CN111709181A - 基于主成分分析的涤纶长丝工业生产流程故障预测方法 - Google Patents

基于主成分分析的涤纶长丝工业生产流程故障预测方法 Download PDF

Info

Publication number
CN111709181A
CN111709181A CN202010372026.4A CN202010372026A CN111709181A CN 111709181 A CN111709181 A CN 111709181A CN 202010372026 A CN202010372026 A CN 202010372026A CN 111709181 A CN111709181 A CN 111709181A
Authority
CN
China
Prior art keywords
data
polyester filament
fault
principal component
component analysis
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
Application number
CN202010372026.4A
Other languages
English (en)
Other versions
CN111709181B (zh
Inventor
周武能
熊文健
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.)
Donghua University
National Dong Hwa University
Original Assignee
Donghua 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 Donghua University filed Critical Donghua University
Priority to CN202010372026.4A priority Critical patent/CN111709181B/zh
Publication of CN111709181A publication Critical patent/CN111709181A/zh
Application granted granted Critical
Publication of CN111709181B publication Critical patent/CN111709181B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Spinning Methods And Devices For Manufacturing Artificial Fibers (AREA)

Abstract

本发明涉及一种基于主成分分析的涤纶长丝工业生产流程故障预测方法，包括如下步骤：(1)获取涤纶长丝原始生产数据和物理指标；(2)对原始生产数据进行主成分分析，并降维；(3)根据降维后的k维数据，利用多元线性回归算法建立简化模型，(4)对简化模型的系数求解(先设立代价函数，再以涤纶长丝原始生产数据作为输入，以物理指标作为真实值，训练简化模型，以wT和b为训练对象，不断调节直到达到终止条件；对应的wT和b被确定下来)，得到故障预测模型；(5)设定监督值F和阈值H；(6)预测故障；本发明的生产流程故障预测方法中加入了主成分分析法，将大数据降维，更简便的对数据进行分析，减少了人力成本、提高了预测准确率。

Description

基于主成分分析的涤纶长丝工业生产流程故障预测方法
技术领域
本发明属于故障预测方法技术领域，涉及一种基于主成分分析的涤纶长丝工业生产流程故障预测方法。
背景技术
近年来，现代企业中生产设备趋于大型化、连续化、高速化和自动化，设备的结构与组成十分复杂，生产规模非常庞大，生产过程中故障诊断的难题在于大型工业生产工艺复杂，影响生产流程的因素较多。而且，多数工业生产现场流程控制全部依赖人工经验判断，标准化程度低。以涤纶长丝的生产流程为例，这类生产流程往往涉及数十个操作步骤，大多数的操作判断都严重依赖人工经验，这样就造成产品品质的参差不一，因人而异。传统的故障预测技术难以处理海量的故障数据，故障预测的效率和准确度都达不到人们的期望值，造成了大量的人力财力浪费。
因此，在涤纶长丝生产过程中，研究一种能够显著提升故障预测的效率和准确度的故障预测方法具有十分重要的的意义。
发明内容
针对现有技术中存在的问题，本发明提供一种基于主成分分析的涤纶长丝工业生产流程故障预测方法，具体是提供一种基于机器学习算法和数据挖掘方法中的主成分分析算法对涤纶长丝生产过程中的故障预测方法，该方法可以显著提升故障预测的效率和准确度，可应用于工业大数据环境下涤纶长丝生产过程中的设备故障诊断。
本发明的基于主成分分析的涤纶长丝工业生产流程故障预测方法，首先，获取涤纶长丝生产的涤纶长丝原始生产数据和生成材料数据(物理指标)，利用主成分分析算法对原始的大量数据进行降维，其中每个主成分都能够反应原始变量的大部分信息，且所含信息互不重复；其次，根据工业流程中提取出的原始数据，利用机器学习法将其与对应的生成材料(物理指标)数据之间建立合适的数学模型，并根据分析结果，对此模型的系数进行求解，得到所需的故障预测模型；最后，设置监督器，对于预测结果进行判断，预测故障。
为达到上述目的，本发明采用的方案如下：
基于主成分分析的涤纶长丝工业生产流程故障预测方法，包括如下步骤：
(1)获取涤纶长丝原始生产数据和物理指标；
所述涤纶长丝原始生产数据为N条历史生产数据；所述生产数据的特征数为d，主要包括工艺流程的工艺参数；
(2)对数据池中的原始生产数据进行主成分分析，并降维(是指将原始的N条数据特征降为k条，其中，k小于N)；
将N条且特征数为d的涤纶长丝原始生产数据，组成N行d列的矩阵R；降维后，得到矩阵X，即降维后的k维数据；其中，
Figure RE-GDA0002640043250000021
矩阵X中，
Figure RE-GDA0002640043250000022
为第1个特征值对应的第1行数据值，
Figure RE-GDA0002640043250000023
为第d个特征值对应的第k行数据值；
(3)根据降维后的k维数据，利用多元线性回归算法建立简化模型，简化模型如下：
Figure RE-GDA0002640043250000024
其中，
Figure RE-GDA0002640043250000025
为第1个特征值对应的第i行数据值，
Figure RE-GDA0002640043250000026
为第d个特征值对应的第i行数据值，i取值为1,2,…,k；b为常数系数，截距，代表偏移；w1，w2，…，wd为各特征值对应的系数，每一个w值对应涤纶长丝原始生产数据中的一个特征，w值越大的代表该w值(系数) 对应的特征对输出结果的影响越大，对最终样本(即物理指标数据)的贡献程度也就越大；
令w＝(w1，w2，…，wd)T，X(i)＝(X1 (i)，X2 (i)，…，Xd (i))，则简化模型为：
f(X(i))＝wTX(i)+b；
在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。
因此，选择多元线性回归来得到简化模型。
(4)对简化模型的系数(包括常数系数b以及各特征值对应的系数w)求解，得到故障预测模型；所述求解的过程为：
(4.1)设立代价函数，即均方误差，(代价函数是指训练集上所有样本误差的均值)
如下：，
Figure RE-GDA0002640043250000027
其中，J(W)为多元线性回归模型的代价函数，k表示k维的数据，f(x(i))为简化模型的预测值，y(i)为真实值；
(4.2)以涤纶长丝原始生产数据作为输入(对应X矩阵的数据，即计算出f(x(i)))，以物理指标作为真实值(即对应y(i))，训练简化模型(在最小化J(W)的基础上一步步求出最合适的w和b)，在训练中，以wT和b为训练对象，不断调节wT和b，直到达到终止条件；所述终止条件为：
Figure RE-GDA0002640043250000031
其中，a为预测精准度；
当达到终止条件时，对应的wT和b被确定下来，则代入简化模型中，即得到故障预测模型。
(5)设定监督值F和阈值H；
(6)预测故障；
将待预测的生产数据代入故障预测模型，得到f(X)；
若(f(X)±F)2≤H，则该待预测的生产数据所对应的生产操作无故障，可进行生产操作；
若(f(X)±F)2＞H，则该待预测的生产数据所对应的生产操作有故障。
作为优选的技术方案：
如上所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，所述降维的步骤为：
(1)将矩阵R的每一列的数据进行零均值化处理，得到协方差矩阵；
所述零均值化处理是指将数据减去其所在列的均值，目的是为了防止因为某一维特征数据过大对协方差矩阵的计算有较大的影响；
(2)根据现有技术，计算协方差矩阵的N个特征值和对应的特征向量；
(3)按照N个特征值的大小顺序将对应的特征向量排列成矩阵M，并取矩阵M的第1到第k行组成k行N列的矩阵P，可以利用对对应的k个特征值进行求和以及其占了整个特征值和的比例来判断矩阵P对涤纶长丝原始生产数据的特征保留的程度；
(4)令X＝PR，得到k行d列的矩阵X，即降维后的k维数据。
如上所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，所述将待预测的生产数据代入故障预测模型时，还对故障预测模型进行监督校正，具体为：获取每一次故障预测模型输出的预测结果与实际生产数据之间的差值z，并计算z的平均值
Figure RE-GDA0002640043250000032
通过
Figure RE-GDA0002640043250000033
对故障预测模型中的常数系数b进行补偿，实现监督校正，得到优化后的故障预测模型，对下一次的待预测的生产数据进行预测。
如上所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，所述工艺参数有：生产操作时间、生产温度、生产环境指标、纺织速度、接触压力和卷绕角。
如上所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，所述物理指标有：冷却时间、纤度、断裂强度、断裂伸长、弹性回复率和其各自的CV％。
如上所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，所述预测精准度为 10-6。
如上所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，所述调节wT和b 时，采用梯度下降法进行调节。
所述训练的对象为w和b；
Figure RE-GDA0002640043250000041
Figure RE-GDA0002640043250000042
其中，ɑ为学习率，w为涤纶长丝原始生产数据的特征值，b为常数系数，
Figure RE-GDA0002640043250000043
为偏导符号， J(W)为代价函数。
如上所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，所述监督值F为对涤纶长丝原始生产数据和物理指标(公司数据库提供)取平均值获得。
如上所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，所述阈值H是由历史生产数据及工业生产中新产生的生产数据通过人为计算和经验判断确定的。
有益效果
(1)现有技术在大数据基础上直接运行算法，复杂度较高。而本发明的故障预测算法加入了主成分分析法，将大数据降维，更简便的对数据进行分析；
(2)现有技术的操作过程依靠人工、流程控制全部依赖人工经验、生产操作预测困难、标准化程度低。而本发明采用大数据技术和自动化技术，减少了人力成本、提高了预测准确率。
附图说明
图1为本发明的基于主成分分析的涤纶长丝工业生产流程故障预测方法的流程图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
基于主成分分析的涤纶长丝工业生产流程故障预测方法，其流程图如图1所示，具体是包括如下步骤：
(1)获取涤纶长丝原始生产数据和物理指标(冷却时间、纤度、断裂强度、断裂伸长、弹性回复率和其各自的CV％)；
涤纶长丝原始生产数据为N条历史生产数据；
生产数据的特征数为d，主要包括工艺流程的工艺参数(生产操作时间、生产温度、生产环境指标、纺织速度、接触压力和卷绕角)；
(2)对数据池中的原始生产数据进行主成分分析，并降维(是指将原始的N条数据特征降为k条，其中，k小于N)；
降维的步骤为：
(2.1)将N条且特征数为d的涤纶长丝原始生产数据，组成N行d列的矩阵R；
(2.2)将矩阵R的每一列的数据进行零均值化处理，得到协方差矩阵；
零均值化处理是指将数据减去其所在列的均值，目的是为了防止因为某一维特征数据过大对协方差矩阵的计算有较大的影响；
(2.3)根据现有技术，计算协方差矩阵的N个特征值和对应的特征向量；
(2.4)按照N个特征值的大小顺序将对应的特征向量排列成矩阵M，并取矩阵M的第1到第k行组成k行N列的矩阵P，可以利用对对应的k个特征值进行求和以及其占了整个特征值和的比例来判断矩阵P对涤纶长丝原始生产数据的特征保留的程度；
(2.5)令X＝PR，得到k行d列的矩阵X，即降维后的k维数据；设
Figure RE-GDA0002640043250000051
其中，
Figure RE-GDA0002640043250000052
为第1个特征值对应的第1行数据值，
Figure RE-GDA0002640043250000053
为第d个特征值对应的第k行数据值；
(3)根据降维后的k维数据，利用多元线性回归算法建立简化模型，简化模型如下：
Figure RE-GDA0002640043250000054
其中，
Figure RE-GDA0002640043250000055
为第1个特征值对应的第i行数据值，
Figure RE-GDA0002640043250000056
为第d个特征值对应的第i行数据值，i取值为1,2,…,k；b为常数系数，截距，代表偏移；w1，w2，…，wd为各特征值对应的系数，每一个w值对应涤纶长丝原始生产数据中的一个特征，w值越大的代表该w值(系数) 对应的特征对输出结果的影响越大，对最终样本(即物理指标数据)的贡献程度也就越大；
令w＝(w1，w2，…，wd)T，X(i)＝(X1 (i)，X2 (i)，…，Xd (i))，则简化模型为：
f(X(i))＝wTX(i)+b；
在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此，选择多元线性回归来得到简化模型。
(4)对简化模型的系数(包括常数系数b以及各特征值对应的系数w)求解，得到故障预测模型；
求解的过程为：
(4.1)设立代价函数，即均方误差，(代价函数是指训练集上所有样本误差的均值)如下：，
Figure RE-GDA0002640043250000061
其中，J(W)为多元线性回归模型的代价函数，k表示k维的数据，f(x(i))为简化模型的预测值，y(i)为真实值；
(4.2)以涤纶长丝原始生产数据作为输入(对应X矩阵的数据，即计算出f(x(i)))，以物理指标作为真实值(即对应y(i))，训练简化模型(在最小化J(W)的基础上一步步求出最合适的w和b)，在训练中，以wT和b为训练对象，不断调节wT和b(采用梯度下降法进行调节)，直到达到终止条件；
终止条件为：
Figure RE-GDA0002640043250000062
其中，a为预测精准度，为10-6；
当达到终止条件时，对应的wT和b被确定下来，则代入简化模型中，即得到故障预测模型。
(5)设定监督值F(对涤纶长丝原始生产数据和物理指标(公司数据库提供)取平均值获得)和阈值H(由历史生产数据及工业生产中新产生的生产数据通过人为计算和经验判断确定的)；
(6)预测故障；
将待预测的生产数据代入故障预测模型，得到f(X)；
若(f(X)±F)2≤H，则该待预测的生产数据所对应的生产操作无故障，可进行生产操作；
若(f(X)±F)2＞H，则该待预测的生产数据所对应的生产操作有故障。

Claims (8)

1.基于主成分分析的涤纶长丝工业生产流程故障预测方法，其特征是包括如下步骤：
(1)获取涤纶长丝原始生产数据和物理指标；
所述涤纶长丝原始生产数据为N条历史生产数据；所述生产数据的特征数为d，主要包括工艺流程的工艺参数；
(2)对原始生产数据进行主成分分析，并降维；
将N条且特征数为d的涤纶长丝原始生产数据，组成N行d列的矩阵R；降维后，得到矩阵X，即降维后的k维数据；其中，
矩阵
Figure RE-FDA0002640043240000011
矩阵X中，
Figure RE-FDA0002640043240000012
为第1个特征值对应的第1行数据值，
Figure RE-FDA0002640043240000013
为第d个特征值对应的第k行数据值；
(3)根据降维后的k维数据，利用多元线性回归算法建立简化模型，简化模型如下：
Figure RE-FDA0002640043240000014
其中，
Figure RE-FDA0002640043240000015
为第1个特征值对应的第i行数据值，
Figure RE-FDA0002640043240000016
为第d个特征值对应的第i行数据值，i取值为1,2,…,k；b为常数系数；w1，w2，…，wd为各特征值对应的系数；
令w＝(w1，w2，…，wd)T，X(i)＝(X1 (i)，X2 (i)，…，Xd (i))，则简化模型为：
f(X(i))＝wTX(i)+b；
(4)对简化模型的系数求解，得到故障预测模型；所述求解的过程为：
(4.1)设立代价函数，即均方误差，如下：，
Figure RE-FDA0002640043240000017
其中，J(W)为代价函数，k表示k维的数据，f(x(i))为简化模型的预测值，y(i)为真实值；
(4.2)以涤纶长丝原始生产数据作为输入，以物理指标作为真实值，训练简化模型，在训练中，以wT和b为训练对象，不断调节wT和b，直到达到终止条件；所述终止条件为：
Figure RE-FDA0002640043240000021
其中，a为预测精准度；
(5)设定监督值F和阈值H；
(6)预测故障；
将待预测的生产数据代入故障预测模型，得到f(X)；
若(f(X)±F)2≤H，则该待预测的生产数据所对应的生产操作无故障，可进行生产操作；
若(f(X)±F)2＞H，则该待预测的生产数据所对应的生产操作有故障。
2.根据权利要求1所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，其特征在于，所述降维的步骤为：
(1)将矩阵R的每一列的数据进行零均值化处理，得到协方差矩阵；
所述零均值化处理是指将数据减去其所在列的均值；
(2)计算协方差矩阵的N个特征值和对应的特征向量；
(3)按照N个特征值的大小顺序将对应的特征向量排列成矩阵M，并取矩阵M的第1到第k行组成k行N列的矩阵P；
(4)令X＝PR，得到k行d列的矩阵X，即降维后的k维数据。
3.根据权利要求1所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，其特征在于，所述工艺参数有：生产操作时间、生产温度、生产环境指标、纺织速度、接触压力和卷绕角。
4.根据权利要求1所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，其特征在于，所述物理指标有：冷却时间、纤度、断裂强度、断裂伸长、弹性回复率和其各自的CV％。
5.根据权利要求1所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，其特征在于，所述预测精准度为10-6。
6.根据权利要求1所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，其特征在于，所述调节wT和b时，采用梯度下降法进行调节。
7.根据权利要求1所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，其特征在于，所述监督值F为对涤纶长丝原始生产数据和物理指标取平均值获得。
8.根据权利要求1所述的基于主成分分析的涤纶长丝工业生产流程故障预测方法，其特征在于，所述阈值H是由历史生产数据及工业生产中新产生的生产数据通过人为计算和经验判断确定的。
CN202010372026.4A 2020-05-06 2020-05-06 基于主成分分析的涤纶长丝工业生产流程故障预测方法 Active CN111709181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010372026.4A CN111709181B (zh) 2020-05-06 2020-05-06 基于主成分分析的涤纶长丝工业生产流程故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010372026.4A CN111709181B (zh) 2020-05-06 2020-05-06 基于主成分分析的涤纶长丝工业生产流程故障预测方法

Publications (2)

Publication Number Publication Date
CN111709181A true CN111709181A (zh) 2020-09-25
CN111709181B CN111709181B (zh) 2022-03-15

Family

ID=72536611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010372026.4A Active CN111709181B (zh) 2020-05-06 2020-05-06 基于主成分分析的涤纶长丝工业生产流程故障预测方法

Country Status (1)

Country Link
CN (1) CN111709181B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464154A (zh) * 2020-11-27 2021-03-09 中国船舶重工集团公司第七0四研究所 一种基于无监督学习的自动筛选有效特征的方法
CN113869588A (zh) * 2021-09-29 2021-12-31 广州新科佳都科技有限公司 一种能耗标杆值预测方法、装置、设备以及存储介质
CN117763977A (zh) * 2024-02-22 2024-03-26 江苏嘉通能源有限公司 一种基于主成分分析的涤纶长丝生产故障预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105807741A (zh) * 2016-03-09 2016-07-27 北京科技大学 一种工业生产流程预测方法
CN110782067A (zh) * 2019-09-23 2020-02-11 中国地质大学（武汉） 一种基于模糊信息粒化的烧结终点波动范围预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105807741A (zh) * 2016-03-09 2016-07-27 北京科技大学 一种工业生产流程预测方法
CN110782067A (zh) * 2019-09-23 2020-02-11 中国地质大学（武汉） 一种基于模糊信息粒化的烧结终点波动范围预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
GUO-LIANG SHI 等: "Estimated contributions and uncertainties of PCA/MLR–CMB results: Source apportionment for synthetic and ambient datasets", 《ATMOSPHERIC ENVIRONMENT》 *
代德宇: "基于GA-BP网络的铜管生产过程能耗预测模型研究及应用", 《万方数据知识服务平台》 *
吴琼 等: "基于主成分回归分析的流程工业生产故障预测", 《沈阳大学学报》 *
李莺莺: "基于智能算法的涤纶长丝运行优化研究", 《中国优秀硕士学位论文全文数据库》 *
李萍 等: "基于多元线性回归分析的操作成本预测模型建立与应用", 《石油规划设计》 *
郭悦: "化工生产安全状态预测方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464154A (zh) * 2020-11-27 2021-03-09 中国船舶重工集团公司第七0四研究所 一种基于无监督学习的自动筛选有效特征的方法
CN112464154B (zh) * 2020-11-27 2024-03-01 中国船舶重工集团公司第七0四研究所 一种基于无监督学习的自动筛选有效特征的方法
CN113869588A (zh) * 2021-09-29 2021-12-31 广州新科佳都科技有限公司 一种能耗标杆值预测方法、装置、设备以及存储介质
CN117763977A (zh) * 2024-02-22 2024-03-26 江苏嘉通能源有限公司 一种基于主成分分析的涤纶长丝生产故障预测方法及系统
CN117763977B (zh) * 2024-02-22 2024-05-10 江苏嘉通能源有限公司 一种基于主成分分析的涤纶长丝生产故障预测方法及系统

Also Published As

Publication number Publication date
CN111709181B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN111709181B (zh) 基于主成分分析的涤纶长丝工业生产流程故障预测方法
CN109459993B (zh) 一种流程工业过程在线自适应故障监测与诊断方法
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
CN111460728B (zh) 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN108763729B (zh) 基于网络结构熵的流程工业机电系统耦合状态评估方法
CN111445103B (zh) 一种基于工业互联网的输电线缆生产质量管理反馈系统
CN111582542B (zh) 一种基于异常修复的电力负荷预测方法及系统
US20230168643A1 (en) Industrial internet of things based on abnormal identification, control method, and storage media thereof
CN112101439B (zh) 基于分布式贝叶斯网络的高速线材质量缺陷诊断与溯源方法
CN111340269B (zh) 用于流程工业过程的实时优化方法
CN110687895A (zh) 一种基于自适应核主成分分析的化工过程故障检测方法
CN116852665A (zh) 一种基于混合模型的注塑工艺参数智能调节方法
CN117724433A (zh) 基于多通道分布式深度集成预测的冷轧生产前馈控制方法
CN117390960A (zh) 一种数控机床用加工精度智能分析方法
CN117000780A (zh) 一种自适应冷轧带材多通道板形预报方法
CN109598283B (zh) 一种基于半监督极限学习机的铝电解过热度识别方法
CN111507374A (zh) 一种基于随机矩阵理论的电网海量数据异常检测方法
CN113283339B (zh) 基于机器视觉的工业矿料运输皮带少料异常监测方法
CN113780852B (zh) 一种板带轧制过程质量缺陷的诊断方法
Zheng et al. Between-class difference analysis based multidimensional RBC for multivariate fault isolation of industrial processes
CN114707424A (zh) 基于质量相关慢特征分析算法的化工过程软测量方法
CN111523662B (zh) 基于adaline神经网络的动态过程控制限确定方法及设备
CN111176265B (zh) 模型预测控制器性能监控方法
EP3627568B1 (de) Verfahren zur verarbeitung von abbildungen von halbleiterstrukturen, sowie zur prozesscharakterisierung und prozessoptimierung mittels semantischer datenkompression
CN113901720A (zh) 基于深度学习lstm的铁路供电设备状态异常报警的实现方法

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