CN113325811B - 一种基于记忆与遗忘策略的工业过程异常在线检测方法 - Google Patents
一种基于记忆与遗忘策略的工业过程异常在线检测方法 Download PDFInfo
- Publication number
- CN113325811B CN113325811B CN202110550133.6A CN202110550133A CN113325811B CN 113325811 B CN113325811 B CN 113325811B CN 202110550133 A CN202110550133 A CN 202110550133A CN 113325811 B CN113325811 B CN 113325811B
- Authority
- CN
- China
- Prior art keywords
- sequence
- point
- detected
- time sequence
- time
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34465—Safety, control of correct operation, abnormal states
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明涉及一种基于记忆与遗忘策略的工业过程异常在线检测方法。本发明利用传感器不断的在线采集铁水中的硅含量,并将它作为过程变量进行在线检测,将在线获取的硅含量的时间序列生成待检测序列,并对待检测序列上的采样点进行处理。当检测到满足约束条件下的异常时刻及其对应的采样点,则该采样点被视为第一次状态异常点。然后对该状态异常点进行选择性记忆,同时有意遗忘该状态异常点之前的采样点。随着不断的在线采集过程变量序列,重复以上过程,进而可在线检测到过程变量中的多个状态异常点。本发明将采集的铁水里的硅含量作为过程变量进行在线检测,不需要设备停机,可以在线检测到过程变量中的多个状态异常点,能及时发现设备的故障。
Description
技术领域
本发明涉及一种基于记忆与遗忘策略的工业过程异常在线检测方法,属于流程工业检测技术领域。
背景技术
高炉炼铁是冶金工业生产中的重要环节,是世界上能耗最高的工业过程之一,在线检测系统能够及时的监测到系统过程变量状态的异常,这对降低系统能耗和避免过程损失是非常必要的。高炉炼铁的具体流程为:在实际生产过程中,焦炭和铁矿石等原始材料从顶部装入炉内,从风口鼓入由热风炉加热到1000~1300℃的热风,炉料中焦炭在风口前燃烧,产生高温和还原性气体,在炉内上升过程中加热缓慢下降的物料,并还原铁矿石中的氧化物为金属铁,未被还原的物质形成熔渣,实现渣铁分离,渣铁聚集于炉缸内,发生诸多反应,最后定期从炉内排出炉渣和铁水。铁水中的硅含量是评价高炉炼铁过程能耗最重要的指标之一,以铁水中的硅含量作为过程变量进行在线检测,进而确定该工业过程状态是否异常。铁水中硅含量的控制精确与否,决定反应过程中的能耗以及铁的质量,硅含量过高会使能耗增加,成本也会增大,而硅含量过低又容易发生炉凉事故,影响铁水质量,因此针对硅含量的在线检测对于高炉炼铁过程是十分必要的。
目前,对流程工业过程变量异常状态进行检测的方法大多数是离线的,这就需要设备停机才能进行,而不少重要的生产设备不能轻易的停止运行,这些方法的检测间隔周期较长,不能及时发现故障,影响诊断的正确性。此外,适用于单个状态异常点离线检测的Mann-Kendall方法可有效的避免已知参数的初始分布或者信号的模型结构等问题,但是在实际情况下,过程变量的在线采样序列必然会存在多个状态异常点而不仅仅是一个状态异常点,于是原始的Mann-Kendall方法就无法直接使用。
为了对流程工业过程变量异常状态进行更有效的在线检测,基于记忆与遗忘策略以及原始的Mann-Kendall方法,提出一种基于记忆与遗忘策略的流程工业过程变量异常状态在线检测方法。在制定的约束条件下可在线检测到异常时刻及其对应的采样点,同时将该采样点视为第一次状态异常点,然后对该状态异常点进行选择性记忆,同时有意遗忘该状态异常点之前的采样点。随着在线时间序列的不断延伸,达到在线检测多个状态异常点的目的。
发明内容
本发明的目的是提出一种基于记忆与遗忘策略的工业过程异常在线检测方法,利用传感器不断的在线采集铁水中的硅含量,并将它作为过程变量进行在线检测。将在线获取的硅含量的时间序列生成待检测序列,基于记忆与遗忘策略以及原始的Mann-Kendall方法,对待检测序列上的采样点进行处理。当检测到满足约束条件下的异常时刻及其对应的采样点,则该采样点被视为第一次状态异常点。然后对该状态异常点进行选择性记忆,同时有意遗忘该状态异常点之前的采样点。随着不断的在线采集过程变量序列,重复以上过程,进而可检测到过程变量中存在的多个状态异常点。由此建立基于记忆与遗忘策略的工业过程异常在线检测方法。
本发明包括以下各步骤:
(1)高炉炼铁是冶金工业生产中的重要环节,铁水中的硅含量是评价该工业过程能耗最重要的指标之一,以铁水中的硅含量作为过程变量进行在线检测,进而确定工业过程状态是否异常,设定铁水中的硅含量为x,范围为0%~1.5%;
(2)设定传感器在线采集的铁水中的硅含量x的时间序列为x(t),t=1,2,…,T,随着传感器不断的进行在线采集,得到的x(t)的序列长度T不断增加,以采样点x(1)作为x(t)的在线时间序列的起点,以采样点x(T)作为x(t)的在线时间序列的终点,则随着传感器的每一次在线采集,都可以得到x(t)的待检测序列X=[x(1),x(2),…,x(T)];
(3)对于待检测序列X上的采样点x(i),i∈[1,T],有
其中
秩序列Sk是第i个时刻数值大于j时刻数值个数的累计数;
(4)设定时间序列x(t)独立同分布,可定义如下统计量为
均值和方差分别为
UBk=-UFk,k=n,n-1,...,1 UB1=0 (5)
(7)给定±U1-α/2为临界值,临界值±U1-α/2为标准正态分布的(1-α/2)分位数,α是给定的显著性水平,一般取α=0.05,计算可以得到α/2=0.025,1-α/2=0.975,查找标准正态分布z值表上与0.975最接近的数值,然后找到标准正态分布表上此数值对应的横纵坐标分别为1.9和0.06,相加可以得到临界值|U1-a/2|=1.96;
(8)对统计量序列曲线UFk、UBk和临界值±U1-α/2之间的关系进行判定:
(8-1)统计量序列曲线UBk第一次进入临界值±U1-α/2范围内,且UFk和UBk两条统计量序列曲线在临界值±U1-α/2之间立刻出现交点时,则该交点为时间序列x(t)上的状态异常点;
(8-2)UFk和UBk两条统计量序列曲线在临界值±U1-α/2之间没有交点时,说明此待检测序列X上没有状态异常点,则传感器继续不断的进行在线采集,x(t)的待检测序列X=[x(1),x(2),…,x(T)]的长度T不断增加,直到满足步骤(8-1)中的要求时,待检测序列X的长度停止增加,该交点即为时间序列x(t)上的状态异常点;
(9)将步骤(8)中得到的交点记为时间序列x(t)上的第一次状态异常点,基于记忆与遗忘策略,将该状态异常点记为时间序列x(t)的新起点x(1),同时遗忘该状态异常点之前的采样点,随着T的不断增加,重复步骤(2)~步骤(8),若时间序列x(t)中存在多个状态异常点,则可以找到时间序列x(t)的下一次状态异常点。
本发明的有益效果:本发明将采集的铁水里的硅含量作为过程变量进行在线检测,不需要设备停机,可以在线检测到过程变量中的多个状态异常点,能及时发现设备的故障,且检测每个状态异常点用到的数据量较少,计算简便,检测的正确性比较高。根据本发明方法编制的程序(编译环境Matlab)可以在监测计算机上运行,并联合传感器、数据采集器等硬件组成在线检测系统,配置在高炉炼铁环境中,从而实现流程工业过程变量异常状态在线检测。
附图说明
图1是本发明方法的流程框图;
图2是本发明方法的在线时间序列x(t)的Mann-Kendall统计曲线。
具体实施方式
本发明提出的一种基于记忆与遗忘策略的工业过程异常在线检测方法,将铁水中的硅含量作为过程变量进行在线检测,得到传感器在线采集的铁水中的硅含量的待检测序列;计算每个待检测序列的秩序列,设定时间序列独立同分布,结合均值和方差,进而得到时间序列的统计量;将时间序列逆序排列,得到待检测序列,重复上述步骤,可以得到逆序排列的时间序列的统计量;查找标准正态分布z值表,得到临界值直线,对上述两条统计量序列曲线和临界值直线之间的关系进行判定:当统计量序列曲线第一次进入临界值直线范围内,且两条统计量序列曲线在临界值直线之间立刻出现交点时,待检测序列的长度停止增加,将出现的交点记为第一次状态异常点;然后对该状态异常点进行选择性记忆,同时有意遗忘该状态异常点之前的采样点。随着不断的在线采集过程变量序列,重复以上过程,进而可检测到过程变量中存在的多个状态异常点。由此建立基于记忆与遗忘策略的工业过程异常在线检测方法。
本发明提出的一种基于记忆与遗忘策略的工业过程异常在线检测方法,其流程图如图1所示,包括以下各步骤:
(1)高炉炼铁是冶金工业生产中的重要环节,铁水中的硅含量是评价该工业过程能耗最重要的指标之一,以铁水中的硅含量作为过程变量进行在线检测,进而确定工业过程状态是否异常,设定铁水中的硅含量为x,范围为0%~1.5%;
(2)设定传感器在线采集的铁水中的硅含量x的时间序列为x(t),t=1,2,…,T,随着传感器不断的进行在线采集,得到的x(t)的序列长度T不断增加,以采样点x(1)作为x(t)的在线时间序列的起点,以采样点x(T)作为x(t)的在线时间序列的终点,则随着传感器的每一次在线采集,都可以得到x(t)的待检测序列X=[x(1),x(2),…,x(T)];
为了便于对待检测序列X的理解,这里举例说明。以在线采集到的高炉炼铁中的10个硅含量数据为例,10个数据分别为:0.9,0.82,0.54,0.7,1.06,1.14,1.31,1.24,0.99,0.68,当t=1时,待检测序列X=[0.9],当t=2时,待检测序列X=[0.9,0.82],每个待检测序列X的第一个采样点都是0.9,随着传感器不断的进行在线采集,待检测序列X的长度T不断增加,以此类推,当t=10时,待检测序列X=[0.9,0.82,0.54,0.7,1.06,1.14,1.31,1.24,0.99,0.68]。
(3)对于待检测序列X上的采样点x(i),i∈[1,T],有
其中
秩序列Sk是第i个时刻数值大于j时刻数值个数的累计数;
为了便于对步骤(3)中公式的理解,这里举例说明。将步骤(2)中得到的10个待检测序列X经过计算可得到10个待检测序列X对应的10个秩序列Sk的数值分别为:0,0,0,1,5,10,16,22,26,27。
(4)设定时间序列x(t)独立同分布,可定义如下统计量为
均值和方差分别为
为了便于对步骤(4)中公式的理解,这里举例说明。利用步骤(3)中得到的10个秩序列Sk的数值,计算可得到统计量UFk的10个数值分别为:0,-1,-1.5667,-1.3587,0,0.9393,1.6521,1.9795,1.6681,0.805,均值E(Sk)为:22.5,方差Var(Sk)为31.25,正序计算结束。
为了便于对待检测序列的理解,这里举例说明。将步骤(2)中的10个硅含量数据逆序排列为:0.68,0.99,1.24,1.31,1.14,1.06,0.7,0.54,0.82,0.9,当t=1时,待检测序列当t=2时,待检测序列每个待检测序列的第一个采样点都是0.68,随着传感器不断的进行在线采集,待检测序列的长度T不断增加,以此类推,当t=10时,待检测序列
UBk=-UFk,k=n,n-1,...,1 UB1=0 (5)
为了便于对步骤(6)中公式的理解,这里举例说明。将步骤(5)中得到的10个待检测序列经过计算可得到10个待检测序列对应的10个秩序列Sk2的数值分别为:0,1,2,3,2,2,1,0,3,4。利用这10个秩序列Sk2的数值,计算可得到统计量UBk的10个数值分别为:0,1,1.5667,1.3857,0,-0.9393,-1.6521,-1.9795,-1.6681,-0.805,均值E(Sk)为:22.5,方差Var(Sk)为31.25,逆序计算结束。
(7)给定±U1-α/2为临界值,临界值±U1-α/2为标准正态分布的(1-α/2)分位数,α是给定的显著性水平,一般取α=0.05,计算可以得到α/2=0.025,1-α/2=0.975,查找标准正态分布z值表上与0.975最接近的数值,然后找到标准正态分布表上此数值对应的横纵坐标分别为1.9和0.06,相加可以得到临界值|U1-a/2|=1.96;
为了便于对临界值±U1-α/2的理解,这里举例说明。取±U1-α/2为临界值,一般取α=0.05,因为α=0.05的意思是出错的概率为5%,则结果有效的概率为95%,也就是说可信部分的数据在正态分布上所占面积为总面积的95%,根据正态分布图形的对称性,正负所占面积各为47.5%,即在正负区间数据正确性的概率为47.5%,查找标准正态分布z值表可得|U1-α/2|为1.96。
(8)对统计量序列曲线UFk、UBk和临界值±U1-α/2之间的关系进行判定:
(8-1)统计量序列曲线UBk第一次进入临界值±U1-α/2范围内,且UFk和UBk两条统计量序列曲线在临界值±U1-α/2之间立刻出现交点时,则该交点为时间序列x(t)上的状态异常点;
(8-2)UFk和UBk两条统计量序列曲线在临界值±U1-α/2之间没有交点时,说明此待检测序列X上没有状态异常点,则传感器继续不断的进行在线采集,x(t)的待检测序列X=[x(1),x(2),…,x(T)]的长度T不断增加,直到满足步骤(8-1)中的要求时,待检测序列X的长度停止增加,该交点即为时间序列x(t)上的状态异常点;
为了加深对步骤(8)的理解,这里举例说明。对步骤(4)中得到的统计量序列曲线UFk、步骤(6)中得到的统计量序列曲线UBk和步骤(7)得到的临界值直线±1.96之间的关系进行判定,可以发现,当待检测序列X的长度增加到182时,即X=[0.9,0.82,…,0.96],统计量序列曲线UBk第一次进入临界值直线±1.96范围内,且UFk和UBk两条统计量序列曲线在临界值直线±1.96之间相交于采样时刻T=172,x(172)即为时间序列x(t)上的第一次状态异常点。
(9)将步骤(8)中得到的交点记为时间序列x(t)上的第一次状态异常点,基于记忆与遗忘策略,将该状态异常点记为时间序列x(t)的新起点x(1),同时遗忘该状态异常点之前的采样点,随着T的不断增加,重复步骤(2)~步骤(8),若时间序列x(t)中存在多个状态异常点,则可以找到时间序列x(t)的下一次状态异常点。
为了加深对步骤(9)的理解,这里举例说明。将步骤(8)中得到的交点x(172)记为时间序列x(t)上的第一次状态异常点,同时基于记忆与遗忘策略,将x(172)状态异常点记为时间序列x(t)的新起点x(1),遗忘x(172)之前的采样点,随着T的不断增加,重复步骤(2)~步骤(8),则可以找到时间序列x(t)的下一个状态异常点为x(336)。
以下结合附图,详细介绍本发明方法的实施例:
本发明方法的流程图如图1所示,核心部分是:利用传感器在线采集的铁水中的硅含量作为过程变量进行在线检测,得到传感器在线采集的铁水中的硅含量的待检测序列;计算每个待检测序列的秩序列,设定时间序列独立同分布,结合均值和方差,进而得到时间序列的统计量;将时间序列逆序排列,重复上述步骤,可以得到另一个新的统计量;查找标准正态分布z值表,得到临界值直线,将上述两条统计量曲线和临界值直线均标记在一张图上;当统计量曲线第一次进入临界值直线范围之后,两条统计量曲线在临界值直线之间出现交点时,将出现的交点记为第一次状态异常点;然后对该状态异常点进行选择性记忆,同时有意遗忘该状态异常点之前的采样点,将该状态异常点作为时间序列的新起点重复上述步骤找到下一次状态异常点。
以下结合高炉炼铁过程中铁水里的硅含量x的时间序列x(t),给出最佳实施例,详细介绍本发明方法的各个步骤。
1、实验数据的采集及预处理。
将传感器在线采集到的高炉炼铁过程中铁水里的硅含量作为过程变量进行在线检测,设定铁水里的硅含量为x,范围为0%~1.5%。利用本发明方法步骤(2),设定传感器在线采集的铁水中的硅含量x的时间序列为x(t),t=1,2,…,T,随着传感器不断的进行在线采集,待检测序列X的长度T不断增加,以采样点x(1)作为x(t)的在线时间序列的起点,以采样点x(T)作为x(t)的在线时间序列的终点,当t=1时,待检测序列X=[x(1)],当t=2时,待检测序列X=[x(1),x(2)],每个待检测序列X的第一个采样点都是x(1),随着传感器的每一次在线采集,当t=T时,待检测序列X=[x(1),x(2),…,x(T)]。
传感器在线采集到182个硅含量数据,182个数据分别为:0.9,0.82,…,0.96,当t=1时,待检测序列X=[0.9],当t=2时,待检测序列X=[0.9,0.82],每个待检测序列X的第一个采样点都是0.9,随着传感器不断的进行在线采集,待检测序列X的长度T不断增加,以此类推,当t=182时,待检测序列X=[0.9,0.82,…,0.96]。
2、对待检测序列X的处理。
将本发明方法步骤(2)中得到的182个待检测序列X经过计算可得到182个对应的秩序列Sk的数值分别为:0,0,…,4321,设定时间序列x(t)独立同分布,利用本发明方法步骤(3)中得到的182个秩序列Sk的数值,计算可得到统计量UFk的182个数值分别为:0,-1,…,3.4069,均值E(Sk)为:8235.5,方差Var(Sk)为168827.75,正序计算结束。
将本发明方法步骤(2)中的182个硅含量数据逆序排列为:0.96,0.89,…,0.9,当t=1时,待检测序列当t=2时,待检测序列每个待检测序列的第一个采样点都是0.96,随着传感器不断的进行在线采集,待检测序列的长度T不断增加,以此类推,当t=182时,待检测序列
将本发明方法步骤(5)中得到的182个待检测序列经过计算可得到182个对应的秩序列Sk2的数值分别为:0,1,…,27。利用这182个秩序列Sk2的数值,计算可得到统计量UBk的182个数值分别为:0,1,…,-3.4069,均值E(Sk)为:8235.5,方差Var(Sk)为168827.75,逆序计算结束。
4、对统计量UFk和统计量UBk的处理。
取±U1-α/2为临界值,临界值±U1-α/2为标准正态分布的(1-α/2)分位数,α是给定的显著性水平,一般取α=0.05,因为α=0.05的意思是出错的概率为5%,则结果有效的概率为95%,也就是说可信部分的数据在正态分布上所占面积为总面积的95%,根据正态分布图形的对称性,正负所占面积各为47.5%,即在正负区间数据正确性的概率为47.5%,计算可以得到α/2=0.025,1-α/2=0.975,查找标准正态分布z值表上与0.975最接近的数值,然后找到标准正态分布表上此数值对应的横纵坐标分别为1.9和0.06,相加可以得到临界值|U1-α/2|=1.96。
对统计量序列曲线UFk、UBk和临界值直线±1.96之间的关系进行判定:当统计量序列曲线UBk第一次进入临界值直线±1.96范围内,且UFk和UBk两条统计量序列曲线在临界值直线±1.96之间立刻出现交点时,则该交点为待检测序列X上的状态异常点,即为时间序列x(t)上的状态异常点,可以发现,当待检测序列X的长度增加到182时,即X=[0.9,0.82,…,0.96],统计量序列曲线UBk第一次进入临界值直线±1.96范围内,且UFk和UBk两条统计量序列曲线在临界值直线±1.96之间相交于采样时刻T=172,该交点即为时间序列x(t)上的第一次状态异常点,见图2。
5、根据记忆与遗忘策略找出下一次状态异常点。
将本发明方法步骤(8)中得到的交点x(172)记为时间序列x(t)上的第一次状态异常点,基于记忆与遗忘策略,将x(172)记为时间序列x(t)的新起点x(1),同时遗忘x(172)之前的采样点,随着T的不断增加,重复本发明方法步骤(2)~步骤(8),则可以找到时间序列x(t)的下一个状态异常点为x(336)。若时间序列x(t)中存在多个状态异常点,重复本发明方法步骤(2)~步骤(8),则可以找到时间序列x(t)的下一次状态异常点。
Claims (1)
1.一种基于记忆与遗忘策略的工业过程异常在线检测方法,其特征在于该方法包括以下步骤:
(1)以高炉炼铁中铁水中的硅含量作为过程变量进行在线检测,进而确定工业过程状态是否异常,设定铁水中的硅含量为x,范围为0%~1.5%;
(2)设定传感器在线采集的铁水中的硅含量x的时间序列为x(t),t=1,2,…,T,随着传感器不断的进行在线采集,得到的x(t)的序列长度T不断增加,以采样点x(1)作为x(t)的在线时间序列的起点,以采样点x(T)作为x(t)的在线时间序列的终点,则随着传感器的每一次在线采集,都能得到x(t)的待检测序列X=[x(1),x(2),…,x(T)];
(3)对于待检测序列X上的采样点x(i),i∈[1,T],有
其中
秩序列Sk是第i个时刻数值大于j时刻数值个数的累计数;
(4)设定时间序列x(t)独立同分布,定义如下统计量序列为
均值和方差分别为
UBk=-UFk,k=n,n-1,...,1 UB1=0 (5)
(7)给定±U1-α/2为临界值,临界值±U1-α/2为标准正态分布的(1-α/2)分位数,α是给定的显著性水平,取α=0.05,得到α/2=0.025,1-α/2=0.975,查找标准正态分布z值表上与0.975最接近的数值,然后找到标准正态分布表上此数值对应的横纵坐标分别为1.9和0.06,相加可以得到临界值|U1-a/2|=1.96;
(8)对统计量序列UFk、UBk曲线和临界值±U1-α/2之间的关系进行判定:
(8-1)统计量序列UBk曲线第一次进入临界值±U1-α/2范围内,且UFk和UBk两条统计量序列曲线在临界值±U1-α/2之间立刻出现交点时,则该交点为时间序列x(t)上的状态异常点;
(8-2)UFk和UBk两条统计量序列曲线在临界值±U1-α/2之间没有交点时,说明此待检测序列X上没有状态异常点,则传感器继续不断的进行在线采集,x(t)的待检测序列X=[x(1),x(2),…,x(T)]的长度T不断增加,直到满足步骤(8-1)中的要求时,待检测序列X的长度停止增加,该交点即为时间序列x(t)上的状态异常点;
(9)将步骤(8)中得到的交点记为时间序列x(t)上的第一次状态异常点,基于记忆与遗忘策略,将该状态异常点记为时间序列x(t)的新起点x(1),同时遗忘该状态异常点之前的采样点,随着T的不断增加,重复步骤(2)~步骤(8),若时间序列x(t)中存在多个状态异常点,则能找到时间序列x(t)的下一次状态异常点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110550133.6A CN113325811B (zh) | 2021-05-20 | 2021-05-20 | 一种基于记忆与遗忘策略的工业过程异常在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110550133.6A CN113325811B (zh) | 2021-05-20 | 2021-05-20 | 一种基于记忆与遗忘策略的工业过程异常在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113325811A CN113325811A (zh) | 2021-08-31 |
CN113325811B true CN113325811B (zh) | 2022-03-22 |
Family
ID=77416066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110550133.6A Active CN113325811B (zh) | 2021-05-20 | 2021-05-20 | 一种基于记忆与遗忘策略的工业过程异常在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113325811B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122370A (zh) * | 2011-03-07 | 2011-07-13 | 北京师范大学 | 一种流域气候变化预测及趋势分析方法 |
US9928672B2 (en) * | 2013-12-05 | 2018-03-27 | Wallflower Labs Inc. | System and method of monitoring and controlling appliances and powered devices using radio-enabled proximity sensing |
CN105354415A (zh) * | 2015-10-26 | 2016-02-24 | 江西省水利科学研究院 | 一种湖泊生态系统稳态转换突变的分析方法 |
CN107290962B (zh) * | 2017-07-13 | 2019-05-21 | 东北大学 | 一种基于自适应阈值pls的高炉铁水质量监测方法 |
CN107463781B (zh) * | 2017-08-10 | 2020-02-21 | 中南大学 | 用于高炉铁水硅含量预测模型的数据约简处理方法及装置 |
CN108764517B (zh) * | 2018-04-08 | 2020-12-04 | 中南大学 | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 |
CN110400007A (zh) * | 2019-07-05 | 2019-11-01 | 浙江大学 | 基于改进门控循环神经网络的铁水质量预报方法 |
CN111444942B (zh) * | 2020-03-11 | 2021-02-19 | 中南大学 | 一种高炉铁水硅含量智能预报方法及系统 |
-
2021
- 2021-05-20 CN CN202110550133.6A patent/CN113325811B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113325811A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001527B (zh) | 多特征融合深度神经网络的工业生产过程目标数据预测方法 | |
CN110066895B (zh) | 一种基于Stacking的高炉铁水质量区间预测方法 | |
CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
CN104731083B (zh) | 一种基于自适应特征提取的工业故障诊断方法及应用 | |
CN110889091B (zh) | 基于温度敏感区间分段的机床热误差预测方法与系统 | |
CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN102925602B (zh) | 高炉操作炉型维护方法 | |
Jiang et al. | Polymorphic measurement method of FeO content of sinter based on heterogeneous features of infrared thermal images | |
CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断系统 | |
CN110752042B (zh) | 高炉炉缸状态确定方法、装置及电子设备 | |
CN112434852A (zh) | 一种高炉送风制度合理性的评价方法 | |
CN113325811B (zh) | 一种基于记忆与遗忘策略的工业过程异常在线检测方法 | |
Shang et al. | Increment-based recursive transformed component statistical analysis for monitoring blast furnace iron-making processes: An index-switching scheme | |
CN108998653B (zh) | 一种螺纹钢智能加热控制方法 | |
CN109022650B (zh) | 一种高炉上部煤气流分布的识别方法 | |
CN108595380A (zh) | 一种高炉异常炉况检测方法 | |
CN113962152A (zh) | 高钛型高炉内富碱焦炭反应性及反应后强度的计算方法 | |
CN101387508B (zh) | 一种适用于鼓风烧结机的烧穿点定位方法及其定位系统 | |
CN112986196A (zh) | 新型二恶英在线分析系统和在线分析方法 | |
CN112380779B (zh) | 一种烧结终点的鲁棒软测量方法及系统 | |
CN114754920B (zh) | 一种工业炉炉腔压力检测系统及其工作方法 | |
JP2935735B2 (ja) | 培養状態の診断方法 | |
CN114854920B (zh) | 高斯混合模型嵌入的gru自编码器高炉异常监测方法 | |
CN117518982B (zh) | 一种提高机床加工精度的方法及系统 | |
CN116612820B (zh) | 基于数据分析的乳制品生产智能管理平台 |
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 |