CN111914206A - 一种基于新型动态近邻保持嵌入算法的过程监测方法 - Google Patents
一种基于新型动态近邻保持嵌入算法的过程监测方法 Download PDFInfo
- Publication number
- CN111914206A CN111914206A CN201910478789.4A CN201910478789A CN111914206A CN 111914206 A CN111914206 A CN 111914206A CN 201910478789 A CN201910478789 A CN 201910478789A CN 111914206 A CN111914206 A CN 111914206A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vector
- data
- formula
- new
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 90
- 239000011159 matrix material Substances 0.000 claims description 60
- 238000005070 sampling Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000007062 medium k Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005065 mining Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 6
- 239000000498 cooling water Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于新型动态近邻保持嵌入算法的过程监测方法,旨在解决如何同时挖掘训练数据中潜藏的自相关特征与局部近邻结构特征,并基于此实施对生产过程运行状态的监测问题。本发明方法的优势在于:首先本发明方法中涉及的新型动态近邻保持嵌入算法是一种全新的算法,它同时考虑了自相关性特征与局部近邻特征,能够更全面地挖掘训练数据中潜藏的有用信息。其次,在具体实施案例中,相比于传统动态过程监测方法,本发明方法在故障监测上能取得更卓越的效果。可以说,本发明方法是一种更为优选的动态过程监测方法。
Description
技术领域
本发明涉及一种数据驱动的过程监测方法,尤其涉及一种基于新型动态近邻保持嵌入算法的过程监测方法。
背景技术
对生产过程的运行状态实施监测对保证生产过程的安全运行与维持产品质量的稳定性具有重要的科学研究意义,学术界与工业界都投入了大量的人力与物力研究以故障监测为核心任务的过程监测方法。近十几年来,针对故障检测方法尤其是数据驱动的故障检测方法的研究,已经成为工业自动化领域的研究热门之一。通常来讲,数据驱动的故障检测方法的核心思想在于:如何对过程正常数据进行有效地挖掘以提取能反应过程运行状态的潜在有用信息。然而,考虑到现代工业过程规模的复杂化趋势,采集到的工业数据所呈现出的特征往往也是非常复杂的。可以说,如何更有效地挖掘出过程数据中潜藏的有用信息,并建立更适于监测现代工业过程对象的过程监测模型,一直以来都是该研究领域所面临的主要问题。
在现有的科研文献与专利文件中,主元分析(Principal Component Analysis,缩写: PCA)、独立成分分析(Independent Component Analysis,缩写:ICA)、近邻保持嵌入(Neighborhood Preserving Embedding,缩写:NPE)等都被用于过程监测。与PCA算法提取数据方差信息不同的是,NPE方法则考虑的是原始数据点的局部近邻特征,他们在提取原始数据中的潜在信息时,尽量保留数据点在空间距离上的分布特征。此外,由于现代工业过程的采样时间都较短,采样数据之间的时序自相关性是数据驱动的过程监测方法在建模时另一个必须考虑的一个问题。数据驱动的动态过程监测方法中最为典型的方法当属采用增广矩阵为各个训练样本数据引入延时测量值,从而将时序自相关性考虑进来。使用增广矩阵的弊端在于,将时序自相关性与交叉相关性混淆在一起,所提取的潜在特征成分不具备解释性。
一般而言,采样数据的时序自相关性的外在表现形式为:各采样时刻的样本数据与其前面几个时刻的采样数据是存在显著相关性的。这种外在体现形式能反映出数据样本之间的自相关特征,但在挖掘自相关性特征时还需考虑数据分布的局部特征。因此,为有效地挖掘训练数据中的潜藏有用特征,需设计一个能够同时挖掘自相关特征与局部近邻结构特征的算法,以对生产过程的运行状态实施更为高效的过程监测。
发明内容
本发明所要解决的主要技术问题是:如何时挖掘训练数据中潜藏的自相关特征与局部近邻结构特征,并基于此实施对对生产过程运行状态的监测。具体来讲,本发明方法首先将自相关性与局部近邻结构嵌入量化成一个目标函数;其次,求解该目标函数的解,从而得到新的投影变换向量;最后,利用投影变换向量挖掘出潜在特征并建立相应的过程监测模型实施监测。
本发明解决上述技术问题所采用的技术方案为:一种基于新型动态近邻保持嵌入算法的过程监测方法,包括以下步骤:
步骤(1):在生产过程正常运行状态下,按照采样时间先后依次采集n个样本数据x1,x2,…,xn组成矩阵X=[x1,x2,…,xn]T∈Rn×m,并计算矩阵X中各行向量的均值向量μ与标准差向量δ,其中xi∈Rm×1表示第i个样本数据、m为测量变量的总个数、i=1,2,…,n、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。
由于需要同时提取训练数据中自相关特征与局部近邻结构特征,设计如下所示的目标函数:
上式中,表示Kronecker乘法,p∈Rm×1表示投影变换向量,β∈Rd×1为自相关系数向量,d为自相关阶数(一般可取d=2),矩阵Y∈R(n-d)×m由矩阵中第d+1行至第n行向量组成,矩阵Z的组成形式如下所示:
上式①中,矩阵L∈Rn×n为近邻保持嵌入矩阵,其具体的计算方式如下所示:
步骤(E):根据公式L=(In-W)(In-W)T计算近邻保持嵌入矩阵L∈Rn×n,其中矩阵In表示n×n维的单位矩阵。
值得指出的是,上式①中实为NPE算法的目标函数,投影变换向量p使最小化能够保持数据的局部近邻结构特征。另外,的最大化能够保证自相关性的最大化。因此,上式①中定义的目标函数同时考虑了自相关特征与局部近邻结构特征的提取。
再通过拉格朗日乘子法即可求解上式③:构造如下所示的拉格朗日函数J:
计算函数J相对于p与β的偏微分:
上式中,Im与Id分别表示m×m维与d×d维的单位矩阵。根据极值求解思路,上式⑤与⑥中的偏微分都等于零。因此,可推理出:
由此可见,上式⑦定义了一个广义特征问题,而公式⑧则定义了p与β之间的等式关系。在公式⑦中等号两边同时左乘pT,即可得到:所以,拉格朗日乘子λ即等价于公式③中的目标函数值。换句话说,投影变换向量p即为最大特征值λ所对应的特征向量。
上述推理过程即为本发明方法中新型动态近邻保持嵌入算法的推理证明过程。由于需要求解得到多个投影变换向量p1,p2,…pA,且每个投影变换向量pa所对应的自相关系数向量βa也不尽相同。因此,可按照如下所示步骤实施新型动态近邻保持嵌入算法的建模。
步骤(3):利用新型动态近邻保持嵌入算法依次求解A个投影变换向量p1,p2,…pA,其中A<m,具体的实施过程如下所示:
步骤(3.4):判断a是否大于1?若是,则根据如下所示公式⑨更新pa;若否,则保持pa不变。
步骤(3.5):根据公式pa=pa/||pa||对pa实施归一化处理后,判断pa是否收敛?收敛的标准为:pa中各元素不再发生变化,若是,则得到第a个投影变换向量pa并执行步骤(3.6);若否,则返回步骤(3.2)。
步骤(3.6):判断是否满足条件:a<A?若是,则置a=a+1后初始化pa为任意m×1维的非零实数向量,并返回步骤(3.2);若否,则得到A个投影变换向量p1,p2,…pA。
步骤(4):根据公式依次计算得分矩阵S及其协方差矩阵Λ,并根据公式ψ=diag{SΛ-1ST}与分别计算监测指标向量ψ与Q,其中P=[p1,p2,…pA]为投影变换矩阵,diag{}表示将矩阵对角线上的元素变成向量的操作。
步骤(5):分别将监测指标向量ψ与Q中第n/100个最大元素记做监测指标上限ψlim与 Qlim。
以上步骤(1)至步骤(5)为本发明方法的离线建模阶段,离线建模完成后,即可实施对工业过程过程对象的在线监测。
(8):判断是否满足条件:ψnew≤ψlim且Qnew≤Qlim?若是,则当前采样时刻过程正常运行,返回步骤(6)继续实施对下一采样时刻数据的监测;若否,则当前采样时刻过程进入异常工况状态。
与传统方法相比,本发明方法的优势在于:
首先,本发明方法中涉及的新型动态近邻保持嵌入算法是一种全新的算法,它同时考虑了自相关性特征与局部近邻特征,能够更全面地挖掘训练数据中潜藏的有用信息。其次,在具体实施案例中,相比于传统动态过程监测方法,本发明方法在故障监测上能取得更卓越的效果。可以说,本发明方法是一种更为优选的动态过程监测方法。
附图说明
图1为本发明方法的实施流程图。
图2为新型动态近邻保持嵌入算法的实施流程图。
图3本发明方法与传统方法的故障监测效果对比图。
具体实施方式
下面结合附图与具体的实施案例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新型动态近邻保持嵌入算法的过程监测方法。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 | 汽提塔液位 | 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 | 反应器液位 | 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TE过程正常运行状态下,按照采样时间先后依次采集n=960个样本数据x1,x2,…,xn组成矩阵X=[x1,x2,…,xn]T∈R960×33,并计算矩阵X中各行向量的均值向量μ与标准差向量δ。
步骤(3):设置参数A=12后,依据如图2所示的新型动态近邻保持嵌入算法的实施流程,依次求解A个投影变换向量p1,p2,…p12。
步骤(5):分别将监测指标向量ψ与Q中第n/100≈10个最大元素记做监测指标上限ψlim与Qlim。
离线建模阶段完成后,即可实施在线过程监测。采集TE过程在故障工况条件下的测试数据,其中前160个样本数据采集自正常运行状态,故障样本数据从第161个采样时刻引入。
步骤(7):根据公式计算得分向量snew后,再根据公式ψnew=snewΛ-1snew T与计算出监测指标ψnew与Qnew的具体数值;步骤(8):判断是否满足条件:ψnew≤ψlim且Qnew≤Qlim,若是,则当前采样时刻过程正常运行,返回步骤(6)继续实施对下一采样时刻数据的监测;若否,则当前采样时刻过程进入异常工况状态。
将本发明方法与其他传统过程监测方法(如PCA与NPE)对TE过程该故障的监测详情对比于图3中。从图3中可以明显地发现,本发明方法的故障漏报情况更少,监测效果得到了有效的改善。
上述实施案例只用来解释说明本发明的具体实施,而不是对本发明进行限制。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,都落入本发明的保护范围。
Claims (2)
1.一种基于新型动态近邻保持嵌入算法的过程监测方法,其特征在于,包括以下步骤:
首先,离线建模阶段包括如下所示步骤(1)至步骤(5);
步骤(1):在生产过程正常运行状态下,按照采样时间先后依次采集n个样本数据x1,x2,…,xn组成矩阵X=[x1,x2,…,xn]T∈Rn×m,并计算矩阵X中各行向量的均值向量μ与标准差向量δ,其中xi∈Rm×1表示第i个样本数据、m为测量变量的总个数、i=1,2,…,n、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(3):设置参数A后,利用新型动态近邻保持嵌入算法依次求解A个投影变换向量p1,p2,…pA,其中A<m,具体的实施过程如步骤(3.1)至步骤(3.6)所示:
步骤(3.4):判断a是否大于1?若是,则根据如下所示公式②更新pa;若否,则保持pa不变;
步骤(3.5):根据公式pa=pa/||pa||对pa实施归一化处理后,判断pa是否收敛?若是,则得到第a个投影变换向量pa并执行步骤(3.6);若否,则返回步骤(3.2);
步骤(3.6):判断是否满足条件:a<A?若是,则置a=a+1后初始化pa为任意m×1维的非零实数向量,并返回步骤(3.2);若否,则得到A个投影变换向量p1,p2,…pA;
步骤(4):根据公式与Λ=STS/(n-1)依次计算得分矩阵S及其协方差矩阵Λ,并根据公式ψ=diag{SΛ-1ST}与分别计算监测指标向量ψ与Q,其中P=[p1,p2,…pA]为投影变换矩阵,diag{ }表示将矩阵对角线上的元素变成向量的操作,Im表示m×m维单位矩阵;
步骤(5):分别将监测指标向量ψ与Q中第n/100个最大元素记做监测指标上限ψlim与Qlim;
其次,离线建模阶段完成后,即可按照如下所示步骤实施在线过程监测;
步骤(8):判断是否满足条件:ψnew≤ψlim且Qnew≤Qlim?若是,则当前采样时刻过程正常运行,返回步骤(6)继续实施对下一采样时刻数据的监测;若否,则当前采样时刻过程进入异常工况状态。
2.根据权利要求1所述的一种基于新型动态近邻保持嵌入算法的过程监测方法,其特征在于,所述步骤(3.3)中近邻保持嵌入矩阵L∈Rn×n的具体计算方式如下所示:
步骤(E):根据公式L=(In-W)(In-W)T计算近邻保持嵌入矩阵L∈Rn×n,其中矩阵In表示n×n维的单位矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910478789.4A CN111914206B (zh) | 2019-05-20 | 2019-05-20 | 一种基于动态近邻保持嵌入算法的过程监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910478789.4A CN111914206B (zh) | 2019-05-20 | 2019-05-20 | 一种基于动态近邻保持嵌入算法的过程监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914206A true CN111914206A (zh) | 2020-11-10 |
CN111914206B CN111914206B (zh) | 2023-11-14 |
Family
ID=73242487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910478789.4A Active CN111914206B (zh) | 2019-05-20 | 2019-05-20 | 一种基于动态近邻保持嵌入算法的过程监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914206B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190792A (zh) * | 2021-04-18 | 2021-07-30 | 宁波大学科学技术学院 | 一种基于近邻局部异常因子的乙烯裂解炉运行状态监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130116937A1 (en) * | 2010-10-08 | 2013-05-09 | Keith Calhoun | System and method for detecting fault conditions in a drivetrain using torque oscillation data |
CN106504122A (zh) * | 2016-11-23 | 2017-03-15 | 云南电网有限责任公司丽江供电局 | 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 |
CN106644162A (zh) * | 2016-10-12 | 2017-05-10 | 云南大学 | 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法 |
CN107025351A (zh) * | 2017-04-01 | 2017-08-08 | 宁波大学 | 一种基于多近邻保持嵌入回归模型的工业软测量方法 |
CN108122006A (zh) * | 2017-12-20 | 2018-06-05 | 南通大学 | 基于不等权局部保持嵌入的故障诊断方法 |
CN109522972A (zh) * | 2018-12-13 | 2019-03-26 | 宁波大学 | 一种基于潜变量自回归模型的动态过程监测方法 |
-
2019
- 2019-05-20 CN CN201910478789.4A patent/CN111914206B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130116937A1 (en) * | 2010-10-08 | 2013-05-09 | Keith Calhoun | System and method for detecting fault conditions in a drivetrain using torque oscillation data |
CN106644162A (zh) * | 2016-10-12 | 2017-05-10 | 云南大学 | 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法 |
CN106504122A (zh) * | 2016-11-23 | 2017-03-15 | 云南电网有限责任公司丽江供电局 | 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 |
CN107025351A (zh) * | 2017-04-01 | 2017-08-08 | 宁波大学 | 一种基于多近邻保持嵌入回归模型的工业软测量方法 |
CN108122006A (zh) * | 2017-12-20 | 2018-06-05 | 南通大学 | 基于不等权局部保持嵌入的故障诊断方法 |
CN109522972A (zh) * | 2018-12-13 | 2019-03-26 | 宁波大学 | 一种基于潜变量自回归模型的动态过程监测方法 |
Non-Patent Citations (1)
Title |
---|
唐俊苗,俞海珍,史旭华,童楚东: "《基于潜变量自回归算法的化工过程动态监测方法》", 化工学报, vol. 2019, no. 3, pages 987 - 994 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190792A (zh) * | 2021-04-18 | 2021-07-30 | 宁波大学科学技术学院 | 一种基于近邻局部异常因子的乙烯裂解炉运行状态监测方法 |
CN113190792B (zh) * | 2021-04-18 | 2023-10-24 | 宁波大学科学技术学院 | 一种基于近邻局部异常因子的乙烯裂解炉运行状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111914206B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522972B (zh) | 一种基于潜变量自回归模型的动态过程监测方法 | |
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 | |
CN109669415B (zh) | 一种基于结构化典型变量分析的动态过程监测方法 | |
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 | |
CN111913460B (zh) | 一种基于序列相关局部保持投影算法的故障监测方法 | |
CN108345284B (zh) | 一种基于两变量块的质量相关故障检测方法 | |
CN106940808A (zh) | 一种基于改进型主元分析模型的故障检测方法 | |
CN108762242B (zh) | 一种基于多块典型相关分析模型的分布式故障检测方法 | |
Li et al. | Relation inference among sensor time series in smart buildings with metric learning | |
Wang et al. | Time-weighted kernel-sparse-representation-based real-time nonlinear multimode process monitoring | |
CN111914206A (zh) | 一种基于新型动态近邻保持嵌入算法的过程监测方法 | |
CN108572639B (zh) | 一种基于主成分自相关性剔除的动态过程监测方法 | |
CN108427398B (zh) | 一种基于分散式ar-pls模型的动态过程监测方法 | |
CN109669413B (zh) | 一种基于动态潜独立变量的动态非高斯过程监测方法 | |
CN109634240B (zh) | 一种基于新型动态主元分析的动态过程监测方法 | |
CN109669412B (zh) | 一种基于新型动态独立成分分析的非高斯过程监测方法 | |
CN111914384B (zh) | 一种基于自相关潜变量模型的化工过程状态监测方法 | |
CN111915121B (zh) | 一种基于广义典型变量分析的化工过程故障检测方法 | |
CN108491878B (zh) | 一种基于多个误差生成模型的故障分类诊断方法 | |
CN109669414B (zh) | 一种基于自相关特征分解的动态过程监测方法 | |
CN110084324B (zh) | 基于极限学习机的卡尔曼滤波参数自适应更新方法 | |
CN108536943B (zh) | 一种基于多生产单元变量交叉相关解耦策略的故障监测方法 | |
CN111915120B (zh) | 一种基于动态正交近邻保持嵌入模型的过程监测方法 | |
CN111695229B (zh) | 一种基于ga-ica的新型分散式非高斯过程监测方法 | |
CN111913461B (zh) | 一种基于正则化gcca模型的分布式化工过程监测方法 |
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 |