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 PDF

Info

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
Application number
CN202011238219.7A
Other languages
English (en)
Other versions
CN112327701A (zh
Inventor
赵春晖
宋鹏宇
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011238219.7A priority Critical patent/CN112327701B/zh
Publication of CN112327701A publication Critical patent/CN112327701A/zh
Application granted granted Critical
Publication of CN112327701B publication Critical patent/CN112327701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

面向非线性动态工业过程的慢特征网络监测方法
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：
Figure BDA0002767517530000021
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：
Figure BDA0002767517530000022
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
Figure BDA0002767517530000023
[·]为拼接操作，WT与bT为可训练的权重参数，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
Figure BDA0002767517530000024
Figure BDA0002767517530000025
(3)利用多层全连接网络组成的解码器D将特征向量f映射到与输入数据x相同的维度，得到重构数据
Figure BDA0002767517530000026
Figure BDA0002767517530000027
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。
建立优化目标，同时最小化重构误差与标准化特征
Figure BDA0002767517530000031
的变化速度，此外引入弹性网的思想，加入L1与L2正则化，总体优化目标为：
Figure BDA0002767517530000032
其中
Figure BDA0002767517530000033
λ为调节因子，控制了优化目标间的相对重要性，β1和β2为正则化系数。利用随机梯度下降法求解此优化问题，得到网络中各权重参数。
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)：
Figure BDA0002767517530000034
(2)线性静态统计量Tl 2：
Figure BDA0002767517530000035
其中
Figure BDA0002767517530000036
和Ωl分别为线性特征fl的均值和方差。
(3)非线性静态统计量Tn 2：
Figure BDA0002767517530000037
其中
Figure BDA0002767517530000038
和Ωn分别为线性特征fn的均值和方差。
(4)线性动态统计量Sl：
Figure BDA0002767517530000039
其中
Figure BDA00027675175300000310
为第i个线性特征随时间的一阶差分，
Figure BDA00027675175300000311
是
Figure BDA00027675175300000312
的方差。
(5)非线性动态统计量Sn：
Figure BDA00027675175300000313
其中
Figure BDA00027675175300000314
为第i个非线性特征随时间的一阶差分，
Figure BDA00027675175300000315
是
Figure BDA00027675175300000316
的方差。
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)：
Figure BDA0002767517530000041
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：
Figure BDA0002767517530000051
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：
Figure BDA0002767517530000061
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
Figure BDA0002767517530000062
[·]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
Figure BDA0002767517530000069
Figure BDA0002767517530000063
(5)利用多层全连接网络组成的解码器D将特征向量f映射到与输入数据x相同的维度，得到重构数据
Figure BDA0002767517530000064
Figure BDA0002767517530000065
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。
建立优化目标，同时最小化重构误差与标准化特征
Figure BDA0002767517530000066
的变化速度，此外引入弹性网的思想以进行特征选择，加入L1与L2正则化，总体优化目标为：
Figure 1
其中
Figure BDA0002767517530000068
λ为调节因子，控制了优化目标间的相对重要性，β1和β2为正则化系数。本实例中，λ、β1和β2分别设定为0.5、0.001和0.0005。利用随机梯度下降法求解此优化问题，得到网络中各权重参数。
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)：
Figure BDA0002767517530000071
(2)线性静态统计量Tl 2：
Figure BDA0002767517530000072
其中
Figure BDA0002767517530000073
和Ωl分别为线性特征fl的均值和方差。
(3)非线性静态统计量Tn 2：
Figure BDA0002767517530000074
其中
Figure BDA0002767517530000075
和Ωn分别为线性特征fn的均值和方差。
(4)线性动态统计量Sl：
Figure BDA0002767517530000076
其中
Figure BDA0002767517530000077
为第i个线性特征随时间的一阶差分，
Figure BDA0002767517530000078
是
Figure BDA0002767517530000079
的方差。
(5)非线性动态统计量Sn：
Figure BDA00027675175300000710
其中
Figure BDA00027675175300000711
为第i个非线性特征随时间的一阶差分，
Figure BDA00027675175300000712
是
Figure BDA00027675175300000713
的方差。
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)：
Figure BDA0002767517530000081
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。
Figure BDA0002767517530000082
Figure BDA0002767517530000091

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
Figure FDA0003194078290000011
[·]为拼接操作，WT与bT为可训练的权重参数，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
Figure FDA0003194078290000012
Figure FDA0003194078290000013
(3)构建多层全连接网络组成的解码器D，并利用其将特征向量
Figure FDA0003194078290000014
映射到与输入数据x相同的维度，得到重构数据
Figure FDA0003194078290000015
Figure FDA0003194078290000016
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。
2.根据权利要求1所述的方法，其特征在于，所述步骤1具体为：
收集正常工况下的过程数据，其中，一次采样的过程变量组成一个样本，N次采样得到的样本组成原始过程数据矩阵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：
Figure FDA0003194078290000021
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。
3.根据权利要求1所述的方法，其特征在于，所述步骤3具体为：
建立优化目标，同时最小化重构误差与标准化特征
Figure FDA0003194078290000029
的变化速度，此外引入弹性网的思想，加入L1与L2正则化，总体优化目标为：
Figure FDA0003194078290000022
其中
Figure FDA0003194078290000023
λ为调节因子，控制了优化目标间的相对重要性，β1和β2为正则化系数；利用随机梯度下降法求解此优化问题，得到网络中各权重参数；t∈N，表示采样时间。
4.根据权利要求1所述的方法，其特征在于，所述步骤4具体为：
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：
Figure FDA0003194078290000024
(2)线性静态统计量Tl 2：
Figure FDA0003194078290000025
其中
Figure FDA0003194078290000026
和Ωl分别为线性特征fl的均值和方差；
(3)非线性静态统计量Tn 2：
Figure FDA0003194078290000027
其中
Figure FDA0003194078290000028
和Ωn分别为线性特征fn的均值和方差；
(4)线性动态统计量Sl：
Figure FDA0003194078290000031
其中
Figure FDA0003194078290000032
为第i个线性特征随时间的一阶差分，
Figure FDA0003194078290000033
是
Figure FDA0003194078290000034
的方差，h是线性特征个数；
(5)非线性动态统计量Sn：
Figure FDA0003194078290000035
其中
Figure FDA0003194078290000036
为第i个非线性特征随时间的一阶差分，
Figure FDA0003194078290000037
是
Figure FDA0003194078290000038
的方差；
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。
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：
Figure FDA0003194078290000039
Figure FDA0003194078290000041
CN202011238219.7A 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 Active CN112327701B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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