CN111694329B - 一种基于分散式极限学习机的动态过程监测方法 - Google Patents
一种基于分散式极限学习机的动态过程监测方法 Download PDFInfo
- Publication number
- CN111694329B CN111694329B CN201910229754.7A CN201910229754A CN111694329B CN 111694329 B CN111694329 B CN 111694329B CN 201910229754 A CN201910229754 A CN 201910229754A CN 111694329 B CN111694329 B CN 111694329B
- Authority
- CN
- China
- Prior art keywords
- matrix
- learning machine
- vector
- extreme learning
- formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000008569 process Effects 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 83
- 239000013598 vector Substances 0.000 claims description 58
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000003416 augmentation Effects 0.000 claims description 4
- 125000004432 carbon atom Chemical group C* 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 238000005312 nonlinear dynamic Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000003321 amplification Effects 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 239000000498 cooling water Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种基于分散式极限学习机的动态过程监测方法,旨在利用ELM为各测量变量建立分散式的非线性模型,解决非线性动态过程中的故障检测问题。具体来讲,本发明依次将各个测量变量作为ELM的输出变量,而其他测量变量及其延时测量值作为ELM的输入变量,从而可以应用ELM算法建立输入与输出之间的非线性动态关系模型。实施故障检测时,将分散式ELM模型的估计误差作为被监测对象实施故障检测。与传统方法相比,本发明方法建立了分散式的非线性模型充分发挥了多模型泛化能力强的优势,而且逐一描述了测量变量间的非线性输入‑输出关系。最后,通过具体实施案例对比验证了本发明方法是一种更为优选的非线性动态过程监测方法。
Description
技术领域
本发明涉及一种工业过程监测方法,尤其是涉及一种基于分散式极限学习机的动态过程监测方法。
背景技术
在“大数据”研究与应用潮流下,现代工业过程对象规模的大型化与生产的高效化对实时监测过程运行状态提出了越来越高的要求,数据驱动的过程监测方法已成为最主流的实施技术手段。可以说,及时地检测出过程对象运行过程中出现的故障工况是保证产品质量的唯一途径,针对以故障监测为核心任务的过程监测技术的研究一直伴随着工业发展的历程。而今,由于现代工业过程对象的非线性特性,采样数据之间的关系通常是非线性的,因此使用非线性的数据建模与故障检测方法通常能取得更优越的效果。
在现有科研文献与专利技术材料中,核主元分析(Kernel Principal ComponentAnalysis,KPCA)算法是最为广泛使用的非线性过程建模与监测方法。KPCA通过利用核学习技巧实现了对采样数据非线性特征的描述,基于KPCA算法或者类似核学习思想的建模与故障检测方法层出不穷。然而,神经网络作为一种众所周知的非线性建模算法却少有应用于故障检测。这主要是因为神经网络是一种有监督形式的建模算法,在训练模型时需要给定输入与输出数据。而故障检测针对的是所有测量变量,无法将其强行区分成输入与输出变量,这就在一定程度上限制了神经网络用于故障检测的可行性。
此外,神经网络结构中最常见的是前馈神经网络结构,它训练速度慢、使用梯度下降法很容易陷入局部极小等问题,同样限制了神经网络在故障监测领域的推广与应用。极限学习机(Extreme Learning Machine),英文缩写为ELM由于训练速度极快,只需设置隐层神经元个数,便可得到唯一的最优解。ELM算法因此更容易应用于故障监测研究。然而纵观已有的文献资料,使用ELM算法实施故障监测的技术方法只有一个案例。该案例将训练数据同时作为ELM的输入与输出,构建了一种自联想的ELM模型,并通过对比原数据与ELM模型输出数据之间的差异,实现了对在线数据的监测。然而,该方法需要使用移动窗口技术,对故障的检测存在延时,不利于满足故障及时监测的要求。
考虑到工业过程对象的采样时间间隔较短,采样数据不可避免地存在时间序列上的自相关性。因此,数据的自相关性这种动态特征是除非线性特征以外另一个必须考虑的问题。针对动态过程监测问题的研究,最常见的思路就是使用增广矩阵,将数据的自相关性与交叉相关性混淆在一起后,利用KPCA算法实施非线性动态过程监测。然而,这种基于核学习技巧的思路实施在线监测时,会涉及到大量的计算,不利于在线监测的实施。因此,针对非线性动态过程监测的研究还有待进一步的深入。
发明内容
本发明所要解决的主要技术问题是:如何利用ELM算法为各个测量变量建立分散式的非线性动态过程监测模型。具体来讲,本发明依次将各个测量变量作为ELM的输出变量,而其他测量变量及其延时测量值作为ELM的输入变量,从而可以应用ELM算法建立输入与输出之间的非线性动态关系模型。实施故障检测时,将分散式ELM模型的估计误差作为被监测对象,利用平方马氏距离统计量实施故障检测。
本发明解决上述技术问题所采用的技术方案为:一种基于分散式极限学习机的动态过程监测方法,包括以下步骤:
步骤(1):在生产过程正常运行状态下,采集n个样本数据x1,x2,…,xn组成训练数据矩阵X=[x1,x2,…,xn]T∈Rn×m,并根据公式①对X中各样本数据实施增广处理得到增广矩阵Xa:
其中,参数d为自相关阶数,一般情况下可取d=2,m为测量变量个数,R为实数集,Rn×m表示n×m维的实数矩阵,上标号T表示矩阵或向量的转置。
步骤(2):将增广矩阵Xa表示成列向量形式:Xa=[z1,z2,…,zM],其中zi∈R(n-d)×1为增广矩阵Xa中的第i列向量,i=1,2,…,M,M=(d+1)m,并按照公式②对Xa实施归一化处理,得到矩阵
步骤(3):将m个测量变量依次单独作为模型输出变量,而其他测量变量作为模型输入变量,对应建立m个极限学习机模型,具体的实施过程如下所示:
步骤(3.1):初始化j=1。
步骤(3.2):将矩阵中的第j列向量zj作为ELM的模型输出,而将矩阵中除去第j列向量后的矩阵Xj作为ELM的模型输入,建立第j个测量变量的ELM模型:yj=fj(Xj),其中yj为ELM模型的输出估计值,fj()表示第j个ELM模型的非线性变换过程,ELM模型的建立过程包括以下四个步骤:
首先,设置隐含层神经元的个数为H,按照标准正态分布随机产生输入层与隐含层之间的连接权值矩阵Wj∈R(M-1)×H与偏置向量bj∈R1×H。
其次,设定隐含层神经元的激活函数为Sigmoid函数,并计算隐含层的输出矩阵ψ∈R(n-d)×H。
最后,根据公式yj=ψβj计算ELM模型的输出估计值yj。
步骤(3.3):判断是否满足条件:j<m?若是,则置j=j+1后返回步骤(3.2);若否,则得到m个ELM模型的非线性变换函数f1(),f2(),…,fm()及相应的输出估值y1,y2,…,ym。
步骤(5):在生产过程正常运行状态下,再次采集N个样本数据v1,v2,…,vn组成测试数据矩阵V∈RN×m,并根据如下所示公式③得到增广矩阵Va
步骤(7.1):初始化j=1。
步骤(8):先计算误差矩阵后根据公式Q=diag{(F-U)C-1(F-U)T}计算监测指标向量Q,其中diag{}表示将矩阵对角线上的元素取出作为列向量的操作,矩阵U由N个均值向量μ组成,即U=[μT,μT,…,μT]T∈R(N-d)×m。
步骤(9):对监测指标向量Q中的元素按数值大小进行降序排列,并将第NV100个最大值作为监测统计指标的控制上限Qc。
以上所述步骤为本发明方法的离线建模阶段,离线建模阶段完成后,即可按照如下所示步骤(10)至步骤(14)实施在线故障检测。
步骤(10):在线采集最新采样时刻的样本数据xt∈Rm×1,并将xt与t采样时刻之前的d个样本数据xt-1,xt-2,…,xt-d合并成一个向量xnew=[xt T,xt-1 T,…,xt-d T]T。
步骤(12):根据如下所示步骤(12.1)至步骤(12.3)计算得到m个ELM模型的输出估计值γ1,γ,…,γm。
步骤(12.1):初始化j=1。
步骤(12.3):判断是否满足条件:j<m?若是,则置j=j+1后返回步骤(12.2);若否,则得到m个ELM模型的输出估计值γ1,γ,…,γm。
步骤(14):判断是否满足条件:D≤Qc?若否,则当前采样时刻已进入故障工况;若是,则过程对象处于正常运行状态,返回步骤(10)实施对下一采样时刻样本数据的故障检测。
与现有方法相比,本发明方法的优势在于:
首先,本发明方法依次将各个测量变量作为模型输出变量的策略不仅使得ELM得以应用于故障检测,而且还建立了分散式的非线性模型充分发挥了多模型泛化能力强的优势。其次,本发明方法通过逐一描述测量变量间的非线性输入-输出关系,更好的提取非线性特征。最后,在具体实施案例中通过故障检测结果的对比,验证了本发明方法的优越性。
附图说明
图1为本发明方法的实施流程图。
图2本发明方法与传统KDPCA方法在TE过程监测上的详情图。
具体实施方式
下面结合附图对本发明方法进行详细的说明。
如图1所示,本发明公开一种基于极限学习机的分散式故障监测方法。现结合一个具体的实施案例来阐述本发明方法的具体实施方式。
所测试的过程对象为TE过程,该过程原型是伊斯曼化工生产车间的一个实际工艺流程。目前,TE过程因其流程的复杂性,已作为一个标准实验平台被广泛用于故障检测研究。整个TE过程包括22个测量变量、12个操作变量、和19个成分测量变量。所采集的数据分为22组,其中包括1组正常工况下的数据集与21组故障数据。而在这些故障数据中,有16个是已知故障类型,如冷却水入口温度或进料成分的变化、阀门粘滞、反应动力学漂移等,还有5个故障类型是未知的。为了对该过程进行监测,选取如表1所示的33个过程变量,接下来结合该TE过程对本发明具体实施步骤进行详细的阐述。
表1:TE过程监测变量。
序号 | 变量描述 | 序号 | 变量描述 | 序号 | 变量描述 |
1 | 物料A流量 | 12 | 分离器液位 | 23 | D进料阀门位置 |
2 | 物料D流量 | 13 | 分离器压力 | 24 | E进料阀门位置 |
3 | 物料E流量 | 14 | 分离器塔底流量 | 25 | A进料阀门位置 |
4 | 总进料流量 | 15 | 汽提塔等级 | 26 | A和C进料阀门位置 |
5 | 循环流量 | 16 | 汽提塔压力 | 27 | 压缩机循环阀门位置 |
6 | 反应器进料 | 17 | 汽提塔底部流量 | 28 | 排空阀门位置 |
7 | 反应器压力 | 18 | 汽提塔温度 | 29 | 分离器液相阀门位置 |
8 | 反应器等级 | 19 | 汽提塔上部蒸汽 | 30 | 汽提塔液相阀门位置 |
9 | 反应器温度 | 20 | 压缩机功率 | 31 | 汽提塔蒸汽阀门位置 |
10 | 排空速率 | 21 | 反应器冷却水出口温度 | 32 | 反应器冷凝水流量 |
11 | 分离器温度 | 22 | 分离器冷却水出口温度 | 33 | 冷凝器冷却水流量 |
步骤(1):在生产过程正常运行状态下,采集n=960个样本数据x1,x2,…,x960组成训练数据矩阵X=[x1,x2,…,x960]T,设置自相关阶数d=2并根据公式①对X中各样本数据实施增广处理得到增广矩阵Xa。
步骤(3):将矩阵中前1至m列向量依次单独作为模型输出,并将矩阵中其他列向量作为模型输入,对应建立m个极限学习机模型:yj=fj(Xj),其中j=1,2,…,m,建立第j个ELM模型的具体实施过程如下所示:
首先,设置隐含层神经元的个数为H=50,按照标准正态分布随机产生输入层与隐含层之间的连接权值矩阵Wj∈R98×50与偏置向量bj∈R1×50。
最后,根据公式yj=ψβj计算ELM模型的输出估计值yj。如此一来,从输入矩阵Xj到隐含层输出矩阵再到输出层的输出估计值yj,这整个变换过程是非线性变换的,可统一表示成:yj=fj(Xj)。
步骤(5):在生产过程正常运行状态下,再次采集N=500个样本数据v1,v2,…,v500组成测试数据矩阵V∈R500×33,并根据公式③得到增广矩阵Va。
步骤(9):对监测指标向量Q中的元素按数值大小进行降序排列,并将第N/100个最大值作为监测统计指标的控制上限Qc。
以上所述步骤为本发明方法的离线建模阶段,离线建模阶段完成后,即可实施在线过程监测。使TE过程运行在故障工况下,并采集相应的样本数据,即可按照以下所示步骤步骤(10)至步骤(14)对各个在线采样数据实施在线故障检测。
步骤(10):在线采集最新采样时刻的样本数据xt∈R33×1,并将xt以及其之前的d=2个样本数据xt-1,xt-2合并成一个向量xnew=[xt T,xt-1 T,xt-2 T]T。
步骤(12):根据如下所示步骤(12.1)至步骤(12.3)计算得到m个ELM模型的输出估计值γ1,γ,…,γm。
步骤(12.1):初始化j=1。
步骤(12.3):判断是否满足条件:j<m?若是,则置j=j+1后返回步骤(12.2);若否,则得到m个ELM模型的输出估计值γ1,γ,…,γm。
步骤(14):判断是否满足条件:D≤Qc?若否,则当前采样时刻已进入故障工况;若是,则过程对象处于正常运行状态,返回步骤(10)实施对下一采样时刻样本数据的故障检测。
将监测TE过程故障工况下测试数据的监测详情图对比显示于图2中,其中前160个样本数据的采样时间内,TE过程处于正常工况,从第161个样本数据起进入故障工况。从图2可以发现,本发明方法的故障检测成功情况明显高于传统KPCA方法。
上述实施例仅是对本发明的优选实施方式,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,不应排除在本发明的保护范围之外。
Claims (1)
1.一种基于分散式极限学习机的动态过程监测方法,其特征在于,包括以下步骤:
步骤(1):在生产过程正常运行状态下,采集n个样本数据x1,x2,…,xn组成训练数据矩阵X=[x1,x2,…,xn]T∈Rn×m,并根据公式①对X中各样本数据实施增广处理得到增广矩阵Xa:
其中,参数d为自相关阶数、m为测量变量个数、R为实数集、Rn×m表示n×m维的实数矩阵、上标号T表示矩阵或向量的转置;
步骤(2):将增广矩阵Xa表示成列向量形式:Xa=[z1,z2,…,zM],其中zi∈R(n-d)×1为增广矩阵Xa中的第i列向量,i=1,2,…,M,M=(d+1)m,并按照公式②对Xa实施归一化处理,得到矩阵
步骤(3.1):初始化j=1;
步骤(3.2):将矩阵中的第j列向量作为极限学习机的模型输出,而将矩阵中除去第j列向量后的矩阵Xj作为极限学习机的模型输入矩阵,建立第j个测量变量的极限学习机模型:yj=fj(Xj),其中yj为极限学习机模型的输出估计值,fj()表示第j个极限学习机模型的非线性变换过程,第j个极限学习机模型的建立包括以下四个步骤:
首先,设置隐含层神经元的个数为H,按照标准正态分布随机产生输入层与隐含层之间的连接权值矩阵Wj∈R(M-1)×H与偏置向量bj∈R1×H;
最后,根据公式yj=ψβj计算极限学习机模型的输出估计值yj,因此从输入矩阵Xj到输出估计值yj的非线性变换过程可表示成:yj=fj(Xj);
步骤(3.3):判断是否满足条件:j<m?若是,则置j=j+1后返回步骤(3.2);若否,则得到m个极限学习机模型及其相应的输出估计值y1,y2,…,ym;
步骤(5):在生产过程正常运行状态下,再次采集N个样本数据v1,v2,…,vN组成测试数据矩阵V∈RN×m,并根据如下所示公式④得到增广矩阵Va
步骤(7.1):初始化j=1;
步骤(8):先计算误差矩阵后根据公式Q=diag{(F-U)C-1(F-U)T}计算监测指标向量Q,其中diag{}表示将矩阵对角线上的元素取出作为列向量的操作,矩阵U由N-d个均值向量μ组成,即U=[μT,μT,…,μT]T∈R(N-d)×m;
步骤(9):对监测指标向量Q中的元素按数值大小进行降序排列,并将第N/100个最大值作为监测统计指标的控制上限Qc;
以上所述步骤为本发明方法的离线建模阶段,离线建模阶段完成后,即可按照如下所示步骤(10)至步骤(14)实施在线故障检测;
步骤(10):在线采集最新采样时刻的样本数据xt∈Rm×1,并将xt与t采样时刻之前的d个样本数据xt-1,xt-2,…,xt-d合并成一个向量xnew=[xt T,xt-1 T,…,xt-d T]T;
步骤(12):根据如下所示步骤(12.1)至步骤(12.3)计算得到m个极限学习机模型的输出估计值γ1,γ,…,γm;
步骤(12.1):初始化j=1;
步骤(12.3):判断是否满足条件:j<m?若是,则置j=j+1后返回步骤(12.2);若否,则得到m个极限学习机模型的输出估计值γ1,γ,…,γm;
步骤(14):判断是否满足条件:D≤Qc?若否,则当前采样时刻已进入故障工况;若是,则过程对象处于正常运行状态,返回步骤(10)实施对下一采样时刻样本数据的故障检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910229754.7A CN111694329B (zh) | 2019-03-12 | 2019-03-12 | 一种基于分散式极限学习机的动态过程监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910229754.7A CN111694329B (zh) | 2019-03-12 | 2019-03-12 | 一种基于分散式极限学习机的动态过程监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111694329A CN111694329A (zh) | 2020-09-22 |
CN111694329B true CN111694329B (zh) | 2022-03-18 |
Family
ID=72475989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910229754.7A Active CN111694329B (zh) | 2019-03-12 | 2019-03-12 | 一种基于分散式极限学习机的动态过程监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111694329B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051818A (zh) * | 2021-03-13 | 2021-06-29 | 宁波大学科学技术学院 | 一种基于特征变量极限学习机的排污口磷含量测量方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007008940A2 (en) * | 2005-07-11 | 2007-01-18 | Brooks Automation, Inc. | Intelligent condition-monitoring and dault diagnostic system |
CN106228184A (zh) * | 2016-07-19 | 2016-12-14 | 东北大学 | 一种基于优化极限学习机的高炉故障检测系统及方法 |
CN108709745A (zh) * | 2018-05-02 | 2018-10-26 | 东北林业大学 | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 |
CN108845546A (zh) * | 2018-06-11 | 2018-11-20 | 宁波大学 | 一种基于bp神经网络自回归模型的动态过程监测方法 |
CN108897286A (zh) * | 2018-06-11 | 2018-11-27 | 宁波大学 | 一种基于分散式非线性动态关系模型的故障检测方法 |
CN108960309A (zh) * | 2018-06-11 | 2018-12-07 | 宁波大学 | 一种基于rbf神经网络自相关性剔除的动态过程监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6643569B2 (en) * | 2001-03-30 | 2003-11-04 | The Regents Of The University Of Michigan | Method and system for detecting a failure or performance degradation in a dynamic system such as a flight vehicle |
-
2019
- 2019-03-12 CN CN201910229754.7A patent/CN111694329B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007008940A2 (en) * | 2005-07-11 | 2007-01-18 | Brooks Automation, Inc. | Intelligent condition-monitoring and dault diagnostic system |
CN106228184A (zh) * | 2016-07-19 | 2016-12-14 | 东北大学 | 一种基于优化极限学习机的高炉故障检测系统及方法 |
CN108709745A (zh) * | 2018-05-02 | 2018-10-26 | 东北林业大学 | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 |
CN108845546A (zh) * | 2018-06-11 | 2018-11-20 | 宁波大学 | 一种基于bp神经网络自回归模型的动态过程监测方法 |
CN108897286A (zh) * | 2018-06-11 | 2018-11-27 | 宁波大学 | 一种基于分散式非线性动态关系模型的故障检测方法 |
CN108960309A (zh) * | 2018-06-11 | 2018-12-07 | 宁波大学 | 一种基于rbf神经网络自相关性剔除的动态过程监测方法 |
Non-Patent Citations (2)
Title |
---|
Machine Learning-Assisted Optical Performance;Faisal Nadeem Khan;《2008 International Conference on Machine Learning and Cybernetics》;20181231;全文 * |
基于分布式ICA-PCA 模型的工业过程故障监测;衷路生;《化工学报》;20151231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111694329A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108897286B (zh) | 一种基于分散式非线性动态关系模型的故障检测方法 | |
CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
CN108960309B (zh) | 一种基于rbf神经网络自相关性剔除的动态过程监测方法 | |
CN109522972B (zh) | 一种基于潜变量自回归模型的动态过程监测方法 | |
CN109669415B (zh) | 一种基于结构化典型变量分析的动态过程监测方法 | |
CN110009020B (zh) | 一种基于多核主元分析模型的非线性过程监测方法 | |
CN108469805B (zh) | 一种基于动态性最优选择的分散式动态过程监测方法 | |
Abiyev | Fuzzy wavelet neural network based on fuzzy clustering and gradient techniques for time series prediction | |
CN108445867B (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
CN108375965B (zh) | 一种基于多变量块交叉相关性剔除的非高斯过程监测方法 | |
CN108345284B (zh) | 一种基于两变量块的质量相关故障检测方法 | |
CN108845546B (zh) | 一种基于bp神经网络自回归模型的动态过程监测方法 | |
CN108919755B (zh) | 一种基于多块非线性交叉关系模型的分布式故障检测方法 | |
CN108508865A (zh) | 一种基于分散式osc-pls回归模型的故障检测方法 | |
CN112378619B (zh) | 具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用 | |
CN108491878B (zh) | 一种基于多个误差生成模型的故障分类诊断方法 | |
CN111324110A (zh) | 一种基于多块收缩自动编码器的发酵过程故障监测方法 | |
CN108492026B (zh) | 一种基于集成正交成分最优化回归分析的软测量方法 | |
CN108427398B (zh) | 一种基于分散式ar-pls模型的动态过程监测方法 | |
CN114692507B (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN111913460A (zh) | 一种基于序列相关局部保持投影算法的故障监测方法 | |
CN111694329B (zh) | 一种基于分散式极限学习机的动态过程监测方法 | |
CN108572639B (zh) | 一种基于主成分自相关性剔除的动态过程监测方法 | |
Yao et al. | Fault diagnosis based on RseNet-LSTM for industrial process | |
CN110554667A (zh) | 基于卷积神经网络(cnn)的间歇工业过程故障诊断 |
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 |