CN112327701B - 面向非线性动态工业过程的慢特征网络监测方法 - Google Patents
面向非线性动态工业过程的慢特征网络监测方法 Download PDFInfo
- Publication number
- CN112327701B CN112327701B CN202011238219.7A CN202011238219A CN112327701B CN 112327701 B CN112327701 B CN 112327701B CN 202011238219 A CN202011238219 A CN 202011238219A CN 112327701 B CN112327701 B CN 112327701B
- Authority
- CN
- China
- Prior art keywords
- linear
- nonlinear
- statistics
- monitoring
- network
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Abstract
本发明公开了面向非线性动态工业过程的慢特征网络监测方法。该方法充分考虑了复杂工业过程的线性与非线性、静态与动态特性并存的特点,通过设计一种新的神经网络结构,即慢特征网络来建立过程监测模型。本方法利用线性映射模块提取过程的线性信息,并将其与传统的编码器神经网络得到的信息进行融合,用于同时处理变量间的线性与非线性关系。本方法在优化目标中加入了特征的缓变约束来同时提取动静态信息。同时引入弹性网正则化对特征进行稀疏选择,防止过拟合现象。本方法综合考虑了线性与非线性、动态与静态过程信息,具有很强的可解释性,相比传统的监测方法,提高了监测精度,丰富了监测信息,为过程监测方法的研究指明了新的方向。
Description
技术领域
本发明属于工业过程监测领域,特别是涉及一种考虑工业过程兼具静态与动态特性、过程变量间线性与非线性关系并存的情况,将线性特性纳入非线性神经网络结构,并提取过程动态信息的慢特征网络监测方法。
背景技术
随着工业制造水平的提高和经济的飞速发展,现代工业过程规模不断扩大、过程的复杂性不断提升。这种种趋势,在提高制造效率与产品质量的同时,也为生产过程的安全性带来了一定的挑战。庞大的系统,复杂的工作机理,都使得生产过程中发生故障的可能性大大增加,且故障所造成的危害与损失也随之变得更为严重。诸如石油化工、火力发电等大型工业制造过程,一旦出现故障,轻则造成财产损失,重则导致人员伤亡与安全性事故。因此,对于生产过程的运行状态进行精确、细致地监测尤为重要。
同时,随着物联网、大数据与人工智能技术的进步与普及,数据驱动的过程监测手段也被广泛研究与应用。然而,以主成分分析为代表的传统的过程监测模型均为线性模型,无法有效处理过程变量间的非线性关系,且仅能捕捉过程的静态特性。以慢特征分析为代表的动态过程监测模型虽能同时检测到过程的异常动态行为,但仍然为线性方法。显然,对于线性与非线性关系并存、静态与动态特性兼有的复杂工业过程,应全面地监测其稳态特性与静态特性,并对过程本身的线性与非线性信息进行提取与融合,从而达到提高监测精度与灵敏度,增加监测结果的可靠性与可解释性的目的。
发明内容
本发明的目的在于针对现有非线性的动态工业过程的监测技术的不足,提供一种慢特征网络过程监测模型。该方法能自动地提取过程的线性与非线性的动静态信息,捕捉潜在过程特性的变化,反映过程的真实运行状态,区分过程的工况切换、潜在异常和真正的故障,并指明异常或故障发生在过程的线性部分还是非线性部分。本发明提高了在线过程监测的可解释性与性能,并可应用于实际工业生产,从而确保生产过程的安全性与生产效率。
本发明的目的是通过以下技术方案来实现的:面向非线性动态工业过程的慢特征网络监测方法,该方法包括以下步骤:
步骤1:建模数据收集与预处理:收集正常运行状态下的过程数据作为训练数据集,并进行标准化预处理。
收集正常工况下的原始过程数据矩阵X0,并对其进行减均值除以标准差的标准化,从而得到训练数据X:
其中mean(X0)和std(X0)分别为原始过程数据X0的均值向量与标准差向量。
步骤2:搭建慢特征网络模型。
(1)对于输入数据矩阵X中的某个样本x,分别利用可训练的线性映射矩阵Wlin和多层全连接神经网络组成的编码器E提取线性特征向量fl与非线性特征fn:
fl=Wlin Tx (2)
fn=E(x) (3)
其中,对于深度为L层的编码器E第l层的输入xin,l(为第l-1层的输出xout,l-1)与输出xout,l的关系为:
其中Wl与bl均为可训练参数,分别为参数矩阵与偏置向量。
(2)对于得到的线性特征向量fl与非线性特征fn进行加权融合,得到融合后的特征向量 f,其融合方式为:
f=fn⊙T(fl,fn)+fl⊙[1-T(fl,fn)] (5)
其中编码器D中每层的传递关系与公式(4)一致。
步骤3:利用训练数据集训练慢特征网络。
步骤4:通过训练数据经过慢特征网络提取的特征构建监测统计量以及各统计量的相应控制限。
根据已训练好的慢特征网络得到的线性与非线性特征及重构结果,建立如下5个统计量:
(1)预测误差平方和(SPE):
(2)线性静态统计量Tl 2:
(3)非线性静态统计量Tn 2:
(4)线性动态统计量Sl:
(5)非线性动态统计量Sn:
对于以上5个监测统计量,利用核密度估计,计算其各自的控制限。
步骤5:在线监测,根据各个统计量的超限情况分析过程运行状态。
对于在线监测采集到的新样本,首先对其进行标准化,再利用慢特征网络求取其重构结果与特征,并计算其5个统计量,将其5个统计量与各自的控制限进行比较。统计量超限情况的分析遵循以下两条规则:
(1)若三个静态统计量(Tl 2,Tn 2,SPE)中有至少一个超出控制限,则表明过程的静态工作点产生了偏移;若两个动态统计量(Sl,Sn)中有至少一个超过控制限,则表明过程的产生了异常的动态行为,其控制性能发生了改变。
(2)若超出控制限的统计量均为线性统计量(Tl 2,Sl),则表明异常发生在彼此具有线性关系的过程变量中;若超出控制限的统计量均为非线性统计量(Tn 2,Sn),则表明异常发生在彼此具有非线性关系的过程变量中;若超限的统计量线性与非线性兼有,则表明过程的异常既发生在具有线性关系的变量中,又出现在具有非线性关系的变量上。
将不同的超限形式与其对应的结果分析总结如下表(其中×表示超限,√表示不超限):
本发明中提出的方法主要面向非线性的、具有动态行为的工业过程提出了相应的监测模型,即慢特征网络。该方法充分考虑了复杂工业过程的线性与非线性、静态与动态特性并存的特点,并设计了一种新型的慢特征神经网络结构来建立过程监测模型。在处理过程变量间线性与非线性关系并存的方面,本发明利用线性映射模块提取过程的线性信息,并将其与传统的编码器神经网络得到的信息进行融合,用于同时处理变量间的线性与非线性关系。在处理动静特性并存的方面,本发明在原有自编码器的优化目标中加入了特征的缓变约束来同时提取动静态信息。此外,为使得在线应用时得到更加清晰的监测结果,本发明提出了五种监测统计量,分别用于表征过程的残差空间稳态信息、线性静态信息、线性动态信息、非线性静态信息和非线性动态信息,并根据各统计量在线监测时的表现形式给出了相应的结果分析,便于工业工程师采取相应的措施。本发明在建立慢特征网络监测模型的同时引入弹性网正则化对特征进行稀疏选择,防止过拟合现象。本发明综合考虑了线性与非线性、动态与静态过程信息,具有很强的可解释性,相比传统的监测方法,提高了监测精度,丰富了监测信息,为过程监测方法的研究指明了新的方向。
附图说明
下面结合附图和实施对发明进一步说明:
图1为慢特征网络结构示意图;
图2为慢特征网络监测结果图;
图3为慢特征分析监测结果图;
图4为核慢特征分析监测结果图。
具体实施方式
下面结合附图和具体实例,对本发明作进一步详细说明。
本实例采取数据为浙江省某电厂的发电过程数据,整个发电系统的输出功率为600MW,共包含温度、压力、流量等162个过程变量,变量间兼具线性与非线性关系。以采样一次的 162个过程变量作为一个样本点,其中训练数据集中包括2940个样本点,在线应用数据中则包含2820个样本,采样时间均为一分钟。在线应用时,自第496个样本点起,发电系统的循环水泵出现了出口压力过大的故障。
本发明的面向非线性动态过程的慢特征网络监测方法包括以下步骤:
步骤1:建模数据收集与预处理:收集正常运行状态下的过程数据作为训练数据集,并进行标准化预处理。
设训练集的原始过程数据矩阵X0,并对其进行减均值除以标准差的标准化,从而得到训练数据X:
其中mean(X0)和std(X0)分别为原始过程数据X0的均值向量与标准差向量。
步骤2:搭建慢特征网络模型。慢特征网络的结构示意图可参考图1。
(1)对于输入数据矩阵X中的某个样本x,分别利用可训练的线性映射矩阵Wlin和多层全连接神经网络组成的编码器E提取线性特征向量fl与非线性特征fn:
fl=Wlin Tx (15)
fn=E(x) (16)
此处设置矩阵Wl维度为(162×18),编码器层数L为3,其中第l层的输入xin,l与输出xout,l的关系为:
其中Wl与bl均为可训练参数,分别为参数矩阵与偏置向量。此处,编码器输入层神经元个数为162,两个隐藏层的神经元个数分别设置为64和18。
(4)对于得到的线性特征向量fl与非线性特征fn进行加权融合,得到融合后的特征向量 f,其融合方式为:
f=fn⊙T(fl,fn)+fl⊙[1-T(fl,fn)] (18)
其中[·]为拼接操作,WT与bT为可训练的权重参数, WT的维度为(36×18),bT维度则为(18×1),g为sigmoid函数,即g(x)=1/(1+e-x)。此后,需对特征f进行标准化处理,得到标准化后的特征
其中编码器D中每层的传递关系与公式(4)一致。
步骤3:利用训练数据集训练慢特征网络。
步骤4:通过训练数据经过慢特征网络提取的特征构建监测统计量以及各统计量的相应控制限。
根据已训练好的慢特征网络得到的线性与非线性特征及重构结果,建立如下5个统计量:
(1)预测误差平方和(SPE):
(2)线性静态统计量Tl 2:
(3)非线性静态统计量Tn 2:
(4)线性动态统计量Sl:
(5)非线性动态统计量Sn:
对于以上5个监测统计量,利用核密度估计,计算其各自的控制限,结果分别为240、46.4、 84.9、46.9、85。
步骤5:在线监测,根据各个统计量的超限情况分析过程运行状态。
对于在线监测采集到的新样本,首先对其进行标准化,再利用慢特征网络求取其重构结果与特征,并计算其5个统计量,将其5个统计量与各自的控制限进行比较。统计量超限情况的分析遵循以下两条规则:
(1)若三个静态统计量(Tl 2,Tn 2,SPE)中有至少一个超出控制限,则表明过程的静态工作点产生了偏移;若两个动态统计量(Sl,Sn)中有至少一个超过控制限,则表明过程的产生了异常的动态行为,其控制性能发生了改变。
(2)若超出控制限的统计量均为线性统计量(Tl 2,Sl),则表明异常发生在彼此具有线性关系的过程变量中;若超出控制限的统计量均为非线性统计量(Tn 2,Sn),则表明异常发生在彼此具有非线性关系的过程变量中;若超限的统计量线性与非线性兼有,则表明过程的异常既发生在具有线性关系的变量中,又出现在具有非线性关系的变量上。
将不同的超限形式与其对应的结果分析总结如下表(其中×表示超限,√表示不超限):
本示例中,慢特征网络的监测结果如图2所示。根据慢特征网络的在线监测策略可知,故障被成功检测出来,其不仅影响静态工作点,而且会引起动态异常,并且发生在过程的线性部分。为了验证这一结论,此处计算了每个过程变量和故障变量(循环水泵的出口压力) 之间的相关系数,发现有8个变量与故障变量的相关系数高于0.8,这表明结论是可靠的。
此处选取了两类过程监测方法与本发明中的慢特征网络进行对比,分别是尚超等人提出的纯线性的慢特征分析方法(Shang,C.,Yang,F.,Gao,X.,Huang,X.,Suykens,J.A.K.,&Huang, D.(2015).Concurrent monitoring of operating conditiondeviations and process dynamics anomalies with slow feature analysis.AIChEJournal,2015,61(11),3666-3682.)和核慢特征分析方法(Ma,K.J.,Han,Y.J.,Tao,Q.,&Wang,J.(2011).Kernel-based slow feature analysis.PatternRecognit.Artif.Intell.,24(2),153-159.),其监测结果分别如图3和图4所示。观察其监测结果图可以发现,虽然这两种对比方法均检测到了故障的发生,但在过程未出现异常时发生了严重的误报警现象,且部分统计量在故障发生后发生一定的漏报警,降低了监测的可靠性。下表列出了慢特征网络和两种对比方法误报率和检测精度的对比结果,可见慢特征网络方法具有最低的误报率和最高的检测精度,证实了其具有更高的检测灵敏度与准确率。此外,慢特征网络还能有效判断故障发生在线性部分还是非线性部分,在提高监测性能的同时提供了更多的监测信息,增加了监测结果的可解释性。
Claims (5)
1.面向非线性动态工业过程的慢特征网络监测方法,其特征在于,该方法包括以下步骤:
步骤1:建模数据收集与预处理:收集工厂正常运行状态下的过程数据作为训练数据集,并进行标准化预处理;
步骤2:搭建慢特征网络模型;所述慢特征网络模型包括用于提取线性特征的线性映射模块、用于提取非线性特征的编码器、融合线性特征和非线性特征的传递门以及解码融合特征的解码器;具体为:
(1)采用可训练的线性映射矩阵Wlin作为线性映射模块,同时构建多层全连接神经网络组成编码器E,分别提取线性特征向量fl与非线性特征fn,对于输入数据矩阵X中的某个样本x:
fl=Wlin Tx (1)
fn=E(x) (2)
其中,对于深度为L层的编码器E第l层的输入xin,l与输出xout,l的关系为:
xout,l=max(0,Wl Txin,l+bl),l=1,2,...,L (3)
其中Wl与bl均为可训练参数,分别为参数矩阵与偏置向量;
(2)构建融合线性特征和非线性特征的传递门,具体如下:对于得到的线性特征向量fl与非线性特征fn进行加权融合,得到融合后的特征向量f,其融合方式为:
f=fn⊙T(fl,fn)+fl⊙[1-T(fl,fn)] (4)
其中编码器D中每层的传递关系与公式(3)一致;
步骤3:利用训练数据集训练慢特征网络;
步骤4:通过训练数据经过慢特征网络提取的特征构建线性和非线性监测统计量以及各统计量的相应控制限;
步骤5:在线监测,根据各个统计量的超限情况分析过程运行状态。
5.根据权利要求4所述的方法,其特征在于,所述步骤5具体为:
对于在线监测采集到的新样本,首先对其进行标准化,再利用慢特征网络求取其重构结果与特征,并计算其5个统计量,将其5个统计量与各自的控制限进行比较;统计量超限情况的分析遵循以下两条规则:
(1)若三个静态统计量(Tl 2,Tn 2,SPE)中有至少一个超出控制限,则表明过程的静态工作点产生了偏移;若两个动态统计量(Sl,Sn)中有至少一个超过控制限,则表明过程产生了异常的动态行为,其控制性能发生了改变;
(2)若超出控制限的统计量均为线性统计量(Tl 2,Sl),则表明异常发生在彼此具有线性关系的过程变量中;若超出控制限的统计量均为非线性统计量(Tn 2,Sn),则表明异常发生在彼此具有非线性关系的过程变量中;若超限的统计量线性与非线性兼有,则表明过程的异常既发生在具有线性关系的变量中,又出现在具有非线性关系的变量上;
将不同的超限形式与其对应的结果分析总结如下表,其中×表示超限,√表示不超限:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238219.7A CN112327701B (zh) | 2020-11-09 | 2020-11-09 | 面向非线性动态工业过程的慢特征网络监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238219.7A CN112327701B (zh) | 2020-11-09 | 2020-11-09 | 面向非线性动态工业过程的慢特征网络监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327701A CN112327701A (zh) | 2021-02-05 |
CN112327701B true CN112327701B (zh) | 2021-11-02 |
Family
ID=74315536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011238219.7A Active CN112327701B (zh) | 2020-11-09 | 2020-11-09 | 面向非线性动态工业过程的慢特征网络监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327701B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177604B (zh) * | 2021-05-14 | 2024-04-16 | 东北大学 | 一种基于改进l1正则化和聚类的高维数据特征选择方法 |
CN116305995B (zh) * | 2023-03-27 | 2023-11-07 | 清华大学 | 结构体系的非线性分析方法及装置、设备及介质 |
CN117524337B (zh) * | 2023-10-30 | 2024-05-07 | 江南大学 | 基于双流慢-非平稳快特征提取的co2含量预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320764A (zh) * | 2015-10-26 | 2016-02-10 | 天津大学 | 一种基于增量慢特征的3d模型检索方法及其检索装置 |
CN106647718A (zh) * | 2017-01-20 | 2017-05-10 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
CN106907927A (zh) * | 2017-04-05 | 2017-06-30 | 东北大学 | 一种核灵活流形嵌入电熔镁炉故障监测方法 |
CN107798331A (zh) * | 2017-09-05 | 2018-03-13 | 赵彦明 | 离变焦图像序列特征提取方法和装置 |
CN108873853A (zh) * | 2018-09-11 | 2018-11-23 | 浙江大学 | 一种基于分层慢特征分析的智能电厂汽水系统分布式监测方法 |
CN109189020A (zh) * | 2018-09-11 | 2019-01-11 | 浙江大学 | 一种基于动静态特性协同分析的大型燃煤机组燃烧系统综合监测方法 |
CN110209144A (zh) * | 2019-05-16 | 2019-09-06 | 浙江大学 | 基于动静协同差异分析的两层实时监测与报警溯源方法 |
CN110880024A (zh) * | 2019-12-05 | 2020-03-13 | 山东建筑大学 | 基于判别核慢特征分析的非线性过程故障辨识方法及系统 |
CN111881627A (zh) * | 2020-08-05 | 2020-11-03 | 哈尔滨工程大学 | 一种核动力装置故障诊断方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109297713B (zh) * | 2018-08-07 | 2019-12-31 | 浙江大学 | 基于平稳非平稳振动信号特征选择的汽轮机故障诊断方法 |
-
2020
- 2020-11-09 CN CN202011238219.7A patent/CN112327701B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320764A (zh) * | 2015-10-26 | 2016-02-10 | 天津大学 | 一种基于增量慢特征的3d模型检索方法及其检索装置 |
CN106647718A (zh) * | 2017-01-20 | 2017-05-10 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
CN106907927A (zh) * | 2017-04-05 | 2017-06-30 | 东北大学 | 一种核灵活流形嵌入电熔镁炉故障监测方法 |
CN107798331A (zh) * | 2017-09-05 | 2018-03-13 | 赵彦明 | 离变焦图像序列特征提取方法和装置 |
CN108873853A (zh) * | 2018-09-11 | 2018-11-23 | 浙江大学 | 一种基于分层慢特征分析的智能电厂汽水系统分布式监测方法 |
CN109189020A (zh) * | 2018-09-11 | 2019-01-11 | 浙江大学 | 一种基于动静态特性协同分析的大型燃煤机组燃烧系统综合监测方法 |
CN110209144A (zh) * | 2019-05-16 | 2019-09-06 | 浙江大学 | 基于动静协同差异分析的两层实时监测与报警溯源方法 |
CN110880024A (zh) * | 2019-12-05 | 2020-03-13 | 山东建筑大学 | 基于判别核慢特征分析的非线性过程故障辨识方法及系统 |
CN111881627A (zh) * | 2020-08-05 | 2020-11-03 | 哈尔滨工程大学 | 一种核动力装置故障诊断方法和系统 |
Non-Patent Citations (6)
Title |
---|
Collaborative Analysis of Multiple Fault Characteristics Based Fault Prognostic Analytics for Large-scale Generate Unit;Haidong Fan, Weijian Zheng, Bingya Weng, Chunhui Zhao;《IEEE》;20191230;全文 * |
多时段间歇过程统计建模_在线监测及质量预报;赵春晖;《中国博士学位论文全文数据库工程科技Ⅰ辑》;20120630(第6期);全文 * |
数据驱动的动态过程监测方法;王凯;《中国博士学位论文全文数据库信息科技辑》;20190830(第08期);全文 * |
数据驱动的复杂工业过程统计过程监测;李文卿;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20180830(第08期);全文 * |
数据驱动的复杂非平稳工业过程建模与监测;孙鹤;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20180830(第08期);全文 * |
非平稳间歇过程数据解析与状态监控-回顾与展望;赵春晖,余万科,高福荣;《自动化学报》;20201030(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112327701A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327701B (zh) | 面向非线性动态工业过程的慢特征网络监测方法 | |
Ma et al. | Discriminative deep belief networks with ant colony optimization for health status assessment of machine | |
Yu et al. | MoniNet with concurrent analytics of temporal and spatial information for fault detection in industrial processes | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
Razavi-Far et al. | Model-based fault detection and isolation of a steam generator using neuro-fuzzy networks | |
CN113076975A (zh) | 一种基于无监督学习的大坝安全监测数据异常检测方法 | |
CN111780800B (zh) | 一种传感器故障的监测、隔离以及重构方法和系统 | |
Tian et al. | Identification of abnormal conditions in high-dimensional chemical process based on feature selection and deep learning | |
CN114528547A (zh) | 基于社区特征选择的icps无监督在线攻击检测方法和设备 | |
Luo et al. | Key-performance-indicators-related fault subspace extraction for the reconstruction-based fault diagnosis | |
Ma et al. | A practical root cause diagnosis framework for quality-related faults in manufacturing processes with irregular sampling measurements | |
Xu et al. | Anomaly detection with gru based bi-autoencoder for industrial multimode process | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN111367253A (zh) | 基于局部自适应标准化的化工系统多工况故障检测方法 | |
Yao et al. | Fault diagnosis based on RseNet-LSTM for industrial process | |
CN117290800A (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
Huang et al. | A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification | |
Qin et al. | Root cause analysis of industrial faults based on binary extreme gradient boosting and temporal causal discovery network | |
CN116842323A (zh) | 一种供水管线运行数据异常检测方法 | |
Liu et al. | Fault diagnosis of complex industrial systems based on multi-granularity dictionary learning and its application | |
Lyu et al. | Image-based process monitoring using deep belief networks | |
Dong et al. | Hierarchical causal graph-based fault root cause diagnosis and propagation path identification for complex industrial process monitoring | |
CN114548701A (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
Zhang et al. | Distributed quality-related process monitoring framework using parallel DVIB-VAE-mRMR for large-scale processes | |
Zhang et al. | Spatio-temporal fusion model of natural gas pipeline condition monitoring based on convolutional neural network and long short-term memory neural network |
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 |