CN112434739A - 一种基于多核学习的支持向量机的化工过程故障诊断方法 - Google Patents

一种基于多核学习的支持向量机的化工过程故障诊断方法 Download PDF

Info

Publication number
CN112434739A
CN112434739A CN202011340345.3A CN202011340345A CN112434739A CN 112434739 A CN112434739 A CN 112434739A CN 202011340345 A CN202011340345 A CN 202011340345A CN 112434739 A CN112434739 A CN 112434739A
Authority
CN
China
Prior art keywords
kernel function
core
support vector
vector machine
data set
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.)
Pending
Application number
CN202011340345.3A
Other languages
English (en)
Inventor
胡海军
栗月姣
申志远
醋文凯
黄子仪
程光旭
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202011340345.3A priority Critical patent/CN112434739A/zh
Publication of CN112434739A publication Critical patent/CN112434739A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于多核学习的支持向量机的化工过程故障诊断方法，采集化工过程的正常数据和故障数据，组成原始数据集，将原始数据集进行归一化处理后分为训练数据集与测试数据集，将训练数据集分别转换成高斯核函数和多项式核函数，确定高斯核函数和多项式核函数的权重，将权重将高斯核函数和多项式核函数的权重线性组合，得到多核核函数，并根据多核核函数建立多核学习的支持向量机模型；将测试数据集输入多核学习的支持向量机模型中进行故障诊断与识别。该方法通过将不同的核函数通过监督学习给混合成一个多核核函数，可提高判断化工过程是否出现故障的准确率。本方法简单易于实现，具有较好的故障诊断与识别能力。

Description

一种基于多核学习的支持向量机的化工过程故障诊断方法
技术领域
本发明涉及一种复杂化工过程故障诊断与识别的方法，具体涉及一种基于多核学习的支持向量机的化工过程故障诊断方法。
背景技术
由于化工过程的日益复杂性，对化工系统的安全性和可靠性也有更高的要求，因此对化工过程进行实时监测极其重要。故障诊断与识别方法是保障化工过程安全稳定运行的重要技术手段。提高故障诊断与识别的准确率可以更好地通过监测系统的异常状态，准确定位故障点，及时对系统进行校正，从而确保化工过程的稳定性、可靠性和安全性，达到提升生产效率、产品质量和生产安全的目的。
发明内容
本发明的目的在于提供一种一种基于多核学习的支持向量机的化工过程故障诊断方法，该方法可提高判断化工过程是否出现故障的准确率。
本发明的目的通过以下技术方案来实现的：
一种基于多核学习的支持向量机的化工过程故障诊断方法，包括以下步骤：
(1)采集化工过程的正常数据和故障数据，组成原始数据集，将原始数据集进行归一化处理后分为训练数据集与测试数据集；
(2)将训练数据集分别转换成高斯核函数和多项式核函数；
(3)通过监督学习确定高斯核函数和多项式核函数的权重；
(4)将权重将高斯核函数和多项式核函数的权重线性组合，得到多核核函数，并根据多核核函数建立多核学习的支持向量机模型；
(5)将测试数据集输入多核学习的支持向量机模型中进行故障诊断与识别。
本发明进一步的改进在于，步骤(1)中归一化处理是利用min-max标准化将原始数据集标准化在[0-1]之间。
本发明进一步的改进在于，归一化处理采用式(1)进行：
Figure BDA0002798429060000021
其中，x*表示归一化数据，x表示原始数据，max表示样本数据的最大值，min表示样本数据的最小值。
本发明进一步的改进在于，步骤(2)中高斯核函数为：
Figure BDA0002798429060000022
其中：
k1：高斯核函数；
xi：二维空间点的横坐标；
xj：二维空间点的纵坐标；
σ：高斯核的带宽。
本发明进一步的改进在于，步骤(2)中多项式核函数为：
k2＝(xi Txj)d (3)
其中：
k2为多项式核函数；
xi为二维空间点的横坐标；
xj为二维空间点的纵坐标；
T为对数据进行转置处理；
d为多项式的次数。
本发明进一步的改进在于，所述步骤(3)的具体过程为：对高斯核函数和多项式核函数进行监督学习，通过梯度下降法寻找正反两类数据最大软间隔面时的高斯核函数的权重w1和多项式核函数的权重w2。
本发明进一步的改进在于，步骤(4)的具体过程为：根据式(4)，将高斯核函数和多项式核函数的权重线性组合转换为多核核函数；
Figure BDA0002798429060000031
其中：
MKL为多核核函数；
w1为高斯核函数的权重；
w2为多项式核函数的权重；
k1为高斯核函数；
k2为多项式核函数。
与现有技术相比，本发明具有的有益效果：本发明适用于现代复杂的化工过程的故障诊断，可以选择田纳西-伊斯曼(TE)过程故障作为方法验证依据，该过程具有一般性和代表性。通过对训练集数据进行min-max标准化，归一化在[0-1]之间。再分别转换成高斯核函数和多项式核函数，通过监督学习去找到正反目标对象的最大软间隔面，以得到各个核函数的权重，然后转换成一个新的多核核函数。通过F1-score、recall和模型精度ACC选择最优的多核SVM(MKL-SVM)故障诊断与识别模型。最后通过测试数据集利用多核多核学习的支持向量机模型实现故障诊断与识别。相对于其他基于数据驱动的故障诊断方法，本发明具有准确、客观，效率高等特点；该方法可以融合不同的核函数，避免了人为选择核函数造成的偶然性，能够提高现代复杂化工过程故障诊断与识别的效率。
附图说明
图1是基于多核学习的支持向量机的化工过程故障诊断与识别流程图。
图2是田纳西-伊斯曼过程流程图。
图3是MKL-SVM故障诊断与识别方法例图。
下面根据实施例对本发明作进一步说明
具体实施方式
下面结合附图对本发明进行详细说明。
本发明将不同的核函数通过监督学习给线性混合成一个多核核函数，从而使正反两类对象的软间隔面距离最大化，可提高判断化工过程是否出现故障的准确率。
一种基于多核学习支持向量机(MKL-SVM)的化工过程故障诊断与识别方法，其具体步骤如图2所示：
多核学习流程图分为两个同步进行的框架，其左边是理论过程，右边是对左边详细解释的数学方法过程。
理论过程：
1)采集化工过程的正常数据和故障数据；
2)将化工过程的正常数据和故障数据进行归一化处理；
3)将归一化处理后的数据转换成高斯核函数和多项式核函数；
4)通过监督学习确定高斯核函数和多项式核函数的权重，根据权重将高斯核函数和多项式核函数的权重线性组合，得到多核核函数；
5)根据多核核函数得到多核学习的支持向量机模型。
对应的数学过程为：
1)采集化工过程的正常数据和故障数据组成原始数据集，将原始数据集进行归一化处理后分为训练数据集与测试数据集；
2)将训练数据集分别转换成高斯核函数和多项式核函数；
3)监督学习确定正反两类数据最大软间隔面时的高斯核函数和多项式核函数的权重；
4)根据高斯核函数和多项式核函数的权重线性组合得到多核核函数，并以此建立多核学习的支持向量机模型；
5)将测试数据集放在多核学习的支持向量机模型中进行故障诊断与识别。
整个过程参见图1，包括离线模式和在线模式，其中，离线模式如下：
(1)采集化工过程的正常数据和故障数据(即来自实际化工过程中的不同传感器的具有很大值域差异的数据，传感器根据化工工厂实际操作情况而定)，组成原始数据集，将原始数据集进行归一化处理后分为训练数据集与测试数据集；
(2)将训练数据集分别转换成高斯核函数和多项式核函数；
(3)通过监督学习确定正反两类数据最大软间隔面时的高斯核函数和多项式核函数的权重；
(4)根据权重将高斯核函数和多项式核函数的权重线性组合，得到多核核函数，并根据多核核函数建立多核学习的支持向量机模型；
在线模式如下：
(5)将测试数据集放在多核学习的支持向量机模型中进行故障诊断与识别。
其具体如下：
所述步骤(1)中归一化处理具体通过以下过程实现：
利用min-max标准化可以将原始数据集标准化在[0-1]之间。也称为离差标准化，可实现对原始数据的等比例缩放。数学表达如式(1)所示：
Figure BDA0002798429060000051
其中，x*表示归一化数据，x表示原始数据，max表示样本数据的最大值，min表示样本数据的最小值。
所述步骤(2)通过以下过程实现：
将训练数据集分别转换成高斯核函数和多项式核函数。基于单核的支持向量机，其核心思想是在高维特征空间中找到一个令样本数据线性分开的划分超平面，使得正反两类数据之间的距离最大化。在样本数据非线性可分的情况下，可通过引入预先定义好的内积函数将数据从原始空间映射到高维特征空间，从而将线性学习器拓展为非线性学习器。预先定义好的内积函数为核函数。应用不同的核函数构造的支持向量机性能不同，常用的核函数有以下几类：
高斯核函数为：
Figure BDA0002798429060000061
其中：
k1：转换后的高斯核函数；
xi：二维空间点的横坐标；
xj：二维空间点的纵坐标；
σ：σ＞0，为高斯核的带宽。
多项式核函数为：
k2＝(xi Txj)d (3)
其中：
k2：转换后的多项式核函数；
xi：二维空间点的横坐标；
xj：二维空间点的纵坐标；
T：对数据进行转置处理；
d：d≥1，为多项式的次数。
转换后的数据集为下一步的多核优化学习做打算。
所述步骤(3)通过以下两个子步骤实现：
(4.1)监督学习确定正反两类数据最大软间隔面时的各个核函数对应的权重。对步骤(2)得到的高斯核函数和多项式核函数进行监督学习，通过梯度下降法寻找正反两类数据最大软间隔面时的高斯核函数的权重w1和多项式核函数的权重w2。
(4.2)确定最优模型。根据步骤(4.1)获得的高斯核函数和多项式核函数的权重，根据公式(4)，将其转换为一个线性的多核核函数，此时，正反两类数据可找到最大软间隔面。
Figure BDA0002798429060000071
其中：
MKL：线性组合后的多核核函数；
w1：监督学习后高斯核函数的权重；
w2；监督学习后多项式核函数的权重；
k1：高斯核函数；
k2：多项式核函数。
正反两类数据最大软间隔面对应的SVM模型为最优故障诊断与识别模型。
在监督学习过程中，需要根据每个特征集对应的分类器的性能指标确定目标对象最大软间隔面和最优模型，可以选择评价二分类器性能的F1-score作为指标量，F1-score通过结合精确度(Precision)和回忆度(Recall)评估模型的准确性，其表达式如(5)所示：
Figure BDA0002798429060000072
式(4)中的量根据混淆矩阵确定，混淆矩阵如表1所示。
表1混淆矩阵
Figure BDA0002798429060000081
其中，TP表示被正确分类的正常数据，FP表示被错误分类的正常数据，TN表示被正确分类的故障数据，FN表示被错误分类的故障数据。精确度和回忆度对应的数学表达式如式(6)所示：
Figure BDA0002798429060000082
为了证明提出的最优模型的故障诊断效果，可以将模型的准确率(Accuary,ACC)作为评价因素，对应的数学表达式如(7)所示：
Figure BDA0002798429060000083
所述步骤(5)具体过程：对测试数据集利用最优SVM模型进行诊断与识别，实现对化工过程故障的诊断。
模型的分类性能指标为F1-score、precision、recall和准确率ACC。
下面为具体实施例。
实施例
1.田纳西-伊斯曼(TE)过程能够代表一般的现代化工过程。本发明选择该过程数据作为方法验证依据。
如图3所示，TE过程主要由反应器、冷凝器、汽提塔、气液分离塔、压缩机等多个操作单元构成。TE过程共有四种气体反应物分别为：A、D、E和C，这4种反应物中分别都含有少数的惰性气体B。在催化剂的作用下，反应器中主要有4个同时进行的化学反应，其中的两个主化学反应生成的液态产物分别为产物G和产物H，同时会生成副产物F，化学反应方程如式(9)所示：
A(g)+C(g)+D(g)→E(liq)
A(g)+C(g)+E(g)→H(liq)
A(g)+E(g)→F(liq)
3D(g)→2F(liq) (9)
TE过程包括41个测量变量和12个控制变量，如下表2所示。工况包括一种正常工况和21种可操作的故障工况。21种工况下的采样时间间隔都设置为3分钟。在工业过程的正常工况下，过程运48小时产生的960个数据样本被采集作为正常数据样本；在所有21种过程的故障工况下，都是在过程稳定运行8小时后引入故障，故采集的960个数据样本中前面的160个数据样本不含有故障，后面800个数据样本含有故障。将在正常工况下采集的960个数据样本作为训练样本，所有含有故障的数据样本作为测试样本。故障模式1-7是关于TE过程变量的阶跃故障，故障模式8-12是变量的随机变化故障，故障模式13是化工反应动力学的慢漂移故障，故障模式14-15是相应的粘滞故障，故障模式16-20是未知故障，故障模式21为恒定位置故障。
表2田纳西-伊斯曼过程故障
Figure BDA0002798429060000091
Figure BDA0002798429060000101
2.数据标准化。原始数据都来自于多个传感器，每组数据都有各自的量纲、数据级别范围，为了将所有数据整合在一个数据矩阵中进行后续的聚类分析，需要对这些数据归一化。归一化将待分析的数据变成具有相对关系的可在同一数量级上进行衡量的相对数值，是一种缩小数值之间落差的有效方法。将TE数据的正常与故障工况数据分别组成预处理数据集，进行min-max标准化。
3.交叉验证产生平衡数据集。5倍交叉验证将训练集数据平均分成五部分，每一部分依次作为训练集，其他的作为测试集进行交叉验证，平衡数据集，避免原始数据不平衡而导致SVM模型精度低。
4.最优MKL-SVM模型确定。将数据集分别转换为高斯核函数和多项式核函数，通过监督学习，来找到目标对象最大软间隔面，以输出各个核函数的权重。然后转换成一个新的多核核函数。其21种故障的对应的核函数的权重如表3所示。
表3 21种故障的对应的核函数的权重
Figure BDA0002798429060000102
Figure BDA0002798429060000111
21种故障在线诊断与识别。将测试集数据在MKL-SVM模型中进行模型分类性能评估，输出F1-score、precision、recall和准确率ACC。并与单核的SVM(RBF-SVM、Poly-SVM)结果进行比较，其结果如表4、表5、表6和表7所示。
表4三种方法得到的准确率(ACC)的比较
Figure BDA0002798429060000112
表5三种方法得到的F1-score的比较
Figure BDA0002798429060000113
Figure BDA0002798429060000121
表6三种方法得到的precision的比较
Figure BDA0002798429060000122
Figure BDA0002798429060000131
表7三种方法得到的recall的比较
Figure BDA0002798429060000132
从表4可以看出，除了故障18，对于其它20种故障，MKL-SVM模型的故障识别的准确率均高于同条件下的单核的SVM(RBF-SVM、Poly-SVM)。对于21种故障，MKL-SVM模型的故障识别的平均准确率为0.892。
从表5可以看出，除了故障18，对于其它20种故障，MKL-SVM模型的故障识别的F1-score均高于同条件下的单核的SVM(RBF-SVM、Poly-SVM)。对于21种故障，MKL-SVM模型的故障识别的平均F1-score为0.891。
从表6可以看出，对于21种故障，MKL-SVM模型的故障识别的precision均高于同条件下的单核的SVM(RBF-SVM、Poly-SVM)。MKL-SVM模型的故障识别的平均precision为0.924。
从表7可以看出，对于21种故障，MKL-SVM模型的故障识别的平均recall低于同条件下的单核的SVM(RBF-SVM、Poly-SVM)，为0.870。
对于SVM模型，当模型的性能较好时，除ACC和F1-score值较大，当precision值较大，相反，其recall值较小。由以上所有表，可知我们的MKL-SVM的性能相比与同条件下的单核的SVM(RBF-SVM、Poly-SVM)是较好的。
本发明通过将不同的核函数通过监督学习给混合成一个多核核函数，可提高判断化工过程是否出现故障的准确率。本方法简单易于实现，具有较好的故障诊断与识别能力。

Claims (7)

1.一种基于多核学习的支持向量机的化工过程故障诊断方法，其特征在于，包括以下步骤：
(1)采集化工过程的正常数据和故障数据，组成原始数据集，将原始数据集进行归一化处理后分为训练数据集与测试数据集；
(2)将训练数据集分别转换成高斯核函数和多项式核函数；
(3)通过监督学习确定高斯核函数和多项式核函数的权重；
(4)将权重将高斯核函数和多项式核函数的权重线性组合，得到多核核函数，并根据多核核函数建立多核学习的支持向量机模型；
(5)将测试数据集输入多核学习的支持向量机模型中进行故障诊断与识别。
2.根据权利要求1所述的一种基于多核学习的支持向量机的化工过程故障诊断方法，其特征在于，步骤(1)中归一化处理是利用min-max标准化将原始数据集标准化在[0-1]之间。
3.根据权利要求1或2所述的一种基于多核学习的支持向量机的化工过程故障诊断方法，其特征在于，归一化处理采用式(1)进行：
Figure FDA0002798429050000011
其中，x*表示归一化数据，x表示原始数据，max表示样本数据的最大值，min表示样本数据的最小值。
4.根据权利要求1所述的一种基于多核学习的支持向量机的化工过程故障诊断方法，其特征在于，步骤(2)中高斯核函数为：
Figure FDA0002798429050000012
其中：
k1：高斯核函数；
xi：二维空间点的横坐标；
xj：二维空间点的纵坐标；
σ：高斯核的带宽。
5.根据权利要求1所述的一种基于多核学习的支持向量机的化工过程故障诊断方法，其特征在于，步骤(2)中多项式核函数为：
Figure FDA0002798429050000021
其中：
k2为多项式核函数；
xi为二维空间点的横坐标；
xj为二维空间点的纵坐标；
T为对数据进行转置处理；
d为多项式的次数。
6.根据权利要求1所述的一种基于多核学习的支持向量机的化工过程故障诊断方法，其特征在于，所述步骤(3)的具体过程为：对高斯核函数和多项式核函数进行监督学习，通过梯度下降法寻找正反两类数据最大软间隔面时的高斯核函数的权重w1和多项式核函数的权重w2。
7.根据权利要求1所述的一种基于多核学习的支持向量机的化工过程故障诊断方法，其特征在于，步骤(4)的具体过程为：根据式(4)，将高斯核函数和多项式核函数的权重线性组合转换为多核核函数；
Figure FDA0002798429050000022
其中：
MKL为多核核函数；
w1为高斯核函数的权重；
w2为多项式核函数的权重；
k1为高斯核函数；
k2为多项式核函数。
CN202011340345.3A 2020-11-25 2020-11-25 一种基于多核学习的支持向量机的化工过程故障诊断方法 Pending CN112434739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011340345.3A CN112434739A (zh) 2020-11-25 2020-11-25 一种基于多核学习的支持向量机的化工过程故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011340345.3A CN112434739A (zh) 2020-11-25 2020-11-25 一种基于多核学习的支持向量机的化工过程故障诊断方法

Publications (1)

Publication Number Publication Date
CN112434739A true CN112434739A (zh) 2021-03-02

Family

ID=74697765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011340345.3A Pending CN112434739A (zh) 2020-11-25 2020-11-25 一种基于多核学习的支持向量机的化工过程故障诊断方法

Country Status (1)

Country Link
CN (1) CN112434739A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112130A (zh) * 2021-03-23 2021-07-13 合肥工业大学 高端装备制造过程质量在线监测方法及系统
CN113311364A (zh) * 2021-05-07 2021-08-27 南京理工大学 基于多核svm的永磁同步电机逆变器开路故障诊断方法
CN115758189A (zh) * 2022-10-26 2023-03-07 山东蓝想环境科技股份有限公司 一种循环水运行状态的数据识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106769048A (zh) * 2017-01-17 2017-05-31 苏州大学 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法
CN109635835A (zh) * 2018-11-08 2019-04-16 深圳蓝韵医学影像有限公司 一种基于深度学习与迁移学习的乳腺病变区域检测方法
CN109770932A (zh) * 2019-02-21 2019-05-21 河北工业大学 多模态脑部神经影像特征的处理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106769048A (zh) * 2017-01-17 2017-05-31 苏州大学 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法
CN109635835A (zh) * 2018-11-08 2019-04-16 深圳蓝韵医学影像有限公司 一种基于深度学习与迁移学习的乳腺病变区域检测方法
CN109770932A (zh) * 2019-02-21 2019-05-21 河北工业大学 多模态脑部神经影像特征的处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵卫伟: "基于分形理论和支持向量机的齿轮箱故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112130A (zh) * 2021-03-23 2021-07-13 合肥工业大学 高端装备制造过程质量在线监测方法及系统
CN113112130B (zh) * 2021-03-23 2022-09-30 合肥工业大学 高端装备制造过程质量在线监测方法及系统
CN113311364A (zh) * 2021-05-07 2021-08-27 南京理工大学 基于多核svm的永磁同步电机逆变器开路故障诊断方法
CN113311364B (zh) * 2021-05-07 2022-11-01 南京理工大学 基于多核svm的永磁同步电机逆变器开路故障诊断方法
CN115758189A (zh) * 2022-10-26 2023-03-07 山东蓝想环境科技股份有限公司 一种循环水运行状态的数据识别方法

Similar Documents

Publication Publication Date Title
CN112434739A (zh) 一种基于多核学习的支持向量机的化工过程故障诊断方法
CN106355030B (zh) 一种基于层次分析法和加权投票决策融合的故障检测方法
CN108062565B (zh) 基于化工te过程的双主元-动态核主元分析故障诊断方法
CN103914064B (zh) 基于多分类器和d-s证据融合的工业过程故障诊断方法
CN104699077B (zh) 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法
CN111580506A (zh) 基于信息融合的工业过程故障诊断方法
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN106326915B (zh) 一种基于改进核Fisher的化工过程故障诊断方法
CN108345284B (zh) 一种基于两变量块的质量相关故障检测方法
CN101169623A (zh) 基于核主元分析贡献图的非线性过程故障辨识方法
CN110245460B (zh) 一种基于多阶段oica的间歇过程故障监测方法
CN111352408B (zh) 一种基于证据k近邻的多工况流程工业过程故障检测方法
CN101738998B (zh) 一种基于局部判别分析的工业过程监测系统及方法
CN108830006B (zh) 基于线性评价因子的线性-非线性工业过程故障检测方法
CN110308713A (zh) 一种基于k近邻重构的工业过程故障变量识别方法
CA2034492A1 (en) Method of monitoring the operational state of a system
CN106354125A (zh) 一种利用分块pca检测化工过程故障的方法
CN116910677A (zh) 一种工业仪表故障诊断方法及系统
CN117150337A (zh) 基于分诊制的化工过程故障诊断方法
CN114660931A (zh) 用于石油化工过程故障诊断与识别的方法及系统
CN114118292B (zh) 一种基于线性判别邻域保持嵌入的故障分类方法
Ding et al. Deep Forest‐Based Fault Diagnosis Method for Chemical Process
CN111474476A (zh) 一种电机故障预测方法
CN110347138A (zh) 自适应核主元分析的化工过程故障诊断方法
CN110794814B (zh) 一种基于广义主成分的故障确定方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210302

RJ01 Rejection of invention patent application after publication