2017-06-30 上海交通大学 一种高炉铁水质量预报方法及其系统
CN108803528A (zh) * 2018-07-13 2018-11-13 杭州电子科技大学 基于多变量相关性及时滞性的流程工业系统预测模型
CN109884892A (zh) * 2019-02-28 2019-06-14 杭州电子科技大学 基于交叉相关时滞灰色关联分析的流程工业系统预测模型

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017054432A (ja) * 2015-09-11 2017-03-16 日本電信電話株式会社 データ分析装置、データ分析方法およびデータ分析処理プログラム
CN106909705A (zh) * 2016-12-22 2017-06-30 上海交通大学 一种高炉铁水质量预报方法及其系统
CN108803528A (zh) * 2018-07-13 2018-11-13 杭州电子科技大学 基于多变量相关性及时滞性的流程工业系统预测模型
CN109884892A (zh) * 2019-02-28 2019-06-14 杭州电子科技大学 基于交叉相关时滞灰色关联分析的流程工业系统预测模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王磊: ""基于信息同步的故障预测技术及在空分设备中的应用"", 《中国优秀硕士学位论文全文数据库(工程科技I辑)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113074516A (zh) * 2021-04-30 2021-07-06 开封迪尔空分实业有限公司 一种采用单塔的制氩方法
WO2023275069A1 (en) * 2021-06-28 2023-01-05 Photoncycle As Energy production system
CN113380335A (zh) * 2021-08-16 2021-09-10 北京博睿天扬科技有限公司 基于工业大数据的化工数据分析系统
CN113380335B (zh) * 2021-08-16 2022-01-04 河北三恩油气工程技术服务有限公司 基于工业大数据的化工数据分析系统

Similar Documents

Publication Publication Date Title
CN111459921A (zh) 一种基于时滞互信息的空分工厂氮气浓度相关性分析方法
CN109193650B (zh) 一种基于高维随机矩阵理论的电网薄弱点评估方法
CN111259947A (zh) 一种基于多模态学习的电力系统故障预警方法和系统
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
CN104216349A (zh) 利用制造设备的传感器数据的成品率分析系统及方法
CN108415884B (zh) 一种结构模态参数实时追踪方法
CN116070527B (zh) 基于退化模型的铣削刀具剩余寿命预测方法
CN110632546B (zh) 基于全网域证据集的电子式互感器可信度评估方法和装置
CN105652845A (zh) 一种基于即时学习局部模型的发酵过程故障监测方法
CN114626413A (zh) 一种基于随机子空间算法的结构模态参数识别方法及装置
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
Xie et al. A comparative study of CCC and CUSUM charts
CN106054832B (zh) 基于多变量的间歇化工生产过程动态在线监测方法与装置
CN113848307A (zh) 一种针对污泥膨胀的特征提取主成分分析在线监测方法
CN110632191B (zh) 一种基于决策树算法的变压器色谱峰定性方法和系统
CN115186935B (zh) 一种机电设备非线性故障预测方法及系统
CN113011325B (zh) 一种基于孤立森林算法的堆垛机轨道损伤定位方法
CN116383645A (zh) 一种基于异常检测的系统健康度智能监测评估方法
CN111624985B (zh) 燃气轮机控制系统传感器故障诊断方法
CN113807715A (zh) 一种化工装置风险动态预警方法
CN111143436A (zh) 用于大数据的数据挖掘方法
Bergmann Data Mining for Manufacturing: Preventive Maintenance, Failure prediction, Quality Control
CN117894385B (zh) 基于成分分析技术的食醋发酵检测方法及系统
CN115374572B (zh) 一种工艺平稳度分析系统及方法
CN115659143A (zh) 一种基于试验设计的故障实时诊断方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200728

RJ01 Rejection of invention patent application after publication