CN111723514A - 基于高斯核函数的svm算法的工艺流程故障诊断方法 - Google Patents

基于高斯核函数的svm算法的工艺流程故障诊断方法 Download PDF

Info

Publication number
CN111723514A
CN111723514A CN202010387656.9A CN202010387656A CN111723514A CN 111723514 A CN111723514 A CN 111723514A CN 202010387656 A CN202010387656 A CN 202010387656A CN 111723514 A CN111723514 A CN 111723514A
Authority
CN
China
Prior art keywords
feature vector
fault
linearly separable
test samples
follows
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
CN202010387656.9A
Other languages
English (en)
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 CN202010387656.9A priority Critical patent/CN111723514A/zh
Publication of CN111723514A publication Critical patent/CN111723514A/zh
Pending legal-status Critical Current

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/12—Cloth

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种基于高斯核函数的SVM算法的工艺流程故障诊断方法，首先获取原始数据，原始数据为测试样本在工艺流程各部分对应的特征值，工艺流程共n部分，各个测试样本的特征值为X1、X2...Xi...Xn，对应的权值为w1、w2...wi...wn；然后提取线性可分的测试样本，并利用SVM算法进行初步分类，当
Figure DEST_PATH_RE-FDA0002639720650000013
时，将特征向量为X(j)的测试样本分为第一类，即无故障；反之，则将特征向量为X(j)的测试样本分为第二类，即有故障；最后提取非线性可分的测试样本，并建立高斯核函数模型后利用SVM算法进行分类，当w* 1f1+w* 2f2...w* sfs...+w* mfm+b*>＝0时，将特征向量为X(r)的测试样本分为第一类，即无故障；反之，则将特征向量为X(r)的测试样本分为第二类，即有故障。本发明利用SVM和高斯核函数保证了故障识别的效率与质量。

Description

基于高斯核函数的SVM算法的工艺流程故障诊断方法
技术领域
本发明属于故障诊断技术领域，涉及一种基于高斯核函数的SVM算法的工艺流程故障诊断方法。
背景技术
大数据近年来越来越广泛地应用于人们的生产生活，在医疗能源通信零售业都有着诸多应用，而它在工业预测方面也具有很大的潜力。现代社会的发展对材料的性能及产量提出了越来越高的要求。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。为了解决上述问题，本专利综合计算机知识与工业生产专业知识，提出一种基于工业生产流程故障诊断算法，对故障源进行精确诊断。对于及时更换故障设备，帮助企业解决故障难题，提高生产效益有着重要作用。
传统的故障诊断技术难以处理海量的故障数据，故障处理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。
发明内容
本发明的目的是解决现有技术中存在的问题，提供一种基于高斯核函数的SVM算法的工艺流程故障诊断方法。
为达到上述目的，本发明采用的技术方案如下：
基于高斯核函数的SVM算法的工艺流程故障诊断方法，流程如下：
(1)获取原始数据；
原始数据为测试样本在工艺流程各部分对应的特征值，工艺流程共n部分，各个测试样本的特征值为X1、X2...Xi...Xn，对应的权值为w1、w2...wi...wn；
(2)提取线性可分的测试样本，并利用SVM算法进行初步分类；
对于任一线性可分的测试样本，其特征向量为X(j)，
Figure RE-GDA0002639720660000011
k为线性可分的测试样本的总数，
Figure RE-GDA0002639720660000012
为X(j)中的第i个特征值；
当
Figure RE-GDA0002639720660000021
时，将特征向量为X(j)的线性可分的测试样本分为第一类，即无故障；反之，则将特征向量为X(j)的线性可分的测试样本分为第二类，即有故障；
Figure RE-GDA0002639720660000022
求出w即确定w1、w2...wi...wn，w和b的计算公式如下：
Figure RE-GDA0002639720660000023
b＝1-wTX(p)；
式中，wT为w的转置矩阵，X(p)为任一线性可分的训练样本的特征向量，
Figure RE-GDA0002639720660000024
p＝1，2，3...Z，Z为线性可分的训练样本的总数，
Figure RE-GDA0002639720660000025
为X(p)中的第i个特征值，dp为特征向量为 X(p)的线性可分的训练样本的故障情况，dp＝1代表无故障，dp＝-1代表有故障，a0p为Lagrange 函数取最小值时的Lagrange系数ap，Lagrange函数的表达式如下：
Figure RE-GDA0002639720660000026
a0p的取值的确定方法为：将Lagrange函数对w和b求偏导并使结果为0，得到的ap即为a0p；
(3)提取非线性可分的测试样本，并建立高斯核函数模型后利用SVM算法进行分类；
对于任一非线性可分的测试样本，其特征向量为X(r)，
Figure RE-GDA0002639720660000027
t为非线性可分的测试样本的总数，
Figure RE-GDA0002639720660000028
为X(r)中的第i个特征值；
建立高斯核函数模型，表达式如下：
fs＝exp(-||X(r)-L(s)||2/2δ2)；
式中，||X(r)-L(s)||代表X(r)到L(s)的欧式距离，L(s)为第s个标准产品的特征向量，
Figure RE-GDA0002639720660000031
s＝1，2，3...m，m为标准产品的总数，标准产品为已生产的无故障的产品，
Figure RE-GDA0002639720660000032
为L(s)中的第i个特征值，exp为以自然常数e为底的指数函数，6为带宽参数；
δ的取值的确定方法为：首先初始化δ，然后按步骤(3)确定非线性可分的训练样本的故障情况，并计算识别准确率，接着不断调整δ，直到识别准确率达到设定值；
当w* 1f1+w* 2f2...w* sfs...+w* mfm+b*＞＝0时，将特征向量为X(r)的非线性可分的测试样本分为第一类，即无故障；反之，则将特征向量为X(r)的非线性可分的测试样本分为第二类，即有故障；
Figure RE-GDA0002639720660000033
求出w*即确定w* 1、w* 2...w* s...w* m，w*和b*的计算公式如下：
Figure RE-GDA0002639720660000034
b*＝1-w*Tfv；
式中，w*T为w*的转置矩阵，fv＝exp(-||X(v)-L(s)||2/2δ2)(计算fv时，选用任意一个标准产品的特征向量L(s)即可)，||X(v)-L(s)||代表X(v)到L(s)的欧式距离，X(v)为任一非线性可分的训练样本的特征向量，
Figure RE-GDA0002639720660000035
Y为非线性可分的训练样本的总数，
Figure RE-GDA0002639720660000036
为X(v)中的第i个特征值，dv为特征向量为X(v)的非线性可分的训练样本的故障情况，dv＝1代表无故障， dv＝-1代表有故障，a0v为Lagrange函数取最小值时的Lagrange系数av，Lagrange函数的表达式如下：
Figure RE-GDA0002639720660000041
a0v的取值的确定方法为：将Lagrange函数对w*和b*求偏导并使结果为0，得到的av即为a0v。
作为优选的技术方案：
如上所述的基于高斯核函数的SVM算法的工艺流程故障诊断方法，工艺流程的n部分为：聚酯熔体、熔体过滤、熔体冷却器、纺丝计量泵、冷却成型、FDY热辊牵伸网络、FDY 网络上油、FDY卷绕成型、FDY织袜检验、POY油嘴上油和POY卷绕成型等流程；涉及到的工艺参数包括各部分的生产操作时间、熔体生产温度、生产环境指标、纺织速度、接触压力和卷绕角等部分；特征值具体数值视公司数据而定。
本发明根据工业流程中提取出的原始数据，利用SVM算法对原始数据初步进行二元分类，由于工业流程中数据较复杂且一般为非线性，因此初步分类之后，又建立核函数用于SVM 算法，再进行分类识别，进一步判别复杂数据下工艺流程故障情况。本发明利用SVM初步识别故障，再利用高斯核函数的SVM算法进一步识别故障，与传统方法相比更精确，保证了故障识别的效率与质量。
有益效果：
(1)与传统方法相比更精确，本发明利用SVM初步识别故障，再利用高斯核函数的SVM 算法进一步识别故障，保证了故障识别的效率与质量；
(2)传统的工艺流程故障诊断方法采用SVM算法只能解决线性可分的问题，本发明的方法加上高斯核函数可以解决线性不可分问题。
附图说明
图1为基于高斯核函数的SVM算法的工艺流程故障诊断方法的流程图。
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。
基于高斯核函数的SVM算法的工艺流程故障诊断方法，如图1所示，流程如下：
(1)获取原始数据；
原始数据为测试样本在工艺流程各部分对应的特征值，工艺流程共n部分(n部分分别为：聚酯熔体、熔体过滤、熔体冷却器、纺丝计量泵、冷却成型、FDY热辊牵伸网络、FDY网络上油、FDY卷绕成型、FDY织袜检验、POY油嘴上油和POY卷绕成型等流程；涉及到的工艺参数包括各部分的生产操作时间、熔体生产温度、生产环境指标、纺织速度、接触压力和卷绕角等部分)，各个测试样本的特征值为X1、X2...Xi...Xn，对应的权值为w1、w2...wi...wn；
(2)提取线性可分的测试样本，并利用SVM算法进行初步分类；
对于任一线性可分的测试样本，其特征向量为X(j)，
Figure RE-GDA0002639720660000051
k为线性可分的测试样本的总数，
Figure RE-GDA0002639720660000052
为X(j)中的第i个特征值；
当
Figure RE-GDA0002639720660000053
时，将特征向量为X(j)的线性可分的测试样本分为第一类，即无故障；反之，则将特征向量为X(j)的线性可分的测试样本分为第二类，即有故障；
Figure RE-GDA0002639720660000054
求出w即确定w1、w2...wi...wn，w和b的计算公式如下：
Figure RE-GDA0002639720660000055
b＝1-wTX(p)；
式中，wT为w的转置矩阵，X(p)为任一线性可分的训练样本的特征向量，
Figure RE-GDA0002639720660000056
p＝1，2，3...Z，Z为线性可分的训练样本的总数，
Figure RE-GDA0002639720660000057
为X(p)中的第i个特征值，dp为特征向量为X(p)的线性可分的训练样本的故障情况，dp＝1代表无故障，dp＝-1代表有故障，a0p为Lagrange 函数取最小值时的Lagrange系数ap，Lagrange函数的表达式如下：
Figure RE-GDA0002639720660000061
a0p的取值的确定方法为：将Lagrange函数对w和b求偏导并使结果为0，得到的ap即为a0p；
(3)提取非线性可分的测试样本，并建立高斯核函数模型后利用SVM算法进行分类；
对于任一非线性可分的测试样本，其特征向量为X(r)，
Figure RE-GDA0002639720660000062
t为非线性可分的测试样本的总数，
Figure RE-GDA0002639720660000063
为X(r)中的第i个特征值；
建立高斯核函数模型，表达式如下：
fs＝exp(-||X(r)-L(s)||2/2δ2)；
式中，||X(r)-L(s)||代表X(r)到L(s)的欧式距离，L(s)为第s个标准产品的特征向量，
Figure RE-GDA0002639720660000064
s＝1，2，3...m，m为标准产品的总数，标准产品为已生产的无故障的产品，
Figure RE-GDA0002639720660000065
为L(s)中的第i个特征值，exp为以自然常数e为底的指数函数，δ为带宽参数；
δ的取值的确定方法为：首先初始化δ，然后按步骤(3)确定非线性可分的训练样本的故障情况，并计算识别准确率，接着不断调整δ，直到识别准确率达到设定值；
当w* 1f1+w* 2f2...w* sfs...+w* mfm+b*＞＝0时，将特征向量为X(r)的非线性可分的测试样本分为第一类，即无故障；反之，则将特征向量为X(r)的非线性可分的测试样本分为第二类，即有故障；
Figure RE-GDA0002639720660000071
求出w*即确定w* 1、w* 2...w* s...w* m，w*和b*的计算公式如下：
Figure RE-GDA0002639720660000072
b*＝1-w*Tfv；
式中，w*T为w*的转置矩阵，fv＝exp(-||X(v)-L(s)||2/2δ2)(计算fv时，选用任意一个标准产品的特征向量L(s)即可)，||X(v)-L(s)||代表X(v)到L(s)的欧式距离，X(v)为任一非线性可分的训练样本的特征向量，
Figure RE-GDA0002639720660000073
Y为非线性可分的训练样本的总数，
Figure RE-GDA0002639720660000074
为X(v)中的第i个特征值，dv为特征向量为X(v)的非线性可分的训练样本的故障情况，dv＝1代表无故障， dv＝-1代表有故障，a0v为Lagrange函数取最小值时的Lagrange系数av，Lagrange函数的表达式如下：
Figure RE-GDA0002639720660000075
a0v的取值的确定方法为：将Lagrange函数对w*和b*求偏导并使结果为0，得到的av即为a0v。

Claims (2)

1.基于高斯核函数的SVM算法的工艺流程故障诊断方法，其特征是，流程如下：
(1)获取原始数据；
原始数据为测试样本在工艺流程各部分对应的特征值，工艺流程共n部分，各个测试样本的特征值为X1、X2...Xi...Xn，对应的权值为w1、w2...wi...wn；
(2)提取线性可分的测试样本，并利用SVM算法进行初步分类；
对于任一线性可分的测试样本，其特征向量为X(j)，
Figure RE-FDA0002639720650000011
k为线性可分的测试样本的总数，
Figure RE-FDA0002639720650000012
为X(j)中的第i个特征值；
当
Figure RE-FDA0002639720650000013
时，将特征向量为X(j)的线性可分的测试样本分为第一类，即无故障；反之，则将特征向量为X(j)的线性可分的测试样本分为第二类，即有故障；
Figure RE-FDA0002639720650000014
求出w即确定w1、w2...wi...wn，w和b的计算公式如下：
Figure RE-FDA0002639720650000015
b＝1-wTX(p)；
式中，wT为w的转置矩阵，X(p)为任一线性可分的训练样本的特征向量，
Figure RE-FDA0002639720650000016
p＝1,2,3...Z，Z为线性可分的训练样本的总数，
Figure RE-FDA0002639720650000017
为X(p)中的第i个特征值，dp为特征向量为X(p)的线性可分的训练样本的故障情况，dp＝1代表无故障，dp＝-1代表有故障，a0p为Lagrange函数取最小值时的Lagrange系数ap，Lagrange函数的表达式如下：
Figure RE-FDA0002639720650000021
a0p的取值的确定方法为：将Lagrange函数对w和b求偏导并使结果为0，得到的ap即为a0p；
(3)提取非线性可分的测试样本，并建立高斯核函数模型后利用SVM算法进行分类；
对于任一非线性可分的测试样本，其特征向量为X(r)，
Figure RE-FDA0002639720650000022
t为非线性可分的测试样本的总数，
Figure RE-FDA0002639720650000023
为X(r)中的第i个特征值；
建立高斯核函数模型，表达式如下：
fs＝exp(-||X(r)-L(s)||2/2δ2)；
式中，||X(r)-L(s)||代表X(r)到L(s)的欧式距离，L(s)为第s个标准产品的特征向量，
Figure RE-FDA0002639720650000024
Figure RE-FDA0002639720650000025
m为标准产品的总数，标准产品为已生产的无故障的产品，
Figure RE-FDA0002639720650000026
为L(s)中的第i个特征值，exp为以自然常数e为底的指数函数，δ为带宽参数；
δ的取值的确定方法为：首先初始化δ，然后按步骤(3)确定非线性可分的训练样本的故障情况，并计算识别准确率，接着不断调整δ，直到识别准确率达到设定值；
当w* 1f1+w* 2f2...w* sfs...+w* mfm+b*>＝0时，将特征向量为X(r)的非线性可分的测试样本分为第一类，即无故障；反之，则将特征向量为X(r)的非线性可分的测试样本分为第二类，即有故障；
Figure RE-FDA0002639720650000031
求出w*即确定w* 1、w* 2...w* s...w* m，w*和b*的计算公式如下：
Figure RE-FDA0002639720650000032
b*＝1-w*Tfv；
式中，w*T为w*的转置矩阵，fv＝exp(-||X(v)-L(s)||2/2δ2)，||X(v)-L(s)||代表X(v)到L(s)的欧式距离，X(v)为任一非线性可分的训练样本的特征向量，
Figure RE-FDA0002639720650000033
Y为非线性可分的训练样本的总数，
Figure RE-FDA0002639720650000034
为X(v)中的第i个特征值，dv为特征向量为X(v)的非线性可分的训练样本的故障情况，dv＝1代表无故障，dv＝-1代表有故障，a0v为Lagrange函数取最小值时的Lagrange系数av，Lagrange函数的表达式如下：
Figure RE-FDA0002639720650000035
a0v的取值的确定方法为：将Lagrange函数对w*和b*求偏导并使结果为0，得到的av即为a0v。
2.根据权利要求1所述的基于高斯核函数的SVM算法的工艺流程故障诊断方法，其特征在于，工艺流程的n部分为：聚酯熔体、熔体过滤、熔体冷却器、纺丝计量泵、冷却成型、FDY热辊牵伸网络、FDY网络上油、FDY卷绕成型、FDY织袜检验、POY油嘴上油和POY卷绕成型等流程；涉及到的工艺参数包括各部分的生产操作时间、熔体生产温度、生产环境指标、纺织速度、接触压力和卷绕角等部分。
CN202010387656.9A 2020-05-09 2020-05-09 基于高斯核函数的svm算法的工艺流程故障诊断方法 Pending CN111723514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010387656.9A CN111723514A (zh) 2020-05-09 2020-05-09 基于高斯核函数的svm算法的工艺流程故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010387656.9A CN111723514A (zh) 2020-05-09 2020-05-09 基于高斯核函数的svm算法的工艺流程故障诊断方法

Publications (1)

Publication Number Publication Date
CN111723514A true CN111723514A (zh) 2020-09-29

Family

ID=72564806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010387656.9A Pending CN111723514A (zh) 2020-05-09 2020-05-09 基于高斯核函数的svm算法的工艺流程故障诊断方法

Country Status (1)

Country Link
CN (1) CN111723514A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106371427A (zh) * 2016-10-28 2017-02-01 浙江大学 基于层次分析法和模糊融合的工业过程故障分类方法
CN107067023A (zh) * 2017-01-10 2017-08-18 苏州大学 一种故障诊断方法和装置
CN108038493A (zh) * 2017-11-24 2018-05-15 东北大学 基于回归智能判别嵌入的工业大数据过程故障监测方法
US20190195727A1 (en) * 2017-12-22 2019-06-27 Qujing Bureau, Csg Ehv Power Transmission Company Gil fault on-line monitoring system based on vibration signals and support vector machine
CN110263826A (zh) * 2019-05-31 2019-09-20 河南大学 含噪声非线性过程故障检测模型的构建方法及其检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106371427A (zh) * 2016-10-28 2017-02-01 浙江大学 基于层次分析法和模糊融合的工业过程故障分类方法
CN107067023A (zh) * 2017-01-10 2017-08-18 苏州大学 一种故障诊断方法和装置
CN108038493A (zh) * 2017-11-24 2018-05-15 东北大学 基于回归智能判别嵌入的工业大数据过程故障监测方法
US20190195727A1 (en) * 2017-12-22 2019-06-27 Qujing Bureau, Csg Ehv Power Transmission Company Gil fault on-line monitoring system based on vibration signals and support vector machine
CN110263826A (zh) * 2019-05-31 2019-09-20 河南大学 含噪声非线性过程故障检测模型的构建方法及其检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
冷崇富等: "输电线路单相自适应重合闸的双SVM实现方案", 《电网技术》 *
沈新蕊: "基于支持向量机的非线性工业过程故障检测与预测研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
贾金生等: "《水利水电工程建设与运行管理技术新发展-中国大坝工程学会2016学术年会论文集》", 30 September 2016 *
邱兆文等: "《图像检索技术与应用》", 31 May 2012 *

Similar Documents

Publication Publication Date Title
Huang et al. Fabric defect segmentation method based on deep learning
WO2023070911A1 (zh) 一种基于自注意力的彩色纹理织物缺陷区域的检测方法
CN108074231B (zh) 一种基于卷积神经网络的磁片表面缺陷检测方法
CN106649789B (zh) 一种基于集成半监督费舍尔判别的工业过程故障分类方法
CN108875772B (zh) 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法
Yang et al. Multimode process monitoring based on robust dictionary learning with application to aluminium electrolysis process
CN113643268B (zh) 基于深度学习的工业制品缺陷质检方法、装置及存储介质
CN112085252B (zh) 一种关于集合类型决策效果的反事实预测方法
CN108241925A (zh) 一种基于离群点检测的离散制造机械产品质量溯源方法
CN112017204A (zh) 一种基于边缘标记图神经网络的刀具状态图像分类方法
CN113342476B (zh) 一种基于迁移学习的设备集群跨域故障预测方法及系统
CN116167640B (zh) 一种lcp薄膜生产质量检测数据分析方法及系统
CN111402236A (zh) 一种基于图像灰度值的热轧带钢表面缺陷分级方法
CN114700587B (zh) 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统
CN115358297A (zh) 一种基于改进mkeca方法的注塑机异常检测方法及系统
CN107330454B (zh) 非线性海量高维序列数据分类特性可视化及定量分析方法
Gentner et al. DBAM: Making virtual metrology/soft sensing with time series data scalable through deep learning
CN114879628A (zh) 基于对抗局部最大均值差异的多模态工业过程故障诊断方法
CN111723514A (zh) 基于高斯核函数的svm算法的工艺流程故障诊断方法
CN113110398A (zh) 基于动态时间归整和图卷积网络的工业过程故障诊断方法
Anh et al. An empirical study on fabric defect classification using deep network models
CN115984215A (zh) 一种基于双生网络的纤维束缺陷检测方法
CN112183569A (zh) 基于fda与som的间歇工业过程反应阶段聚类以及故障分类可视化
Wei et al. A YOLOV8-based approach for steel plate surface defect detection
CN110910021A (zh) 一种基于支持向量机监控在线缺陷的方法

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: 20200929

RJ01 Rejection of invention patent application after publication