CN112069457A - 一种基于动态平稳子空间分析的非平稳动态过程异常监测方法 - Google Patents
一种基于动态平稳子空间分析的非平稳动态过程异常监测方法 Download PDFInfo
- Publication number
- CN112069457A CN112069457A CN202010811866.6A CN202010811866A CN112069457A CN 112069457 A CN112069457 A CN 112069457A CN 202010811866 A CN202010811866 A CN 202010811866A CN 112069457 A CN112069457 A CN 112069457A
- Authority
- CN
- China
- Prior art keywords
- stationary
- dynamic
- monitoring
- matrix
- data
- 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 133
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 230000003416 augmentation Effects 0.000 claims abstract 2
- 230000003190 augmentative effect Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 13
- 230000009977 dual effect Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000001247 Johansen test Methods 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000005654 stationary process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract 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
- 238000010298 pulverizing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于动态平稳子空间分析的非平稳动态过程异常监测方法,具体涉及工业过程异常监测领域。该发明在平稳子空间分析方法的基础上,通过引入时移技术对过程数据的动态关系进行建模,提出了适用于监控非平稳动态过程的动态平稳子空间分析方法。该方法将平稳投影矩阵的估计问题描述成一个优化问题,并利用交替方法乘子法对该问题进行求解。然后利用马氏距离作为监测统计量,对增广数据的平稳成分进行监控。该方法可有效地对过程数据的动态特性进行建模,从而提高对非平稳动态过程的监控性能。与基于协整分析的方法相比,该方法可适用于非平稳变量的协整阶次不相等或大于一的情况,因此具有更广泛的应用范围。
Description
技术领域
本发明属于工业过程异常监测领域,具体涉及一种基于动态平稳子空间分析的非平稳动态过程异常监测方法。
背景技术
随着对系统安全和生产效率的需求日益增长,在过去的几十年中,过程监控技术引起了学术界和工业界的广泛关注。在所有监控方法中,数据驱动的过程监控技术是其中最重要的分支之一。数据驱动的方法从过程数据中提取关键特征,然后构造监控统计量实现过程监控的任务。随着智能制造和工业物联网的兴起,现代工业正迈入大数据时代,这极大地促进了数据驱动方法的发展和应用。
传统的监控算法通常有一个内在的假设,即被控过程是平稳的。然而,复杂的工业过程经常呈现出显著的非平稳特性,例如高炉炼铁过程和大型发电过程。非平稳变量的统计特性会随着时间发生变化,这可能是由运行工况变化、设备老化、不可测扰动等原因引起的。非平稳特性阻碍了常规数据驱动方法的应用。一方面,传统方法难以描述非平稳趋势,容易导致过高的误报率;另一方面,与故障相关的一些重要变化容易被非平稳趋势所掩盖,从而导致较低的检测率。因此,非平稳过程监控是一项值得广泛关注的具有挑战性的任务。
为了解决非平稳过程监控问题,已有许多方法相继被提出。这些方法主要可以分为四大类:自适应方法,基于协整分析的方法,基于趋势分析的方法,基于子空间分解的方法。自适应方法通常使用递归策略或移动窗口技术,利用最新的数据更新过程模型。而基于协整分析的方法,致力于在非平稳变量中寻找其平稳的线性组合。第三类是基于趋势分析的方法,该方法通过从非平稳过程中提取趋势信息来实现监控任务。最后是基于子空间分解的方法,该方法通常将整个数据空间划分为几个子空间,并在不同的子空间中构造统计量进行过程监控。
上述监控算法大部分是在静态框架中提出的,其中假设过程数据彼此独立。但是,实际的工业过程通常表现出动态特性,也就是说,每个变量的当前值与其历史值密切相关。这种自相关性可能是由生产过程的内部结构、控制系统的反馈作用、随机的噪声或过程扰动等因素引起的。直接将静态方法应用于动态过程监控容易导致错误的结果,因此解决非平稳动态过程的监控问题至关重要。然而,目前针对该问题仅有少量的研究。而且,据我们所知,这些研究通常假设所有的非平稳变量都是一阶单整的,即经过一次差分之后可以得到平稳变量。但是在实际过程中,非平稳变量的协整阶次可能不等或者大于一,因此对现有的方法提出了一些挑战。
发明内容
针对现有技术中存在的上述问题,本发明提出了一种基于动态平稳子空间分析的非平稳动态过程异常监测方法,克服了现有技术的不足,具有良好的效果。
本发明采用如下技术方案:
一种基于动态平稳子空间分析的非平稳动态过程异常监测方法,包括离线训练阶段和在线监测阶段。
离线训练阶段,根据非平稳动态过程在正常工况下的运行历史数据,建立优化问题,利用交替方向乘子法进行求解并得到平稳投影矩阵,进而构造监测统计量,用核密度估计方法确定控制限;
在线监测阶段,根据非平稳动态过程的实时运行数据,计算实时监测统计量,并将实时监测统计量与控制限进行比较,从而判定过程正常与否。
优选地,离线训练阶段包括如下步骤:
步骤1.2:利用时延技术构造如式(1)所示的增广数据矩阵:
其中,xi为运行历史数据X中的第i个样本,q为最大时延数目;
其中,Id是一个d阶单位矩阵;
步骤1.7:利用交替方向乘子法对优化问题(4)进行迭代求解,得到平稳投影矩阵B的估计值;
步骤1.9:给定显著性水平α,利用核密度估计方法确定监测统计量Dk的控制限ηα。
优选地,所述步骤1.7包括如下子步骤:
步骤1.7.1:为便于利用交替方向乘子法进行求解,将优化问题(4)该写为式(6)所示的带有仿射约束的优化问题:
步骤1.7.2:优化问题(6)的增广拉格朗日函数为:
其中,U和V是拉格朗日乘子矩阵,ρ1和ρ2是大于0的惩罚系数,||·||F表示矩阵的F范数;
步骤1.7.4:利用交替方向乘子法求解优化问题(6)的迭代步骤可以描述为:
步骤1.7.5:对于B1更新,其最优解可使式(9)中目标函数的导数为0,即:
式(13)等价于:
式(14)可用带有折线搜索策略的信赖域方法进行迭代求解;
步骤1.7.6:对于B2更新,其最优解由式(15)给出:
式(15)可以进一步改写为:
步骤1.7.7:当原残差和对偶残差都很小时,交替方向乘子法的迭代可以停止,对于优化问题(6),原残差为:
对偶残差为:
优选地,在线监测阶段包括如下步骤:
步骤2.1:采集非平稳动态过程的实时运行数据xt,利用时延技术构造如式(21)所示的增广数据向量yt:
步骤2.2:利用步骤1.7获得的平稳投影矩阵B,增广数据向量yt对应的平稳成分为:
st=Byt (22),
计算实时监测统计量:
步骤2.3:将实时监测统计量Dt与离线训练阶段获得的控制限ηα比较,若Dt超过ηα则判定该过程发生了异常情况,反之则判定为正常运行。
本发明具有如下有益效果:
该方法可有效地对过程数据的动态特性进行建模,从而提高对非平稳动态过程的监控性能。与基于协整分析的方法相比,该方法可适用于非平稳变量的协整阶次不相等或大于一的情况,因此具有更广泛的应用范围。
附图说明
图1是本发明离线训练和在线监测的流程图;
图3是本发明一个示例中基于协整分析方法的Ts 2统计量的监测结果示意图;
图4是本发明一个示例中平稳子空间分析方法的监测结果示意图;
图5是本发明一个示例中动态平稳子空间分析方法的监测结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
如图1所述,一种基于动态平稳子空间分析的非平稳动态过程异常监测方法,包括离线训练阶段和在线监测阶段。
离线训练阶段,根据非平稳动态过程在正常工况下的运行历史数据,建立优化问题,利用交替方向乘子法进行求解并得到平稳投影矩阵,进而构造监测统计量,用核密度估计方法确定控制限;
在线监测阶段,根据非平稳动态过程的实时运行数据,计算实时监测统计量,并将实时监测统计量与控制限进行比较,从而判定过程正常与否。
优选地,离线训练阶段包括如下步骤:
步骤1.2:利用时延技术构造如式(1)所示的增广数据矩阵:
其中,xi为运行历史数据X中的第i个样本,q为最大时延数目;
其中,Id是一个d阶单位矩阵;
步骤1.7:利用交替方向乘子法对优化问题(4)进行迭代求解,得到平稳投影矩阵B的估计值;
步骤1.9:给定显著性水平α,利用核密度估计方法确定监测统计量Dk的控制限ηα。
优选地,所述步骤1.7包括如下子步骤:
步骤1.7.1:为便于利用交替方向乘子法进行求解,将优化问题(4)该写为式(6)所示的带有仿射约束的优化问题:
步骤1.7.2:优化问题(6)的增广拉格朗日函数为:
其中,U和V是拉格朗日乘子矩阵,ρ1和ρ2是大于0的惩罚系数,||·||F表示矩阵的F范数;
步骤1.7.4:利用交替方向乘子法求解优化问题(6)的迭代步骤可以描述为:
步骤1.7.5:对于B1更新,其最优解可使式(9)中目标函数的导数为0,即:
式(13)等价于:
式(14)可用带有折线搜索策略的信赖域方法进行迭代求解;
步骤1.7.6:对于B2更新,其最优解由式(15)给出:
式(15)可以进一步改写为:
步骤1.7.7:当原残差和对偶残差都很小时,交替方向乘子法的迭代可以停止,对于优化问题(6),原残差为:
对偶残差为:
优选地,在线监测阶段包括如下步骤:
步骤2.1:采集非平稳动态过程的实时运行数据xt,利用时延技术构造如式(21)所示的增广数据向量yt:
步骤2.2:利用步骤1.7获得的平稳投影矩阵B,增广数据向量yt对应的平稳成分为:
st=Byt (22),
计算实时监测统计量:
步骤2.3:将实时监测统计量Dt与离线训练阶段获得的控制限ηα比较,若Dt超过ηα则判定该过程发生了异常情况,反之则判定为正常运行。
为了帮助理解本发明,同时直观地展示本发明方法用于非平稳动态过程异常监测的效果,下面基于一个示例进行说明。该示例的数据来自浙江浙能中煤舟山煤电有限责任公司(以下简称浙能舟山电厂)的一号发电机组。该机组是一台主蒸汽压力为26.08MPa,主蒸汽温度为605℃的超超临界燃煤发电机组。火力发电过程具有明显的非平稳和动态特性,其中非平稳特性主要由于机组负荷频繁波动,动态特性主要由于系统结构和闭环控制的反馈作用。
在本示例中,考虑浙能舟山电厂一号机组风机系统的异常案例。2018年8月17日下午13:00,#1A一次风机电流和出口风量出现大幅度波动。电厂的运行工程师判断#1A一次风机失速,并在操作日志中记录了该异常情况。工程师随即关停#1C制粉系统,并手动降低#1A一次风机的动叶开度。经过合理的调整之后,#1A一次风机于13:33脱离了失速区,此时其出口风量稳定在303t/h左右。
从浙能舟山电厂的厂级信息系统中采集一号发电机组的实际运行数据,采样的时间间隔为20秒。考虑到风机系统的结构和组成,选取8个相关的变量作为监控变量,如表1所示。测试数据集从2018年8月17日5:00:00-11:59:40,包含1260个正常样本;测试数据集从12:00:00-13:29:40,包含270个异常样本。在实验中实现了三种方法,分别是基于协整分析的方法、平稳子空间分析方法和本发明提出的动态平稳子空间分析方法。在基于协整分析的方法中,协整阶次为r=6,模型阶次为ps=pns=1。在平稳子空间分析和动态平稳子空间分析方法中,平稳成分的数目分别选为d=6和d=12。此外,时延数目设置为q=1。在交替方向乘子法的迭代中,惩罚系数选为ρ1=ρ2=10,迭代误差∈=1e-6。给定置信度水平α=0.01,所有方法的控制限由核密度估计方法来确定。
表1一号机组风机系统相关的被控变量
在本实验中,以误报率和检测率作为评价各个算法监控性能的标准。值得一提的是,在实际案例中难以确定故障开始发生的时间,因为运行日志中的记录时间通常晚于故障开始发生时间。在本案例研究过程中,将任何统计量以连续30个样本(即10分钟)检测出该故障的开始时间作为故障实际开始发生的时间。对于永久故障而言,少于30个样本的间断性检测被认为是误报。三种方法的检测结果分别如图2、图3、图4和图5所示。根据图5的结果,动态平稳子空间分析方法自第178个样本(即12:59:00)之后首次以连续30个样本检测出该故障,则以此作为该故障的开始发生时间。该时间大约比运行日志上的记录时间早1分钟。根据图2和图3,基于协整分析的方法中仅有Ts 2统计量可以部分检测出该故障,但是漏报率接近30%。相较而言,平稳子空间分析和动态平稳子空间分析方法都可以有效地检测出该故障,而且后者的检测率比前者更高。至于误报率,除了动态平稳子空间分析方法,其余两种方法的误报率都高于2%。总而言之,在这个研究案例中,无论是从检测率还是误报率的角度,本发明所提的动态平稳子空间分析方法都具有最佳的检测性能。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (4)
1.一种基于动态平稳子空间分析的非平稳动态过程异常监测方法,其特征在于,包括离线训练阶段和在线监测阶段;
离线训练阶段,根据非平稳动态过程在正常工况下的运行历史数据建立优化问题,利用交替方向乘子法进行求解并得到平稳投影矩阵,进而构造监测统计量,用核密度估计方法确定控制限;
在线监测阶段,根据非平稳动态过程的实时运行数据,计算实时监测统计量,并将实时监测统计量与控制限进行比较,从而判定过程正常与否。
2.如权利要求1所述的一种基于动态平稳子空间分析的非平稳动态过程异常监测方法,其特征在于,离线训练阶段包括如下步骤:
步骤1.2:利用时延技术构造如式(1)所示的增广数据矩阵:
其中,xi为运行历史数据X中的第i个样本,q为最大时延数目;
其中,Id是一个d阶单位矩阵;
步骤1.7:利用交替方向乘子法对优化问题(4)进行迭代求解,得到平稳投影矩阵B的估计值;
步骤1.9:给定显著性水平α,利用核密度估计方法确定监测统计量Dk的控制限ηα。
3.如权利要求2所述的一种基于动态平稳子空间分析的非平稳动态过程异常监测方法,其特征在于,所述步骤1.7包括如下子步骤:
步骤1.7.1:为便于利用交替方向乘子法进行求解,将优化问题(4)该写为式(6)所示的带有仿射约束的优化问题:
步骤1.7.2:优化问题(6)的增广拉格朗日函数为:
其中,U和V是拉格朗日乘子矩阵,ρ1和ρ2是大于0的惩罚系数,||·||F表示矩阵的F范数;
步骤1.7.4:利用交替方向乘子法求解优化问题(6)的迭代步骤描述为:
步骤1.7.5:对于B1更新,其最优解使式(9)中目标函数的导数为0,即:
式(13)等价于:
式(14)用带有折线搜索策略的信赖域方法进行迭代求解;
步骤1.7.6:对于B2更新,其最优解由式(15)给出:
式(15)进一步改写为:
步骤1.7.7:当原残差和对偶残差都很小时,交替方向乘子法的迭代停止,对于优化问题(6),原残差为:
对偶残差为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010811866.6A CN112069457B (zh) | 2020-08-13 | 2020-08-13 | 一种基于动态平稳子空间分析的非平稳动态过程异常监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010811866.6A CN112069457B (zh) | 2020-08-13 | 2020-08-13 | 一种基于动态平稳子空间分析的非平稳动态过程异常监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069457A true CN112069457A (zh) | 2020-12-11 |
CN112069457B CN112069457B (zh) | 2023-11-17 |
Family
ID=73661645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010811866.6A Active CN112069457B (zh) | 2020-08-13 | 2020-08-13 | 一种基于动态平稳子空间分析的非平稳动态过程异常监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069457B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254874A (zh) * | 2021-04-14 | 2021-08-13 | 山东科技大学 | 一种面向不确定性非平稳工业过程的异常监测方法 |
CN113435106A (zh) * | 2021-06-01 | 2021-09-24 | 华中科技大学 | 一种过渡模态操作故障检测方法和系统 |
CN115905974A (zh) * | 2022-11-04 | 2023-04-04 | 北京科技大学 | 一种高炉异常炉况检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011140293A2 (en) * | 2010-05-06 | 2011-11-10 | Nec Laboratories America, Inc. | System and method for determining application dependency paths in a data center |
WO2012050262A1 (ko) * | 2010-10-15 | 2012-04-19 | 한국전력공사 | 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템 |
US20140279727A1 (en) * | 2013-03-15 | 2014-09-18 | William Marsh Rice University | Sparse Factor Analysis for Analysis of User Content Preferences |
US20180293221A1 (en) * | 2017-02-14 | 2018-10-11 | Microsoft Technology Licensing, Llc | Speech parsing with intelligent assistant |
US10148680B1 (en) * | 2015-06-15 | 2018-12-04 | ThetaRay Ltd. | System and method for anomaly detection in dynamically evolving data using hybrid decomposition |
-
2020
- 2020-08-13 CN CN202010811866.6A patent/CN112069457B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011140293A2 (en) * | 2010-05-06 | 2011-11-10 | Nec Laboratories America, Inc. | System and method for determining application dependency paths in a data center |
WO2012050262A1 (ko) * | 2010-10-15 | 2012-04-19 | 한국전력공사 | 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템 |
US20140279727A1 (en) * | 2013-03-15 | 2014-09-18 | William Marsh Rice University | Sparse Factor Analysis for Analysis of User Content Preferences |
US10148680B1 (en) * | 2015-06-15 | 2018-12-04 | ThetaRay Ltd. | System and method for anomaly detection in dynamically evolving data using hybrid decomposition |
US20180293221A1 (en) * | 2017-02-14 | 2018-10-11 | Microsoft Technology Licensing, Llc | Speech parsing with intelligent assistant |
Non-Patent Citations (1)
Title |
---|
张彪;张超;段皓然;马芸婷;李建军;崔玲丽;: "基于协整分析的风电机组状态监测方法", 机械设计与研究, no. 01, pages 195 - 199 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254874A (zh) * | 2021-04-14 | 2021-08-13 | 山东科技大学 | 一种面向不确定性非平稳工业过程的异常监测方法 |
CN113254874B (zh) * | 2021-04-14 | 2022-04-15 | 山东科技大学 | 一种面向不确定性非平稳工业过程的异常监测方法 |
CN113435106A (zh) * | 2021-06-01 | 2021-09-24 | 华中科技大学 | 一种过渡模态操作故障检测方法和系统 |
CN113435106B (zh) * | 2021-06-01 | 2023-12-05 | 华中科技大学 | 一种过渡模态操作故障检测方法和系统 |
CN115905974A (zh) * | 2022-11-04 | 2023-04-04 | 北京科技大学 | 一种高炉异常炉况检测方法 |
CN115905974B (zh) * | 2022-11-04 | 2024-02-27 | 北京科技大学 | 一种高炉异常炉况检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112069457B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shang et al. | Recursive slow feature analysis for adaptive monitoring of industrial processes | |
CN112069457B (zh) | 一种基于动态平稳子空间分析的非平稳动态过程异常监测方法 | |
Yu et al. | Recursive exponential slow feature analysis for fine-scale adaptive processes monitoring with comprehensive operation status identification | |
Ma et al. | Fault detection for dynamic processes based on recursive innovational component statistical analysis | |
CN109359662B (zh) | 面向百万千瓦超超临界机组的非平稳分析与因果诊断方法 | |
CN111752147B (zh) | 一种具有持续学习能力改进pca的多工况过程监测方法 | |
Wu et al. | Output-relevant common trend analysis for KPI-related nonstationary process monitoring with applications to thermal power plants | |
Beghi et al. | Model-based fault detection and diagnosis for centrifugal chillers | |
CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
CN110513336B (zh) | 一种电站燃气轮机离线水洗时间的确定方法 | |
Odgaard et al. | Observer and data-driven-model-based fault detection in power plant coal mills | |
CN110942258B (zh) | 一种性能驱动的工业过程异常监测方法 | |
Wu et al. | Performance-driven component selection in the framework of PCA for process monitoring: A dynamic selection approach | |
Gajjar et al. | Use of sparse principal component analysis (SPCA) for fault detection | |
Tian et al. | An unsupervised data mining-based framework for evaluation and optimization of operation strategy of HVAC system | |
Ji | Data-driven sensor fault diagnosis under closed-loop control with slow feature analysis | |
Wang et al. | Concurrent fault detection and anomaly location in closed-loop dynamic systems with measured disturbances | |
CN112131780B (zh) | 一种基于数据挖掘的火电厂循环水系统控制方法 | |
Hu et al. | An efficient multi-PCA based on-line monitoring scheme for multi-stages imperial smelting process | |
Zhang et al. | Fault detection of chiller based on improved KPCA | |
CN116048036A (zh) | 基于动态非平稳投影结构的故障检测方法 | |
CN112598030B (zh) | 一种基于递归协整分析和弹性权重巩固的非平稳过程监测方法 | |
CN113806918A (zh) | 一种面向非平稳非线性工业过程的异常监测方法 | |
CN113688895A (zh) | 一种基于简化keca的陶瓷辊道窑烧成带异常检测方法及系统 | |
Luo et al. | Improved alarm visualization system based on two-Dimensional online root-cause contribution graph for industry 4.0 |
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 |