CN112651444B - 一种基于自学习的非平稳过程异常检测方法 - Google Patents
一种基于自学习的非平稳过程异常检测方法 Download PDFInfo
- Publication number
- CN112651444B CN112651444B CN202011585520.5A CN202011585520A CN112651444B CN 112651444 B CN112651444 B CN 112651444B CN 202011585520 A CN202011585520 A CN 202011585520A CN 112651444 B CN112651444 B CN 112651444B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- self
- variable
- learning
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 230000005654 stationary process Effects 0.000 title claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000005065 mining Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 17
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010978 in-process monitoring Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
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)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于自学习的非平稳过程异常检测方法,属于故障检测领域。随着现代工业过程的不断大型化、集成化、复杂化,实际的工业过程往往都是非平稳过程,即状态监测变量的统计特性会随着时间发生变化,而且二值变量也普遍存在于过程监测变量中,本发明针对连续变量和二值变量同时存在的情况下,构建能同时挖掘连续变量和二值变量信息的自学习特征权值混合朴素贝叶斯模型对非平稳过程进行异常检测。本发明与传统方法相比,在在线检测的同时通过自学习对模型参数进行调整,因其具有挖掘新采样数据所携带信息的能力,使其对非平稳过程的异常检测能力更强。
Description
技术领域
本发明属于故障诊断领域,具体涉及一种基于自学习的非平稳过程异常检测方法。
背景技术
随着现代工业过程的不断大型化、集成化、复杂化,实际的工业过程往往都是非平稳过程,即状态监测变量的统计特性会随着时间发生变化,而且二值变量也普遍存在于过程监测变量中。而目前同时包含连续变量和二值变量的异常监测方法还未存在自适应更新动态模型,传统方法对对非平稳过程的异常检测能力不够强,检测准确率低。
发明内容
为了解决上述问题,本发明提出了基于自学习的非平稳过程异常检测方法,针对连续变量和二值变量同时存在的情况下,构建能同时挖掘连续变量和二值变量信息的自学习特征权值混合朴素贝叶斯模型;在在线检测的同时通过自学习对模型参数进行调整,因其具有挖掘新采样数据所携带信息的能力,使其对非平稳过程的异常检测能力更强,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:
一种基于自学习的非平稳过程异常检测方法,采用自学习特征权值混合朴素贝叶斯模型对非平稳过程进行异常检测,包括如下两个阶段:
阶段一:离线建模,采集设备不同工况下运行历史数据进行模型训练,构建能同时挖掘连续变量和二值变量信息的自学习特征权值混合朴素贝叶斯模型;
阶段二:在线检测和模型参数更新,实时采集当前设备运行数据,进行在线故障检测,检测的同时通过自学习对模型参数进行调整。
优选地,阶段一具体步骤为:
1.1:对设备不同工况下运行数据进行采样,构建包含n个采样样本的历史数据集X=(Xi)1≤i≤n=[(X1)i,(X2)i]1≤i≤n,标签记为y,其中i表示采样时间,为X第i时刻的采样值,yi∈{1,2,...,K}为对应的标签值,和分别为连续变量和二值变量数据;
1.2:当xj∈X1时假设其服从高斯分布
其中,θj={μkj,σkj}为xj的参数向量,xj表示X1的第j个变量,k为yi的具体取值,P1(xj,θj|y=k)为连续变量的条件概率密度函数,μkj为第j个变量标签为k的所有历史数据的均值,σkj为第j个变量标签为k的所有历史数据的标准差;
1.3:当xj∈X2时假设其服从伯努利分布
其中,θj={ξkj}为参数向量,xj为X2的第j个变量,P2(xj,θj|y=k)为二值变量的条件概率,ξkj为第j个变量在k标签下的响应函数;
1.4:计算条件概率
1.5:计算特征权值
其中,CIj为xj的特征相关系数;
1.6:计算特征相关系数
其中,MI(xj,y)为xj和y的互信息,MI(xj,xj′)为xj和xj′的互信息;
1.7:计算所需的互信息
其中,P(xj,xj′)为xj和xj′的联合概率,P(xj)为xj的概率;
1.8:计算新采样数据Xsample的后验概率
其中,P(y=k)=pk为先验概率,可通过属于类别k的训练数据数除以总训练数据数得到;
优选地,阶段二具体步骤为:
2.1:记步骤1中的模型为t时刻模型,便于区分,记t时刻的条件概率为
2.2:记t时刻的后验概率为
2.4:对每一个k计算后验概率,最大后验概率为新采样数据的预测工况类别;
2.5:为了一般性,记t′时刻的条件概率为
2.6:因为步骤2.2中分母为常数,则新采样数据的标签为
假设t时刻到t′时刻新采样m个数据,则对t′时刻参数进行实时更新,t′=t+1;
2.7:当xj∈X1时,更新均值和方差
2.8:当xj∈X2时
2.9:更新先验概率
2.10:如果xj={x1j,...,xij,...,xnj}∈X1,构造辅助二值变量x′j={x′1j,...,x′ij,...,x′nj}
2.11:
2.12:计算
2.13:计算
其中,ε(xj)为xj的示性函数;
2.14:计算所需的互信息,如果xj,xj′∈X1按照下式进行修正
优选地,故障判断的准则为:若预测工况类别与正常数据标签相同,则认定为正常;若预测工况类别与故障数据标签一致,则认为发生故障。
本发明所带来的有益技术效果:
针对连续变量和二值变量同时存在的情况下,构建能同时挖掘连续变量和二值变量信息的自学习特征权值混合朴素贝叶斯模型;在在线检测的同时通过自学习能力对模型参数进行调整;具有挖掘新采样数据所携带信息的能力,对非平稳过程的异常检测能力更强。
附图说明
图1为本发明基于自学习特征权值混合朴素贝叶斯模型的异常检测方法的流程图;
图2为本发明实施例仿真研究结果图;其中,图(a)为故障误报率对比图,图(b)为故障检测率对比图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明。
本发明提出一种基于自学习的非平稳过程异常检测方法,流程图如图1所示,采用自学习特征权值混合朴素贝叶斯模型对非平稳过程进行异常检测,包括如下两个阶段:
阶段一:离线建模,采集设备不同工况下运行历史数据进行模型训练,构建能同时挖掘连续变量和二值变量信息的自学习特征权值混合朴素贝叶斯模型;
具体步骤为:
步骤1.1:对设备不同工况下运行数据进行采样,构建包含n个采样样本的历史数据集X=(Xi)1≤i≤n=[(X1)i,(X2)i]1≤i≤n,标签记为y,其中i表示采样时间,为X第i时刻的采样值,yi∈{1,2,...,K}为对应的标签值,和分别为连续变量和二值变量数据;
步骤1.2:当xj∈X1时假设其服从高斯分布
其中,θj={μkj,σkj}为xj的参数向量,xj表示X1的第j个变量,k为yi的具体取值,P1(xj,θj|y=k)为连续变量的条件概率密度函数,μkj为第j个变量标签为k的所有历史数据的均值,σkj为第j个变量标签为k的所有历史数据的标准差;
步骤1.3:当xj∈X2时假设其服从伯努利分布
其中,θj={ξkj}为参数向量,xj为X2的第j个变量,P2(xj,θj|y=k)为二值变量的条件概率,ξkj为第j个变量在k标签下的响应函数;
步骤1.4:计算条件概率
步骤1.5:计算特征权值
其中,CIj为xj的特征相关系数;
步骤1.6:计算特征相关系数
其中,MI(xj,y)为xj和y的互信息,MI(xj,xj′)为xj和xj′的互信息;
步骤1.7:计算所需的互信息
其中,P(xj,xj′)为xj和xj′的联合概率,P(xj)为xj的概率;
步骤1.8:计算新采样数据Xsample的后验概率
其中,P(y=k)=pk为先验概率,可通过属于类别k的训练数据数除以总训练数据数得到;
阶段二:在线检测和模型参数更新,实时采集当前设备运行数据,进行在线故障检测,检测的同时通过自学习对模型参数进行调整。
具体步骤为:
步骤2.1:记步骤1中的模型为t时刻模型,便于区分,记t时刻的条件概率为
步骤2.2:记t时刻的后验概率为
步骤2.4:对每一个k计算后验概率,最大后验概率为新采样数据的预测工况类别;
步骤2.5:为了一般性,记t′时刻的条件概率为
步骤2.6:因为步骤2.2中分母为常数,则新采样数据的标签为
假设t时刻到t′时刻新采样m个数据,则对t′时刻参数进行更新,采取实时更新策略,即t′=t+1;
步骤2.7:当xj∈X1时,更新均值和方差
步骤2.8:当xj∈X2时
步骤2.9:更新先验概率
步骤2.10:如果xj={x1j,…,xij,...,xnj}∈X1,构造辅助二值变量x′j={x′1j,...,x′ij,…,x′nj}
步骤2.11:
步骤2.12:计算
步骤2.13:计算
其中,ε(xj)为xj的示性函数;
步骤2.14:计算所需的互信息,如果xj,xj′∈X1按照下式进行修正
故障判断的准则为:若预测工况类别与正常数据标签相同,则认定为正常;若预测工况类别与故障数据标签一致,则认为发生故障。
为验证本发明的可行性,进行仿真实验。仿真实例包含10个变量,其中5个连续变量,5个二值变量。连续变量的均值随时间漂移并带有高斯噪声,连续变量的表达式如表1,时间t在正常工况和异常工况分别取0到20,不同工况均匀采样2000次,漂移系数和高斯噪声如表2所示。二值变量在不同工况下的数值如表3所示。为了适应更一般的情况,对不同工况下二值变量进行随机数值翻转,调整比例如表3所示。各工况的前一半数据作为训练数据,剩下的作为测试数据。
表1连续变量表达式
表2连续变量参数
表3连续变量标准差
分别对GNBM、BNBM、MHNBM、FWMNBM和LS-FWMNBM模型方法按照参数进行30次试验,GNBM表示高斯朴素贝叶斯模型,其仅使用连续变量信息;BNBM表示伯努利素贝叶斯模型,其仅使用二值变量信息;MHNBM、FWMNBM和LS-FWMNBM分别表示混合隐朴素贝叶斯模型、特征权值混合朴素贝叶斯模型和本发明的自学习特征权值混合朴素贝叶斯模型,MHNBM、FWMNBM和LS-FWMNBM均使用连续变量和二值变量信息。各方法对测试数据故障误报率的对比试验结果如图2(a)所示,GNBM仅使用连续变量信息,BNBM仅使用二值变量信息,MHNBM、FWMNBM和LS-FWMNBM均使用连续变量和二值变量信息,与MHNBM、FWMNBM相比,LS-FWMNBM方法在在线检测阶段也同时对通过自学习对模型参数进行更新,故障误报率最低。各方法对测试数据故障检测率的对比试验结果如图2(b)所示,与GNBM和BNBM,其他方法因为可以同时利用连续变量和二值变量的信息而具有更好的检测性能,与MHNBM、FWMNBM相比,LS-FWMNBM因为能对模型进行实时更新故障检测率最高,对非平稳过程具有更好的性能。
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 (2)
1.一种基于自学习的非平稳过程异常检测方法,其特征在于,采用自学习特征权值混合朴素贝叶斯模型对非平稳过程进行异常检测,包括如下两个阶段:
阶段一:离线建模,采集设备不同工况下运行历史数据进行模型训练,构建能同时挖掘连续变量和二值变量信息的自学习特征权值混合朴素贝叶斯模型;
阶段二:在线检测和模型参数更新,实时采集当前设备运行数据,进行在线故障检测,检测的同时通过自学习对模型参数进行调整;
所述阶段一具体步骤为:
1.1:对设备不同工况下运行数据进行采样,构建包含n个采样样本的历史数据集X=(Xi)1≤i≤n=[(X1)i,(X2)i]1≤i≤n,标签记为y,其中i表示采样时间,为X第i时刻的采样值,yi∈{1,2,...,K}为对应的标签值,和分别为连续变量和二值变量数据;
1.2:当xj∈X1时假设其服从高斯分布
其中,θj={μkj,σkj}为xj的参数向量,xj表示X1的第j个变量,k为yi的具体取值,P1(xj,θj|y=k)为连续变量的条件概率密度函数,μkj为第j个变量标签为k的所有历史数据的均值,σkj为第j个变量标签为k的所有历史数据的标准差;
1.3:当xj∈X2时假设其服从伯努利分布
其中,θj={ξkj}为参数向量,xj为X2的第j个变量,P2(xj,θj|y=k)为二值变量的条件概率,ξkj为第j个变量在k标签下的响应函数;
1.4:计算条件概率
1.5:计算特征权值
其中,CIj为xj的特征相关系数;
1.6:计算特征相关系数
其中,MI(xj,y)为xj和y的互信息,MI(xj,xj′)为xj和xj′的互信息;
1.7:计算所需的互信息
其中,P(xj,xj′)为xj和xj′的联合概率,P(xj)为xj的概率;
1.8:计算新采样数据Xsample的后验概率
其中,P(y=k)=pk为先验概率,可通过属于类别k的训练数据数除以总训练数据数得到;
所述阶段二具体步骤为:
2.1:记步骤1中的模型为t时刻模型,便于区分,记t时刻的条件概率为
2.2:记t时刻的后验概率为
2.4:对每一个k计算后验概率,最大后验概率为新采样数据的预测工况类别;
2.5:为了一般性,记t′时刻的条件概率为
2.6:因为步骤2.2中分母为常数,则新采样数据的标签为
假设t时刻到t′时刻新采样m个数据,则对t′时刻参数进行实时更新,t′=t+1;
2.7:当xj∈X1时,更新均值和方差
2.8:当xj∈X2时
2.9:更新先验概率
2.10:如果xj={x1j,...,xij,...,xnj}∈X1,构造辅助二值变量x′j={x′1j,...,x′ij,...,x′nj}
2.11:
2.12:计算
2.13:计算
其中,ε(xj)为xj的示性函数;
2.14:计算所需的互信息,如果xj,xj′∈X1按照下式进行修正
2.根据权利要求1所述的一种基于自学习的非平稳过程异常检测方法,其特征在于,故障判断的准则为:若预测工况类别与正常数据标签相同,则认定为正常;若预测工况类别与故障数据标签一致,则认为发生故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011585520.5A CN112651444B (zh) | 2020-12-29 | 2020-12-29 | 一种基于自学习的非平稳过程异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011585520.5A CN112651444B (zh) | 2020-12-29 | 2020-12-29 | 一种基于自学习的非平稳过程异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651444A CN112651444A (zh) | 2021-04-13 |
CN112651444B true CN112651444B (zh) | 2022-08-02 |
Family
ID=75363716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011585520.5A Active CN112651444B (zh) | 2020-12-29 | 2020-12-29 | 一种基于自学习的非平稳过程异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651444B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113885371B (zh) * | 2021-09-18 | 2024-01-19 | 山东科技大学 | 一种基于健康状态数据的混合变量过程监测方法 |
CN114474150B (zh) * | 2021-12-31 | 2024-07-09 | 苏州通标检测科技有限公司 | 七轴机器人的稳定性测试方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105425777A (zh) * | 2015-12-11 | 2016-03-23 | 渤海大学 | 一种基于主动学习的化工过程故障监控方法 |
EP3312765A1 (en) * | 2016-10-21 | 2018-04-25 | Tata Consultancy Services Limited | Anomaly detection by self-learning of sensor signals |
CN108023876A (zh) * | 2017-11-20 | 2018-05-11 | 西安电子科技大学 | 基于可持续性集成学习的入侵检测方法及入侵检测系统 |
CN110110792A (zh) * | 2019-05-09 | 2019-08-09 | 南京大学 | 一种基于增量学习的多标签数据流分类方法 |
CN111208793A (zh) * | 2020-02-20 | 2020-05-29 | 浙江大学 | 基于慢特征分析的非平稳工业过程的状态监测方法 |
CN111414943A (zh) * | 2020-03-11 | 2020-07-14 | 山东科技大学 | 一种基于混合隐朴素贝叶斯模型的异常检测方法 |
CN111723519A (zh) * | 2020-05-29 | 2020-09-29 | 国网四川省电力公司电力科学研究院 | 基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法 |
CN112131516A (zh) * | 2020-09-01 | 2020-12-25 | 山东科技大学 | 一种基于特征权值混合朴素贝叶斯模型的异常检测方法 |
-
2020
- 2020-12-29 CN CN202011585520.5A patent/CN112651444B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105425777A (zh) * | 2015-12-11 | 2016-03-23 | 渤海大学 | 一种基于主动学习的化工过程故障监控方法 |
EP3312765A1 (en) * | 2016-10-21 | 2018-04-25 | Tata Consultancy Services Limited | Anomaly detection by self-learning of sensor signals |
CN108023876A (zh) * | 2017-11-20 | 2018-05-11 | 西安电子科技大学 | 基于可持续性集成学习的入侵检测方法及入侵检测系统 |
CN110110792A (zh) * | 2019-05-09 | 2019-08-09 | 南京大学 | 一种基于增量学习的多标签数据流分类方法 |
CN111208793A (zh) * | 2020-02-20 | 2020-05-29 | 浙江大学 | 基于慢特征分析的非平稳工业过程的状态监测方法 |
CN111414943A (zh) * | 2020-03-11 | 2020-07-14 | 山东科技大学 | 一种基于混合隐朴素贝叶斯模型的异常检测方法 |
CN111723519A (zh) * | 2020-05-29 | 2020-09-29 | 国网四川省电力公司电力科学研究院 | 基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法 |
CN112131516A (zh) * | 2020-09-01 | 2020-12-25 | 山东科技大学 | 一种基于特征权值混合朴素贝叶斯模型的异常检测方法 |
Non-Patent Citations (2)
Title |
---|
Anomaly detection in the fan system of a thermal power plant monitored by;Min Wang,Donghua Zhou,Maoyin Chen,Yanwen Wang;《Control Engineering Practice》;20200630;全文 * |
一种基于贝叶斯后验的异常值在线检测及置信度评估算法;孙栓柱,宋蓓,李春岩,王皓;《中国科学技术大学学报》;20170831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112651444A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN111444953B (zh) | 一种基于改进粒子群优化算法的传感器故障监测方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
CN112651444B (zh) | 一种基于自学习的非平稳过程异常检测方法 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN108038044A (zh) | 一种面向连续被监测对象的异常检测方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
Wang et al. | Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN115407753B (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
CN116852665A (zh) | 一种基于混合模型的注塑工艺参数智能调节方法 | |
CN111368428A (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN114897103A (zh) | 一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法 | |
Lee et al. | In-line predictive monitoring framework | |
CN112131516B (zh) | 一种基于特征权值混合朴素贝叶斯模型的异常检测方法 | |
CN108282360B (zh) | 一种长短期预测融合的故障检测方法 | |
CN118188342A (zh) | 一种面向风机的故障预警与寿命预测方法 | |
CN116258087B (zh) | 冰铜品位软测量方法、装置、电子设备及存储介质 | |
CN116834977A (zh) | 一种卫星轨道数据的范围控制方法 | |
CN113885371B (zh) | 一种基于健康状态数据的混合变量过程监测方法 | |
CN112231849B (zh) | 基于nest和sprt融合算法的轴温故障检测方法 | |
CN114692738A (zh) | 一种轻量级实时时间序列异常检测方法 |
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 |