CN112115640A - 一种基于迁移学习的控制阀粘滞检测方法 - Google Patents
一种基于迁移学习的控制阀粘滞检测方法 Download PDFInfo
- Publication number
- CN112115640A CN112115640A CN202010927829.1A CN202010927829A CN112115640A CN 112115640 A CN112115640 A CN 112115640A CN 202010927829 A CN202010927829 A CN 202010927829A CN 112115640 A CN112115640 A CN 112115640A
- Authority
- CN
- China
- Prior art keywords
- control valve
- loop
- network
- data
- sample
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000013526 transfer learning Methods 0.000 title claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000006386 neutralization reaction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000007789 sealing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于迁移学习的控制阀粘滞检测方法,包含以下步骤:利用仿真软件分别生成控制回路在控制阀处于粘滞或非粘滞状态运行时的控制器输出以及过程变量数据;使用仿真数据训练控制阀粘滞检测网络;结合待检测回路在控制阀处于非粘滞状态下的历史运行数据对控制阀粘滞检测网络进行微调;使用微调后的部分粘滞检测网络结合单分类最近邻算法对待检测的回路数据进行分类;若待检测数据与历史运行数据为同一类,说明回路的控制阀不存在粘滞问题,反之,则回路的控制阀存在粘滞问题。该方法考虑了回路间动态特性的不同,充分利用了待检测控制回路的历史运行数据以及仿真数据,可以准确地检测出回路中控制阀的粘滞问题,为控制阀维护提供参考。
Description
技术领域
本发明属于控制回路性能监控系统的技术领域,具体涉及控制阀粘滞特性的在线检测方法。
背景技术
随着自动化技术的迅速发展,自动控制系统已经取代了传统的基于工程师的控制策略,一个现代化工厂往往有着成百上千条自动控制回路。自动控制回路不需要工程师实时对控制回路进行调节,能够节约人工成本,并且降低人为误操作对回路性能带来的影响。但是许多自动控制回路在运行过程中会出现因为设备老化等问题引起的控制性能下降现象,又由于人工操作需求的减少,工程师不会关心回路的控制性能并及时对控制性能差的回路进行调整,导致许多自动控制回路运行在控制性能不佳的状态。Honeywell公司曾调查过流程工业中的26000个PID控制回路,结果显示大于五分之三的控制回路存在较严重的性能不良问题。因此需要自动的对控制回路的控制性能进行监视,并且及时找到控制回路性能下降的原因,方便工程师对于设备进行维护,保证每一条控制回路都能够高效地运行,提高工厂的生产质量以及经济效益。
控制阀在控制回路中起到终端执行的作用,将数字信号的变化体现在真实回路中,控制阀的正常运行是回路控制性能良好的必要条件。控制阀在正常运行时,控制阀的实际开度与控制信号应该是一种线性关系,但是在实际运行中由于维护保养不及时,控制阀内部元件老化,控制阀经常会出现粘滞问题,无法准确的响应控制信号的变化。粘滞是控制阀多种非线性问题的一种,表现为当控制信号变化小于控制阀粘滞特性大小时,控制阀会卡住不动,当控制信号变化幅度超出控制阀粘滞特性大小时,控制阀会在突然跳变后正常滑动。控制阀粘滞往往会引起回路振荡,导致回路控制性能的下降。因此,在生产过程中进行控制阀粘滞检测并依此进行控制阀维护对提高回路的控制性能至关重要。
现有的控制阀粘滞检测算法主要有:基于检验统计量的方法,基于OP-PV图椭圆拟合的方法等,但在实际应用中的检测效果并不理想。
发明内容
本发明的目的是克服传统控制阀粘滞检测算法的不足,提供了一种基于迁移学习的控制阀粘滞检测方法。
本发明的目的是通过以下的技术方案实现的:
一种基于迁移学习的控制阀粘滞检测方法,包含以下步骤:
(1)构建仿真模型及仿真数据集:仿真模型为一个单输入单输出闭环控制回路,其中闭环控制回路的PID控制器与被控对象之间具有一个控制阀粘滞模块;使用仿真模型分别对回路控制阀处于粘滞或非粘滞状态进行仿真,获得每次仿真回路运行T秒期间每秒的控制器输出(OP)以及过程变量(PV)数据及标签,经分段,合并及归一化处理后组成仿真数据集。
(2)控制阀粘滞检测网络构建及训练:残差网络包含3个残差块,最后一个残差块后依次连接有全局池化层和包含两个神经元的全连接层。将仿真数据集作为训练集,设置网络的损失函数为交叉熵损失函数,使用Adam优化算法对残差网络进行训练。
(3)迁移数据收集:收集工厂中需要进行控制阀粘滞检测的回路在控制阀处于非粘滞状态运行时的OP以及PV数据,经分段,合并及归一化处理后,得到k个样本。
(4)网络迁移:将步骤(2)训练后得到的残差网络中部分网络的参数固定,同时使用仿真数据与收集的待检测回路数据对残差网络中未固定的参数进行微调。包括以下步骤:
(4.3)微调时,网络的总体损失函数为:
Loss=λ*L1+L2 (3)
其中,λ为人为设定的超参数。在网络训练时,分别输入仿真样本与待测工业控制回路的样本,计算总体的损失函数,通过反向传播对网络中没有被固定住的参数进行更新。
(6)使用单分类算法得到控制阀粘滞检测结果:将待测工业回路的测试样本输入到粘滞特征提取网络中,得到输出t∈R1×a。对于测试数据t∈R1×a和训练数据集Xr′,使用单分类最近邻算法得到测试样本的单分类结果。若测试样本与训练样本属于一类,则测试样本对应时间段内的控制阀没有出现粘滞问题。否则,测试样本对应时间段内的控制阀出现了粘滞问题。
进一步地,所述步骤1中,控制阀粘滞模块是实现了Choudhury的双参数控制阀粘滞模型的S-Function模块。
进一步地,所述步骤1中,控制阀处于非粘滞状态时,具体可以分为回路控制器参数不同,回路受外部正弦扰动影响两类情况。
进一步地,所述步骤1中,仿真数据集构建具体如下:
将每次仿真得到的OP和PV数据分别划分为包含有n(n<T)个元素的向量,并将对应时间段内OP和PV向量合并后进行标准化得到的二维矩阵作为一个样本x∈R2×n。每个样本附带标签,其中,回路控制阀处于非粘滞状态时生成的样本的标签为[1,0],回路控制阀处于粘滞状态时生成的样本的标签为[0,1]。
进一步地,所述单分类最近邻算法步骤如下所示:
(6.3)比较d1与d11,如果d1≤d11,则说明测试样本与预先收集的训练样本属于一类,否则,测试样本与训练样本不属于一类。
本发明的有益效果为:本发明充分利用了控制回路的历史运行数据,针对不同的控制回路个性化地得到符合回路动态特性的控制阀粘滞特征提取网络,并结合单分类最近邻算法对待检测样本进行分类,能够准确地检测出回路控制阀的粘滞问题,便于工程师对控制阀及时维护,改善回路的控制性能,提高工厂的经济效益。此外,本发明在测试阶段无需其它附加信息及人工操作,不会对控制回路的实际运行产生任何负面影响。
附图说明
图1是本发明的算法流程图;
图2是本方法在Simulink中构建的控制回路;
图3是本方法具体使用的残差网络的结构图;
具体实施方式
下面结合附图及具体实例,对本发明作进一步详细说明。
本发明以浙能集团下属台二电厂1号机组中的某个汽动给水泵密封水控制回路为例。应该理解,本发明不止局限于上述实例的控制回路,凡是熟悉本领域的技术人员在不违背本发明的前提下还可以做出等同变型或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
如图1所示,本发明方法包括以下步骤:
(1)仿真模型构建:如图2所示,在Simulink中构建一个典型的单输入单输出闭环控制回路,并在闭环控制回路的PID控制器与被控对象之间加入一个控制阀粘滞模块,该模块是实现了Choudhury的双参数控制阀粘滞模型的S-Function模块。
(2)使用仿真模型对回路控制阀处于粘滞或非粘滞状态这两大类情况进行仿真,控制阀处于非粘滞状态时,又具体可以分为回路控制器参数不同,回路受外部正弦扰动影响两类情况。每次仿真运行时,保存回路运行700秒期间每秒的控制器输出(OP)以及过程变量(PV)数据。
(3)数据集构建:舍弃每次仿真运行期间得到的前200个OP和PV数据,将剩余的500个数据分别构成一个向量,并将对应时间段内OP和PV向量合并后得到的二维矩阵作为一个样本x∈R2×n。对每个样本按行减去该行元素的最小值,并除以该行元素最大值与最小值的差进行标准化。回路控制阀处于非粘滞状态时生成的样本的标签为[1,0],回路控制阀处于粘滞状态时生成的样本的标签为[0,1]。在本实例中,仿真一共生成15033个样本,其中回路控制器参数不同的样本个数为2835,回路受到外部扰动的样本个数为2112,回路控制阀有粘滞问题的样本个数为10086。
(4)控制阀粘滞检测网络构建:残差网络首先包含3个残差块,每个残差块的特征图数量依次为64,128,128,每个残差块中均包含有三个一维卷积层,并且每个卷积层后均连接有Group Normalization层。在最后一个残差块后依次连接有全局池化层和包含两个神经元的全连接层,控制阀粘滞检测网络的整体结构如图3所示。对于任意一个输入到网络的样本,残差网络的输出结果为[y0,y1]。如果y0>y1,说明在该输入数据对应的时间,回路的控制阀没有粘滞,如果y0<y1,说明该时间段内回路的控制阀出现了粘滞问题。
(5)残差网络训练:将步骤(3)中构建的数据集作为训练集,设置残差网络的损失函数为交叉熵损失函数,使用学习率为0.001的Adam优化算法对残差网络训练300个epoch。
(6)迁移数据收集:对于密封水控制回路,收集该回路在刚刚投入运行时的OP以及PV数据,此时回路的控制阀处于非粘滞状态。按照每个向量分别包含500个时间点数据进行划分,并经过步骤(3)中合并以及归一化处理后,得到345个样本。
(7)网络迁移:将步骤(5)训练后得到的残差网络中的前两个残差块的参数固定,同时使用仿真数据与收集的待检测回路数据对残差网络中未固定的参数进行微调。微调具体通过以下步骤实现:
(7.3)微调时,网络的总体损失函数为:
Loss=λ*L1+L2 (6)
其中,λ为人为设定的超参数。在本实例中,λ=0.1。
(7.4)在网络训练时,分别输入仿真样本与待测工业控制回路的样本,计算总体的损失函数,通过反向传播对网络中没有被固定住的参数进行更新。
(9)使用单分类算法得到控制阀粘滞检测结果:将密封水控制回路的测试样本输入到粘滞特征提取网络中,得到输出t∈R1×128。对于测试数据t∈R1×128和训练数据集Xr′,使用单分类最近邻算法得到测试样本的单分类结果。若测试样本与训练样本属于一类,则测试样本对应时间段内的控制阀没有出现粘滞问题。否则,测试样本对应时间段内的控制阀出现了粘滞问题。具体地,单分类最近邻算法步骤如下所示:
(9.3)比较d1与d11,如果d1≤d11,则说明测试样本与预先收集的训练样本属于一类,否则,测试样本与训练样本不属于一类。
(10)在本实例中,分别收集了3个密封水控制回路在控制阀处于粘滞或非粘滞状态运行时的样本,最终的检测结果如下表所示:
表1密封水控制回路的控制阀粘滞检测结果
结果表明,本发明方法能够准确地检测出回路控制阀的粘滞问题,便于工程师对控制阀及时维护,改善回路的控制性能,提高工厂的经济效益。
Claims (5)
1.一种基于迁移学习的控制阀粘滞检测方法,其特征在于,包含以下步骤:
(1)构建仿真模型及仿真数据集:仿真模型为一个单输入单输出闭环控制回路,其中闭环控制回路的PID控制器与被控对象之间具有一个控制阀粘滞模块;使用仿真模型分别对回路控制阀处于粘滞或非粘滞状态进行仿真,获得每次仿真回路运行T秒期间每秒的控制器输出(OP)以及过程变量(PV)数据及标签,经分段,合并及归一化处理后组成仿真数据集。
(2)控制阀粘滞检测网络构建及训练:残差网络包含3个残差块,最后一个残差块后依次连接有全局池化层和包含两个神经元的全连接层。将仿真数据集作为训练集,设置网络的损失函数为交叉熵损失函数,使用Adam优化算法对残差网络进行训练。
(3)迁移数据收集:收集工厂中需要进行控制阀粘滞检测的回路在控制阀处于非粘滞状态运行时的OP以及PV数据,经分段,合并及归一化处理后,得到k个样本。
(4)网络迁移:将步骤(2)训练后得到的残差网络中部分网络的参数固定,同时使用仿真数据与收集的待检测回路数据对残差网络中未固定的参数进行微调。包括以下步骤:
(4.3)微调时,网络的总体损失函数为:
Loss=λ*L1+L2 (3)
其中,λ为人为设定的超参数。在网络训练时,分别输入仿真样本与待测工业控制回路的样本,计算总体的损失函数,通过反向传播对网络中没有被固定住的参数进行更新。
(6)使用单分类算法得到控制阀粘滞检测结果:将待测工业回路的测试样本输入到粘滞特征提取网络中,得到输出t∈R1×a。对于测试数据t∈R1×a和训练数据集Xr′,使用单分类最近邻算法得到测试样本的单分类结果。若测试样本与训练样本属于一类,则测试样本对应时间段内的控制阀没有出现粘滞问题。否则,测试样本对应时间段内的控制阀出现了粘滞问题。
2.根据权利要求1所述的基于迁移学习的控制阀粘滞检测方法,其特征在于,所述步骤1中,控制阀粘滞模块是实现了Choudhury的双参数控制阀粘滞模型的S-Function模块。
3.根据权利要求1所述的基于迁移学习的控制阀粘滞检测方法,其特征在于,所述步骤1中,控制阀处于非粘滞状态时,具体可以分为回路控制器参数不同,回路受外部正弦扰动影响两类情况。
4.根据权利要求1所述的基于迁移学习的控制阀粘滞检测方法,其特征在于,所述步骤1中,仿真数据集构建具体如下:
将每次仿真得到的OP和PV数据分别划分为包含有n(n<T)个元素的向量,并将对应时间段内OP和PV向量合并后进行标准化得到的二维矩阵作为一个样本x∈R2×n。每个样本附带标签,其中,回路控制阀处于非粘滞状态时生成的样本的标签为[1,0],回路控制阀处于粘滞状态时生成的样本的标签为[0,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010927829.1A CN112115640B (zh) | 2020-09-07 | 2020-09-07 | 一种基于迁移学习的控制阀粘滞检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010927829.1A CN112115640B (zh) | 2020-09-07 | 2020-09-07 | 一种基于迁移学习的控制阀粘滞检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115640A true CN112115640A (zh) | 2020-12-22 |
CN112115640B CN112115640B (zh) | 2022-06-03 |
Family
ID=73803159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010927829.1A Active CN112115640B (zh) | 2020-09-07 | 2020-09-07 | 一种基于迁移学习的控制阀粘滞检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115640B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113494999A (zh) * | 2021-09-07 | 2021-10-12 | 南通索星流体设备有限公司 | 基于人工智能的阀门粘滞数据检测处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014084810A (ja) * | 2012-10-25 | 2014-05-12 | Bosch Corp | 圧力制限弁開弁検知方法及びコモンレール式燃料噴射制御装置 |
CN103970129A (zh) * | 2014-05-23 | 2014-08-06 | 东南大学 | 控制阀粘滞检测方法 |
CN103971020A (zh) * | 2014-05-23 | 2014-08-06 | 东南大学 | 用于气动控制阀粘滞检测的方法 |
US20170060574A1 (en) * | 2015-08-27 | 2017-03-02 | FogHorn Systems, Inc. | Edge Intelligence Platform, and Internet of Things Sensor Streams System |
CN110780146A (zh) * | 2019-12-10 | 2020-02-11 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
-
2020
- 2020-09-07 CN CN202010927829.1A patent/CN112115640B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014084810A (ja) * | 2012-10-25 | 2014-05-12 | Bosch Corp | 圧力制限弁開弁検知方法及びコモンレール式燃料噴射制御装置 |
CN103970129A (zh) * | 2014-05-23 | 2014-08-06 | 东南大学 | 控制阀粘滞检测方法 |
CN103971020A (zh) * | 2014-05-23 | 2014-08-06 | 东南大学 | 用于气动控制阀粘滞检测的方法 |
US20170060574A1 (en) * | 2015-08-27 | 2017-03-02 | FogHorn Systems, Inc. | Edge Intelligence Platform, and Internet of Things Sensor Streams System |
CN110780146A (zh) * | 2019-12-10 | 2020-02-11 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
Non-Patent Citations (2)
Title |
---|
SHUMEI ZHANG 等: "Simultaneous Static and Dynamic Analysis for Fine-Scale Identification of Process Operation Statuses", 《 IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS 》 * |
静前: "基于鸟群算法的气动调节阀粘滞检测系统", 《电子设计工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113494999A (zh) * | 2021-09-07 | 2021-10-12 | 南通索星流体设备有限公司 | 基于人工智能的阀门粘滞数据检测处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112115640B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Serradilla et al. | Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects | |
CN115270956B (zh) | 基于持续学习的跨设备增量轴承故障诊断方法 | |
CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
CN109376960A (zh) | 基于lstm神经网络的电网负荷预测方法 | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN116976862B (zh) | 一种工厂设备信息化管理系统及方法 | |
KR102523701B1 (ko) | 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법 | |
CN115712873A (zh) | 一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法 | |
CN112115640B (zh) | 一种基于迁移学习的控制阀粘滞检测方法 | |
CN114299338A (zh) | 用于系统管理的故障预测与健康管理系统与相关方法 | |
CN113187650A (zh) | 一种智能水电厂全厂水轮机调速系统及诊断方法 | |
Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
CN104574221A (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
Kusumaningrum et al. | Machine learning for predictive maintenance | |
CN108492013A (zh) | 一种基于质量控制的制造系统调度模型有效性检测方法 | |
CN111783252B (zh) | 一种基于残差网络的控制回路阀门粘滞检测方法 | |
US20230376024A1 (en) | Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process | |
CN111650898B (zh) | 具备高容错性能的集散控制系统及方法 | |
KR20230081759A (ko) | 인공지능 기반의 클린룸 관리를 위한 통합 관리 시스템 및 그 방법 | |
Sandeep et al. | Monitoring of PV modules and hotspot detection using TensorFlow | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN112364088A (zh) | 基于工厂数字化制造资源的可视化配置系统 | |
CN117713688B (zh) | 光伏组件在多朝向及倾角下的低效识别与电量提升方法 |
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 |