CN113532138A - 一种基于决策融合框架的辊道窑烧成带异检测算法 - Google Patents
一种基于决策融合框架的辊道窑烧成带异检测算法 Download PDFInfo
- Publication number
- CN113532138A CN113532138A CN202110764435.3A CN202110764435A CN113532138A CN 113532138 A CN113532138 A CN 113532138A CN 202110764435 A CN202110764435 A CN 202110764435A CN 113532138 A CN113532138 A CN 113532138A
- Authority
- CN
- China
- Prior art keywords
- decision
- noc
- detection method
- abnormality detection
- keca
- 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.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
- F27D2021/0057—Security or safety devices, e.g. for protection against heat, noise, pollution or too much duress; Ergonomic aspects
- F27D2021/0092—Security or safety devices, e.g. for protection against heat, noise, pollution or too much duress; Ergonomic aspects against a jam in the transport line or a production interruption
-
- 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)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于决策融合框架的辊道窑烧成带异检测算法,该算法可以克服单种方法不能准确地实现系统所有异常的检测的问题,将两种检测方法进行决策融合,结合两种方法的优势,从而实现对具有多异常类型特点的辊道窑烧成带进行所有异常的准确检测。
Description
技术领域
本发明涉及陶瓷工业辊道窑工况异常检测方法领域,更具体地,涉及一种基于决策融合框架的辊道窑烧成带异检测算法。
背景技术
20世纪以来,能源问题一直都是全球最关注的核心问题之一。随着经济的发展,我国陶瓷工业在生产过程中能源消耗巨大、能源利用率低的问题日益显现。当前国内陶瓷工业的能源利用效率与发达国家还有很大的差距,发达国家的能源利用率通常在50%以上,美国高达57%,而我国仅有28%~30%。可见,我国陶瓷工业生产能效优化的提升有着巨大的空间。
在陶瓷生产过程中,辊道窑内陶瓷制品的烧成过程占生产总能耗的70%~80%。作为陶瓷烧成过程中的核心设备的辊道窑,由于其烧成带工况复杂以及长期处于满负荷运行状态,发生异常的可能性很高,而且这些异常往往很难诊断;在生产过程中会导致生产效率低和产品质量差等问题,严重影响了陶瓷工业的能源利用率。研究发现,先进的预测维护方法可以使生产效率提高20%~40%,异常检测是预测维护方法的一种支持技术。因此,采用异常检测方法对烧成过程中的异常情况进行及时有效的检测与诊断,是保证辊道窑正常、高效地运行,提升辊道窑的能效的关键。
与本发明最相接近的现有技术方案:
(1)基于解析模型的异常检测
随着多领域建模技术的发展,基于解析模型的异常检测方法在状态监测领域表现了很好地前景。由于能量是一个定义明确的多域概念,能源作为工业过程控制和监督的建模领域是有用的。分析方法作为一种常用的性能分析工具,分析法及其衍生出的热经济学分析法,常应用于高能耗设备的性能分析、诊断和优化。现有技术中有通过TADEUS项目,比较了不同的热经济学诊断方法,并提出了基于单位成本概念的热经济学,以有效评估故障影响。还有讨论了基于的热力系统运行性能诊断的热经济学方法,在针对具体算例的分析计算中,提出了故障判别指标和量化指标,提高了故障检测方法的灵敏度。
(2)基于数据驱动的异常检测
现有技术中采用KECA方法提取了高维数据的内在特征,并在激光超声缺陷检测实验中验证了KECA方法的有效性。现有技术中提出一种结合KECA方法和量子聚类算法的数据聚类分析算法,利用KECA方法的特征提取优势,大大提高了聚类分析的识别率。现有技术中提出了一种结合小波变换和KECA相结合的异常检测方法,通过小波变换进行数据降噪,提升了KECA方法的异常检测精度。现有技术中在分析了支持向量回归方法在检测方面的不足后提出了一种基于稀疏贝叶斯回归的异常检测方法,该方法对从异常信息和正常信息高度混合的数据中检测异常具有较好的效果。现有技术中有提出了结合粗糙集理论和支持向量机的小样本异常检测方法,有效地解决了水泥回转窑数据集中存在的维度高、抗干扰性差的问题,并且提高了异常诊断的效率和准确率。现有技术中有在火力发电厂中主蒸汽流量值的异常检测中,提出了一种基于支持向量机的异常数据检测方法。
(3)基于混合方法的异常检测
现有技术中有提出了最早的混合方法,通过基于因果模型、概率密度函数和定性趋势分析的结合,构建了故障诊断的混合框架,实现了对所有情况下存在的异常的诊断。现有技术中提出了一种结合了基于模型和数据驱动的残差选择算法,通过找到一组残差生成器,最大限度地提高了故障检测和隔离性能。现有技术中有提出了一种在考虑未知运行条件的情况下,同时诊断单个和多个故障的混合方法。现有技术中有研究了一种将主成分分析法和多物理模型相结合实现故障重构的故障预测方法。现有技术中有提出了一种基于数据驱动的电机能耗模型来设计未知输入观测器的混合方法,不仅具备了更好的鲁棒性,也提高了磨煤机系统的故障检测效率。
现有的异常检测技术手段中,单个的异常检测方法针对某些异常有非常好的性能,但无法做到对系统的所有异常都具有良好的检测性能;针对单一的方法很难实现系统所有异常的诊断的问题,有研究者提出了将两种检测方法结合到一起的混合方法,但这种混合的异常检测方法,基本都是将两种方法进行简单的结合,并没有对两者方法进行决策融合,检测性能效果不佳。所以对于像辊道窑烧成带这类机理复杂、故障类型多样的设备,现有方法无法做到对其所有异常进行准确的诊断。
发明内容
本发明提供一种基于决策融合框架的辊道窑烧成带异检测算法,该算法解决高能耗异常类型多样复杂的辊道窑烧成带异常检测问题,从而达到对辊道窑烧成带所有异常的准确检测的目的。
为了达到上述技术效果,本发明的技术方案如下:
一种基于决策融合框架的辊道窑烧成带异检测算法,包括以下步骤:
(1):采集烧成带工况数据;
(2):构建异常检测方法;
(3):构建贝叶斯网络结构并设置参数;
(4):进行决策目标选择;
(5):进行决策规则选择。
Eut+Ef+Eoa+Eexh1=Eft+Eexh2+Iint+Iout
Ex=mx·ex
ex=ex,ph+ex,ch
式中,T为温度,下标0为基准环境状态,无下标为物质当前温度,K;cp为摩尔定压热容,与温度的关系式表示为:
cp=ai+bi×10-3T+ci×10-5T2;
其中,QW表示窑壁的传热速率表示为:
QW=hc(TW-T0)Aconv+εσ(TW 4-T0 4)Arad
式中,TW为窑壁的平均温度;hc为窑壁的对流换热系数;Aconv为窑壁对流换热面积;ε为窑壁表面发热率;σ为黑体辐射常数;Arad为窑壁辐射热面积;
Iint=Eut+Ef+Eoa+Eexh1-Eft-Eexh2-Iout;
将数据采集得到异常发生时的输入输出物质流数据,与正常工况的输入输出物质流数据相结合得到一个整体工况的数据集;基于正常工况的数据,对整个数据集进行标准化处理,将各变量数据转换成一个个无单位的量,表示偏差的大小;以便引入适当的阈值函数,构造各变量的异常向量,作为异常检测的指标;具体的标准化处理方法是通过求取正常工况数据的均值和标准差对整体数据集进行处理,使处理后的数据集趋向于均值为0,标准差为1的标准正态分布;其计算公式如下:
式中,x*为修正后的数值;μ为正常工况数据的均值;σ为正常工况数据的标准差;
x≥M→f(x)=1
-M<x<M→f(x)=0
x≤-M→f(x)=-1
式中,x为标准化处理后的数据,M为阈值,采用3σ准则,如下:
Mmax=3σ*,Mmin=-3σ*
式中,σ*为标准化数据的标准差,其中1表示正偏差,0表示无偏差,-1表示负偏差。
进一步地,所述步骤(2)中,构建基于KECA方法的异常检测方法的过程是:
假设存在数据集D:x1,L,xN是由概率密度函数p(x)生成,则样本的二阶Renyi熵定义为:
H(p)=-log∫p2(x)dx
令V(p)=∫p2(x)dx,由于对数函数是一个递增类型的函数,通过V(p)的估计值来得到H(p)的估计值,V(p)的估计值通过调用Parzen窗估计器进行估计:
式中,kσ(x,xt)为特征空间的核函数,通常采用径向基函数,表示为:
式中,σ为核函数的参数,通过样本均值来估计期望算子,得到:
Renyi熵用核矩阵的特征值和相应的特征向量表示,其中核矩阵特征分解为:
K=φTφ=EDET
式中,D为特征值λ1,L,λN的对角矩阵,E为一个以特征向量e1,L,eN为列的矩阵,因此V(p)表示为:
转换得:
由φ'所代表的样本外数据点被投影到Uk的所选成分产生:
为了保留原始数据更多的信息,需要确定主成分的个数,采用累计贡献率法来定义Renyi熵的贡献率η,利用Renyi熵贡献率来降维,从而确定选择的主成分的数量,Renyi熵的贡献率η表示:
其中,m为核特征空间数据集的均值向量,求得:
meca表示转换后数据的均值向量φeca,求得:
基于KECA方法的异常检测方法采用T2和SPE监测统计量进行异常检测:
其中,T2统计量用下式计算得到:
T2=[tk,1,tk,2,L,tk,p]Λ-1[tk,1,tk,2,L,tk,p]T
式中,tk=[tk,1,tk,2,L,tk,p]T为得分向量,Λ-1为特征值倒数的对角阵;
T2统计量的控制限用下式计算得到:
SPE统计量用下式计算得到:
式中,n为非零特征值的个数,p为主元个数;
SPE统计量的控制限用下式计算得到:
式中,g=θ/2ω,h=2ω2/θ,ω是k次采样SPE平均值,θ是k次采样SPE方差;
进一步地,在采用熵贡献率确定主成分个数时,需要确定一个阈值,将熵贡献率阈值设定为85%;将熵贡献率从大到小排序,并进行相加计算,一直到累计的熵贡献率值大于85%时,所得的最小的特征向量个数k,即为选择的主成分个数。
进一步地,在异常检测的过程中,首先通过上式计算T2和SPE统计量的值和对应的控制限,然后根据计算所得值进行判断;当监测统计量的值超过控制限,且存在3个及以上超过控制限的数据时,认为此时存在异常;此外,SPE统计量相对T2统计量拥有更好的异常检测效果;因此,当SPE统计量超过控制限时,则认为此时存在异常;当SPE统计量没有超过控制限,而T2统计量超过控制限时,则可根据实际情况进行判断;若监测统计量均没有超过控制限,则认为此时不存在异常;步骤(3)中构建的贝叶斯网络中,只考虑通用层的两种方法的决策融合,因为通用层对所要融合的方法没有什么特定的要求;构建的贝叶斯网络框架包含3个离散节点,这些节点划分为输入节点和输出节点,输入节点D1和D2表示单个决策的节点,而输出节点D表示描述系统状态的全局决策;每个输入节点和输出节点相连接,反映了节点之间的直接条件依赖性;基于贝叶斯网络的推理是根据给定节点状态D1和D2的概率,计算节点D每个模式状态的后验概率,其中,节点D1和D2的模式状态是从特定层得到的,对于这些节点,提出了以下假设,
1)假设1:系统的状态总共有四种,NOC,S0,S1,S2,其中,NOC表示系统无异常状态,S0,S1,S2表示可被检测出来的系统异常状态;
2)假设2:存在两种相互独立的异常检测方法,其中,基于分析的异常检测方法检测的状态有NOC,S0,S1三种,S1表示只有基于分析的异常检测方法可以检测出的系统异常状态;基于KECA方法的异常检测方法可检测的状态有NOC,S0,S2三种,S2表示只有基于KECA方法的异常检测方法可以检测出的系统异常状态;
由以上假设可得,节点D1表示基于分析的异常检测方法中可检测的系统状态,则节点D1有3个模式{NOC,S0,S1};节点D2可表示基于KECA方法的异常检测方法中可检测的系统状态,则节点D2有3个模式{NOC,S0,S2};混合方法可检测的状态有NOC,S0,S1,S2四种,则全局节点D有4个模式{NOC,S0,S1,S2}。
进一步地,步骤(3)中,贝叶斯网络参数由两部分组成,分别是全局节点的先验概率和子节点的条件概率,状态的先验概率表示的是这些状态的归一化频率;假设所有的概率都是相等的,如果有完整的异常数据集,条件概率通常通过统计计算得到,否则,由专家估计条件概率;基于采集得到的辊道窑烧成带数据,各节点的先验概率将会通过统计计算得到。
进一步地,步骤(4)的具体过程是:
2)目标2:当基于KECA方法的异常检测方法的决策为NOC,基于分析的异常检测方法的决策为S0时,全局决策为S0;由于S0为基于分析的异常检测方法和基于KECA方法的异常检测方法都可以检测出的系统异常状态,在基于KECA方法的异常检测方法没有检测到异常的情况下,而基于分析的异常检测方法可以检测到S0,因此为了避免出现异常未能及时检测而导致的意外事故,以及提高异常检出率,全局决策选择为S0;
3)目标3:当基于KECA方法的异常检测方法的决策为NOC,基于分析的异常检测方法的决策为S1时,全局决策为S1;由于S2是基于分析的异常检测方法可以很好地检测出系统异常状态,在基于KECA方法的异常检测方法没有检测到异常的情况下,为了提高异常检出率,全局决策选择为S2;
6)目标6:当基于分析的异常检测方法的决策为S1,基于KECA方法的异常检测方法的决策为S0时,全局决策为S1;由于两种方法都可以检测出异常状态S0,然而基于分析的异常检测方法在此基础上忽略了异常状态S0,却检测出了异常状态S1,并且也只有基于分析的异常检测方法可以检测出异常状态S1,因此在考虑了异常状态可被检测的权重的情况下,定义全局决策选择为S1;
9)目标9:当基于分析的异常检测方法的决策为S1,基于KECA方法的异常检测方法的决策为S2时,全局决策为S1∪S2;由于基于分析的异常检测方法是唯一可以检测出异常状态S1的方法,基于KECA方法的异常检测方法是唯一可以检测出异常状态S2的方法,因此当两种异常状态均被检测到时,全局决策选择为S1∪S2。
进一步地,决策选择规则实质是一个分类问题,不同的决策规则反映了决策者对所考虑因素权重的不同选择,所得的决策结果也会各异,在构建的贝叶斯网络框架中,将采用两个规则决定系统的状态,当选择某一个状态作为全局决策d时,须遵循以下两个规则:
1)它的概率是最大的,并且高于某个阈值,阈值一般为该状态的先验概率;
2)它的概率是最大的,并且它的概率和第二大概率的差值高于某个阈值。
进一步地,所述步骤(5)的过程是:
1、当d=NOC时,其等价形式为:
1)P(D=NOC|D1=NOC∩D2=NOC)>P(D=NOC);
2)P(D=NOC|D1=NOC∩D2=NOC)>P(D=Si|D1=NOC∩D2=NOC),其中i∈{0,1,2};
2、当d=S0时,以d1=S0,d2=NOC为例,其等价形式为;
1)P(D=S0|D1=S0∩D2=NOC)>P(D=S0);
2)P(D=S0|D1=S0∩D2=NOC)>P(D=Si∪NOC|D1=S0∩D2=NOC),其中i∈{1,2},
3、当d=S1时,以d1=S1,d2=S0为例,其等价形式为:
1)P(D=S1|D1=S1∩D2=S0)>P(D=S1);
2)P(D=S1|D1=S1∩D2=S0)>P(D=Si∪NOC|D1=S1∩D2=S0),其中i∈{0,2};
4、当d=S2时,以d1=S0,d2=S2为例,其等价形式为:
1)P(D=S2|D1=S0∩D2=S2)>P(D=S2);
2)P(D=S2|D1=S0∩D2=S2)>P(D=Si∪NOC|D1=S0∩D2=S2),其中i∈{0,1}。
5、当d=S1∪S2时,其等价形式为:
1)P(D=S1|D1=S1∩D2=S2)>P(D=S1);
2)P(D=S2|D1=S1∩D2=S2)>P(D=S2);
3)P(D=S1|D1=S1∩D2=S2)>P(D=(S0∪NOC)|D1=S1∩D2=S2);
4)P(D=S2|D1=S1∩D2=S2)>P(D=(S0∪NOC)|D1=S1∩D2=S2)。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出的基于贝叶斯网络的决策融合框架的异常检测方法,可以克服单种方法不能准确地实现系统所有异常的检测的问题,将两种检测方法进行决策融合,结合两种方法的优势,从而实现对具有多异常类型特点的辊道窑烧成带进行所有异常的准确检测。
附图说明
图1为本发明算法流程图;
图2为烧成带系统结构图;
图4为贝叶斯网络结构框架图;
图5为决策融合框架图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示,本发明提供一种基于决策融合框架的辊道窑烧成带异检测算法,包括如下步骤:
第三步:贝叶斯网络参数设置。
第四步:制定决策选择目标,作为预期结果表示系统的状态。
第五步:制定决策选择规则,自动判断系统是否出现了异常状态。
构建两种异常检测方法:
(1)辊道窑烧成带机理分析
辊道窑烧成带系统主要由输入物质流和输出物质流组成,系统输入物质流主要有天然气、助燃气、瓷砖坯体和输入烟气;输出物质流主要由烧制砖和输出烟气组成。具体的辊道窑烧成带系统物质流如图2所示,异常类型统计如表1所示。在系统中,天然气和助燃气通过燃烧反应产生的高温烟气与系统输入烟气,对进入系统的瓷砖坯体加热;瓷砖坯体在系统中通过气体辐射和固体辐射产生物化耦合反应变成烧制砖。
表1烧成带异常汇总及其简要描述
异常编号 | 异常描述 |
1 | 天然气的质量流量变小 |
2 | 天然气的质量流量变大 |
3 | 助燃气的质量流量变小 |
4 | 助燃气的质量流量变大 |
5 | 烟气质量流量变小 |
6 | 烟气质量流量变大 |
7 | 入口烟气温度变低 |
8 | 入口烟气温度变高 |
9 | 砖坯质量流量变小 |
10 | 砖坯质量流量变大 |
11 | 天然气泄漏 |
Eut+Ef+Eoa+Eexh1=Eft+Eexh2+Iint+Iout (1)
Ex=mx·ex (2)
ex=ex,ph+ex,ch (3)
式中,T为温度,下标0为基准环境状态,无下标为物质当前温度,K;cp为摩尔定压热容,与温度的关系式可表示为:
cp=ai+bi×10-3T+ci×10-5T2 (5)
表3辊道窑烧成带输入输出相关参数
表4各组分比热容系数表
CO<sub>2</sub> | H<sub>2</sub>O | O<sub>2</sub> | N<sub>2</sub> | |
a<sub>i</sub> | 27.437 | 30.12 | 29.526 | 29.342 |
b<sub>i</sub> | 42.315 | 11.3 | -8.9 | -3.5395 |
c<sub>i</sub> | -1.9555 | 0 | 3.81 | 1.0076 |
其中,QW表示窑壁的传热速率,KW,可表示为,
QW=hc(TW-T0)Aconv+εσ(TW 4-T0 4)Arad (7)
式中,TW为窑壁的平均温度,K;hc为窑壁的对流换热系数,W/m2k;Aconv为窑壁对流换热面积,m2;ε为窑壁表面发热率;σ为黑体辐射常数,W/m2k4;Arad为窑壁辐射热面积,m2。
Iint=Eut+Ef+Eoa+Eexh1-Eft-Eexh2-Iout (8)
(3)标准化处理
将数据采集得到异常发生时的输入输出物质流数据,与正常工况的输入输出物质流数据相结合得到一个整体工况的数据集;基于正常工况的数据,对整个数据集进行标准化处理,将各变量数据转换成一个个无单位的量,表示偏差的大小;以便引入适当的阈值函数,构造各变量的异常向量,作为异常检测的指标。具体的标准化处理方法是通过求取正常工况数据的均值和标准差对整体数据集进行处理,使处理后的数据集趋向于均值为0,标准差为1的标准正态分布;其计算公式如下:
式中,x*为修正后的数值;μ为正常工况数据的均值;σ为正常工况数据的标准差。
(4)阈值函数
式中,x为标准化处理后的数据,M为阈值,本发明采用了3σ准则,如下:
Mmax=3σ*,Mmin=-3σ* (11)
式中,σ*为标准化数据的标准差,其中1表示正偏差,0表示无偏差,-1表示负偏差。
2、基于KECA方法的异常检测方法
(1)KECA方法原理
KECA方法是以Renyi熵值的大小作为特征选择的依据,通过计算特征值和特征向量的Renyi熵,将其按大小排列,选择前k个对Renyi熵贡献最大的特征向量,并将数据映射到k个核主成分方向上构成降维后的新数据集。
假设存在数据集D:x1,L,xN是由概率密度函数p(x)生成,则样本的二阶Renyi熵可以定义为:
H(p)=-log∫p2(x)dx (12)
基于式12,可令:
V(p)=∫p2(x)dx (13)
由于对数函数是一个递增类型的函数,所以可以通过V(p)的估计值来得到H(p)的估计值,V(p)的估计值可以通过调用Parzen窗估计器进行估计,如式14所示:
式中,kσ(x,xt)为特征空间的核函数,通常采用径向基函数,可表示为:
式中,σ为核函数的参数。通过样本均值来估计期望算子,可以得到:
由式16可得:
其中,K为N×N的样本核矩阵,1为N×1的向量。Renyi熵可以用核矩阵的特征值和相应的特征向量表示,其中核矩阵可以特征分解为
K=φTφ=EDET (18)
式中,D为特征值λ1,L,λN的对角矩阵,E为一个以特征向量e1,L,eN为列的矩阵。因此V(p)可表示为:
转换得:
由φ'所代表的样本外数据点被投影到Uk的所选成分产生:
为了保留原始数据更多的信息,需要确定主成分的个数。通常采用累计贡献率法(Cumulative contribution rate,CCR)来定义Renyi熵的贡献率η,利用Renyi熵贡献率来降维,从而确定选择的主成分的数量。Renyi熵的贡献率η可用式22表示:
其中,m为核特征空间数据集的均值向量,可用式23求得:
meca表示转换后数据的均值向量φeca,可用式24求得:
在采用熵贡献率确定主成分个数时,需要确定一个阈值,按照常规,本发明的熵贡献率阈值设定为85%。将熵贡献率从大到小排序,并进行相加计算,一直到累计的熵贡献率值大于85%时,所得的最小的特征向量个数k,即为选择的主成分个数。
(2)检测统计量
在使用主成分分析方法进行异常检测时,通常采用T2和SPE统计量进行监测。因此,本发明建立的KECA模型同样采用T2和SPE监测统计量进行异常检测。
其中,T2统计量可用式25计算得到:
T2=[tk,1,tk,2,L,tk,p]Λ-1[tk,1,tk,2,L,tk,p]T (25)
式中,tk=[tk,1,tk,2,L,tk,p]T为得分向量,Λ-1为特征值倒数的对角阵。
T2统计量的控制限可用式26计算得到:
SPE统计量可用式27计算得到:
式中,n为非零特征值的个数,p为主元个数。
SPE统计量的控制限可用式28计算得到:
式中,g=θ/2ω,h=2ω2/θ,ω是k次采样SPE平均值,θ是k次采样SPE方差。
在异常检测的过程中,首先通过上式计算T2和SPE统计量的值和对应的控制限,然后根据计算所得值进行判断。当监测统计量的值超过控制限,且存在3个及以上超过控制限的数据时,可认为此时存在异常。此外,SPE统计量相对T2统计量拥有更好的异常检测效果。因此,当SPE统计量超过控制限时,则可认为此时存在异常;当SPE统计量没有超过控制限,而T2统计量超过控制限时,则可根据实际情况进行判断。若监测统计量均没有超过控制限,则认为此时不存在异常。
构建贝叶斯网络结构20
基于贝叶斯网络的框架对不确定性具有鲁棒性,因为它采用概率而不是布尔值来量化故障的发生。此外,它提供了一种有效的工具,将不同方法的不同类型的决策结合起来,具有很强的处理不完整甚至冲突决策的能力。贝叶斯网络结构框架如图4所示。它主要由两层组成:
(1)通用层由全局决策节点D和每种方法的节点D1和D2组成的;
(2)特定层与每种异常检测方法相关,由异常检测方法1中的异常指标和异常检测方法2中的代表性数据构成。
本发明提出的方法中,只考虑了通用层的两种方法的决策融合,因为通用层对所要融合的方法没有什么特定的要求。所提出的贝叶斯网络框架包含3个离散节点,这些节点可以划分为输入节点和输出节点。输入节点D1和D2表示单个决策的节点,而输出节点D表示描述系统状态的全局决策。每个输入节点和输出节点相连接,这反映了节点之间的直接条件依赖性。因此,基于贝叶斯网络的推理是根据给定节点状态D1和D2的概率,计算节点D每个模式状态的后验概率,其中,节点D1和D2的模式状态是从特定层得到的。对于这些节点,本发明提出了以下假设,
(1)假设1:系统的状态总共有四种,NOC,S0,S1,S2。其中,NOC表示系统无异常状态,S0,S1,S2表示可被检测出来的系统异常状态;
(2)假设2:存在两种相互独立的异常检测方法,其中,方法1可检测的状态有NOC,S0,S1三种,S1表示只有方法1可以检测出的系统异常状态;方法2可检测的状态有NOC,S0,S2三种,S2表示只有方法2可以检测出的系统异常状态;
由以上假设可得,节点D1可表示方法1中可检测的系统状态,则节点D1有3个模式{NOC,S0,S1};节点D2可表示方法2中可检测的系统状态,则节点D2有3个模式{NOC,S0,S2};混合方法可检测的状态有NOC,S0,S1,S2四种,则全局节点D有4个模式{NOC,S0,S1,S2}。
贝叶斯网络参数设置30
根据所提出的贝叶斯网络框架,可知贝叶斯网络参数主要由两部分组成,分别是全局节点的先验概率和子节点的条件概率。状态的先验概率表示的是这些状态的归一化频率。在实际应用过程中,通常假设这些异常频率的先验知识是不可得的。因此,假设所有的概率都是相等的。如果有完整的异常数据集,条件概率通常通过统计计算得到。否则,由专家估计条件概率。在本发明中,基于采集得到的辊道窑烧成带数据,各节点的先验概率将会通过统计计算得到。
决策选择目标40
为了提高决策融合框架的整体性能,根据每种方法的先验性能得到两个方法的决策,通过分配其在全局决策中的权重,给出了两个方法相结合做决策时的预期结果,这些预期结果表示系统的状态,并且将会作为全局决策选择的目标。下表5列出了全局决策选择的目标,其中总结了所有可能的情况。下面将针对每个目标进行详细说明。
表5决策选择的目标
(1)目标1:当方法1与方法2的决策均为NOC时,全局决策为NOC。
(2)目标2:当方法2的决策为NOC,方法1的决策为S0时,全局决策为S0。由于S0为方法1和方法2都可以检测出的系统异常状态,在方法2没有检测到异常的情况下,而方法1可以检测到S0,因此为了避免出现异常未能及时检测而导致的意外事故,以及提高异常检出率,全局决策选择为S0。
(3)目标3:当方法2的决策为NOC,方法1的决策为S1时,全局决策为S1。由于S2是方法1可以很好地检测出系统异常状态,在方法2没有检测到异常的情况下,为了提高异常检出率,全局决策选择为S2。
(4)目标4:当方法1的决策为NOC,方法2的决策为S0时,全局决策为S0。理由同目标2。
(5)目标5:当方法1和方法2的决策均为S0时,全局决策为S0。
(6)目标6:当方法1的决策为S1,方法2的决策为S0时,全局决策为S1。由于两种方法都可以检测出异常状态S0,然而方法1在此基础上忽略了异常状态S0,却检测出了异常状态S1,并且也只有方法1可以检测出异常状态S1,因此在考虑了异常状态可被检测的权重的情况下,本文定义全局决策选择为S1。
(7)目标7:当方法1的决策为NOC,方法2的决策为S2时,全局决策为S2。理由同目标3。
(8)目标8:当方法1的决策为S0,方法2的决策为S0时,全局决策为S2。理由同目标6。
(9)目标9:当方法1的决策为S1,方法2的决策为S2时,全局决策为S1∪S2。由于方法1是唯一可以检测出异常状态S1的方法,方法2是唯一可以检测出异常状态S2的方法,因此当两种异常状态均被检测到时,全局决策选择为S1∪S2。
决策选择规则50
决策选择规则实质是一个分类问题,不同的决策规则反映了决策者对所考虑因素权重的不同选择,所得的决策结果也会各异。在本发明所构建的贝叶斯网络框架中,将采用两个规则决定系统的状态。当选择某一个状态作为全局决策d时,须遵循以下两个规则:
(1)它的概率是最大的,并且高于某个阈值,阈值一般为该状态的先验概率。
(2)它的概率是最大的,并且它的概率和第二大概率的差值高于某个阈值。
在本发明中,所有的决策都由第一条规则进行过滤,在给定单个决策的情况下,处于某个状态的后验概率必须是最大的,且大于该状态的先验概率。下面将以五种不同类型的全局决策进行分析。
1、当d=NOC时,其等价形式为:
(1)P(D=NOC|D1=NOC∩D2=NOC)>P(D=NOC);
(2)P(D=NOC|D1=NOC∩D2=NOC)>P(D=Si|D1=NOC∩D2=NOC),其中i∈{0,1,2}。
2、当d=S0时,以d1=S0,d2=NOC为例,其等价形式为:
(1)P(D=S0|D1=S0∩D2=NOC)>P(D=S0);
(2)P(D=S0|D1=S0∩D2=NOC)>P(D=Si∪NOC|D1=S0∩D2=NOC),其中i∈{1,2},
3、当d=S1时,以d1=S1,d2=S0为例,其等价形式为:
(1)P(D=S1|D1=S1∩D2=S0)>P(D=S1);
(2)P(D=S1|D1=S1∩D2=S0)>P(D=Si∪NOC|D1=S1∩D2=S0),其中i∈{0,2}。
4、当d=S2时,以d1=S0,d2=S2为例,其等价形式为:
(1)P(D=S2|D1=S0∩D2=S2)>P(D=S2);
(2)P(D=S2|D1=S0∩D2=S2)>P(D=Si∪NOC|D1=S0∩D2=S2),其中i∈{0,1}。
5、当d=S1∪S2时,其等价形式为:
(1)P(D=S1|D1=S1∩D2=S2)>P(D=S1);
(2)P(D=S2|D1=S1∩D2=S2)>P(D=S2);
(3)P(D=S1|D1=S1∩D2=S2)>P(D=(S0∪NOC)|D1=S1∩D2=S2)。
(4)P(D=S2|D1=S1∩D2=S2)>P(D=(S0∪NOC)|D1=S1∩D2=S2)。
具体实验过程:
1、数据集
本发明采集数据来自某企业辊道窑烧成带设备,其中采集所得正常工况数据1000组,以及包含11个异常类型的数据,每种异常数据各800组,一共9800组样本数据。其中基于分析的异常检测方法所需的物质流检测参数如表6所示;基于KECA方法的异常检测方法所需要的状态变量为:瓷砖坯体、助燃气、输入烟气、烧制砖、输出烟气和窑体外壁表面的温度,分别由t1~t6表示;以及瓷砖坯体、天然气、助燃气、输入烟气和输出烟气的流速,分别由m1~m5表示,如表7所示。
表6物质流的监测参数
表7辊道窑状态变量
2、两种异常检测方法的验证
NOC | F1 | F2 | F3 | F4 | F5 | F6 | F7 | F8 | F9 | F10 | F11 | |
NO | 100 | |||||||||||
F1 | 58.25 | 41.75 | ||||||||||
F2 | 99.37 | 0.63 | ||||||||||
F3 | 86.12 | 13.88 | ||||||||||
F4 | 100 | |||||||||||
F5 | 100 | |||||||||||
F6 | 100 | |||||||||||
F7 | 100 | |||||||||||
F8 | 100 | |||||||||||
F9 | 32.63 | 67.37 | ||||||||||
F10 | 100 | |||||||||||
F11 | 0.88 | 5.62 | 23.87 | 69.63 |
表9基于KECA方法的混淆矩阵
3、基于贝叶斯网络决策融合框架的辊道窑烧成带异常检测
从步骤2中两种异常检测方法的混淆矩阵表8和9中,可以看出,分析方法在监测{NOC、F4、F5、F6、F7、F8}等状态时,表现出的性能优于KECA方法;KECA方法在监测{F1、F3、F9、F11}等状态时,表现出的性能要优于分析方法;此外两种方法在监测{F2、F10}等状态时有着相当的性能表现。因此,可以设定S0={F2、F10},S1={NOC、F4、F5、F6、F7、F8},S2={F1、F3、F9、F11}。
所建立的决策融合框架如图5所示,节点D1和D2分别表示分析方法和KECA方法的决策。全局节点D则为两种方法融合后得到的决策。由于全局节点D必须在12种状态中进行选择,因此每一种状态的先验概率都等于而节点D1和节点D2的先验概率则可由分析方法和KECA方法所得的混淆矩阵得到。
表10决策融合方法的混淆矩阵
NOC | F1 | F2 | F3 | F4 | F5 | F6 | F7 | F8 | F9 | F10 | F11 | |
NOC | 100 | |||||||||||
F1 | 7.375 | 92.625 | ||||||||||
F2 | 100 | |||||||||||
F3 | 100 | |||||||||||
F4 | 100 | |||||||||||
F5 | 100 | |||||||||||
F6 | 100 | |||||||||||
F7 | 100 | |||||||||||
F8 | 100 | |||||||||||
F9 | 100 | |||||||||||
F10 | 100 | |||||||||||
F11 | 0.625 | 99.375 |
表11整体异常监测性能对比
从表10中可以看出,本发明所构建的决策融合框架可以很好地将分析方法和KECA方法的优势结合了起来,得到了一个性能相比两个独立方法更优的新方法。由表11可看出,决策融合方法的检出率为:99.33%,误报率为:0.542%,且决策融合方法对系统的每一个状态都有最大的检出率,具有最好的异常监测性能,说明本发明提出的基于贝叶斯网络的决策融合框架的有效性和优越性。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于决策融合框架的辊道窑烧成带异检测算法,其特征在于,包括以下步骤:
(1):采集烧成带工况数据;
(2):构建异常检测方法;
(3):构建贝叶斯网络结构并设置参数;
(4):进行决策目标选择;
(5):进行决策规则选择。
Eut+Ef+Eoa+Eexh1=Eft+Eexh2+Iint+Iout
Ex=mx·ex
ex=ex,ph+ex,ch
式中,T为温度,下标0为基准环境状态,无下标为物质当前温度,K;cp为摩尔定压热容,与温度的关系式表示为:
cp=ai+bi×10-3T+ci×10-5T2;
其中,QW表示窑壁的传热速率表示为:
QW=hc(TW-T0)Aconv+εσ(TW 4-T0 4)Arad
式中,TW为窑壁的平均温度;hc为窑壁的对流换热系数;Aconv为窑壁对流换热面积;ε为窑壁表面发热率;σ为黑体辐射常数;Arad为窑壁辐射热面积;
Iint=Eut+Ef+Eoa+Eexh1-Eft-Eexh2-Iout;
将数据采集得到异常发生时的输入输出物质流数据,与正常工况的输入输出物质流数据相结合得到一个整体工况的数据集;基于正常工况的数据,对整个数据集进行标准化处理,将各变量数据转换成一个个无单位的量,表示偏差的大小;以便引入适当的阈值函数,构造各变量的异常向量,作为异常检测的指标;具体的标准化处理方法是通过求取正常工况数据的均值和标准差对整体数据集进行处理,使处理后的数据集趋向于均值为0,标准差为1的标准正态分布;其计算公式如下:
式中,x*为修正后的数值;μ为正常工况数据的均值;σ为正常工况数据的标准差;
x≥M→f(x)=1
-M<x<M→f(x)=0
x≤-M→f(x)=-1
式中,x为标准化处理后的数据,M为阈值,采用3σ准则,如下:
Mmax=3σ*,Mmin=-3σ*
式中,σ*为标准化数据的标准差,其中1表示正偏差,0表示无偏差,-1表示负偏差。
3.根据权利要求2所述的基于决策融合框架的辊道窑烧成带异检测算法,其特征在于,所述步骤(2)中,构建基于KECA方法的异常检测方法的过程是:
假设存在数据集D:x1,L,xN是由概率密度函数p(x)生成,则样本的二阶Renyi熵定义为:
H(p)=-log∫p2(x)dx
令V(p)=∫p2(x)dx,由于对数函数是一个递增类型的函数,通过V(p)的估计值来得到H(p)的估计值,V(p)的估计值通过调用Parzen窗估计器进行估计:
式中,kσ(x,xt)为特征空间的核函数,通常采用径向基函数,表示为:
式中,σ为核函数的参数,通过样本均值来估计期望算子,得到:
Renyi熵用核矩阵的特征值和相应的特征向量表示,其中核矩阵特征分解为:
K=φTφ=EDET
式中,D为特征值λ1,L,λN的对角矩阵,E为一个以特征向量e1,L,eN为列的矩阵,因此V(p)表示为:
转换得:
由φ'所代表的样本外数据点被投影到Uk的所选成分产生:
为了保留原始数据更多的信息,需要确定主成分的个数,采用累计贡献率法来定义Renyi熵的贡献率η,利用Renyi熵贡献率来降维,从而确定选择的主成分的数量,Renyi熵的贡献率η表示:
其中,m为核特征空间数据集的均值向量,求得:
meca表示转换后数据的均值向量φeca,求得:
基于KECA方法的异常检测方法采用T2和SPE监测统计量进行异常检测:
其中,T2统计量用下式计算得到:
T2=[tk,1,tk,2,L,tk,p]Λ-1[tk,1,tk,2,L,tk,p]T
式中,tk=[tk,1,tk,2,L,tk,p]T为得分向量,Λ-1为特征值倒数的对角阵;
T2统计量的控制限用下式计算得到:
SPE统计量用下式计算得到:
式中,n为非零特征值的个数,p为主元个数;
SPE统计量的控制限用下式计算得到:
式中,g=θ/2ω,h=2ω2/θ,ω是k次采样SPE平均值,θ是k次采样SPE方差。
4.根据权利要求3所述的基于决策融合框架的辊道窑烧成带异检测算法,其特征在于,在采用熵贡献率确定主成分个数时,需要确定一个阈值,将熵贡献率阈值设定为85%;将熵贡献率从大到小排序,并进行相加计算,一直到累计的熵贡献率值大于85%时,所得的最小的特征向量个数k,即为选择的主成分个数。
5.根据权利要求4所述的基于决策融合框架的辊道窑烧成带异检测算法,其特征在于,在异常检测的过程中,首先通过上式计算T2和SPE统计量的值和对应的控制限,然后根据计算所得值进行判断;当监测统计量的值超过控制限,且存在3个及以上超过控制限的数据时,认为此时存在异常;此外,SPE统计量相对T2统计量拥有更好的异常检测效果;因此,当SPE统计量超过控制限时,则认为此时存在异常;当SPE统计量没有超过控制限,而T2统计量超过控制限时,则可根据实际情况进行判断;若监测统计量均没有超过控制限,则认为此时不存在异常。
6.根据权利要求5所述的基于决策融合框架的辊道窑烧成带异检测算法,其特征在于,步骤(3)中构建的贝叶斯网络中,只考虑通用层的两种方法的决策融合,因为通用层对所要融合的方法没有什么特定的要求;构建的贝叶斯网络框架包含3个离散节点,这些节点划分为输入节点和输出节点,输入节点D1和D2表示单个决策的节点,而输出节点D表示描述系统状态的全局决策;每个输入节点和输出节点相连接,反映了节点之间的直接条件依赖性;基于贝叶斯网络的推理是根据给定节点状态D1和D2的概率,计算节点D每个模式状态的后验概率,其中,节点D1和D2的模式状态是从特定层得到的,对于这些节点,提出了以下假设,
1)假设1:系统的状态总共有四种,NOC,S0,S1,S2,其中,NOC表示系统无异常状态,S0,S1,S2表示可被检测出来的系统异常状态;
2)假设2:存在两种相互独立的异常检测方法,其中,基于分析的异常检测方法检测的状态有NOC,S0,S1三种,S1表示只有基于分析的异常检测方法可以检测出的系统异常状态;基于KECA方法的异常检测方法可检测的状态有NOC,S0,S2三种,S2表示只有基于KECA方法的异常检测方法可以检测出的系统异常状态;
7.根据权利要求6所述的基于决策融合框架的辊道窑烧成带异检测算法,其特征在于,步骤(3)中,贝叶斯网络参数由两部分组成,分别是全局节点的先验概率和子节点的条件概率,状态的先验概率表示的是这些状态的归一化频率;假设所有的概率都是相等的,如果有完整的异常数据集,条件概率通常通过统计计算得到,否则,由专家估计条件概率;基于采集得到的辊道窑烧成带数据,各节点的先验概率将会通过统计计算得到。
8.根据权利要求7所述的基于决策融合框架的辊道窑烧成带异检测算法,其特征在于,步骤(4)的具体过程是:
2)目标2:当基于KECA方法的异常检测方法的决策为NOC,基于分析的异常检测方法的决策为S0时,全局决策为S0;由于S0为基于分析的异常检测方法和基于KECA方法的异常检测方法都可以检测出的系统异常状态,在基于KECA方法的异常检测方法没有检测到异常的情况下,而基于分析的异常检测方法可以检测到S0,因此为了避免出现异常未能及时检测而导致的意外事故,以及提高异常检出率,全局决策选择为S0;
3)目标3:当基于KECA方法的异常检测方法的决策为NOC,基于分析的异常检测方法的决策为S1时,全局决策为S1;由于S2是基于分析的异常检测方法可以很好地检测出系统异常状态,在基于KECA方法的异常检测方法没有检测到异常的情况下,为了提高异常检出率,全局决策选择为S2;
6)目标6:当基于分析的异常检测方法的决策为S1,基于KECA方法的异常检测方法的决策为S0时,全局决策为S1;由于两种方法都可以检测出异常状态S0,然而基于分析的异常检测方法在此基础上忽略了异常状态S0,却检测出了异常状态S1,并且也只有基于分析的异常检测方法可以检测出异常状态S1,因此在考虑了异常状态可被检测的权重的情况下,定义全局决策选择为S1;
9.根据权利要求8所述的基于决策融合框架的辊道窑烧成带异检测算法,其特征在于,决策选择规则实质是一个分类问题,不同的决策规则反映了决策者对所考虑因素权重的不同选择,所得的决策结果也会各异,在构建的贝叶斯网络框架中,将采用两个规则决定系统的状态,当选择某一个状态作为全局决策d时,须遵循以下两个规则:
1)它的概率是最大的,并且高于某个阈值,阈值一般为该状态的先验概率;
2)它的概率是最大的,并且它的概率和第二大概率的差值高于某个阈值。
10.根据权利要求9所述的基于决策融合框架的辊道窑烧成带异检测算法,其特征在于,所述步骤(5)的过程是:
1、当d=NOC时,其等价形式为:
1)P(D=NOC|D1=NOC∩D2=NOC)>P(D=NOC);
2)P(D=NOC|D1=NOC∩D2=NOC)>P(D=Si|D1=NOC∩D2=NOC),其中i∈{0,1,2};
2、当d=S0时,以d1=S0,d2=NOC为例,其等价形式为;
1)P(D=S0|D1=S0∩D2=NOC)>P(D=S0);
2)P(D=S0|D1=S0∩D2=NOC)>P(D=Si∪NOC|D1=S0∩D2=NOC),其中i∈{1,2},
3、当d=S1时,以d1=S1,d2=S0为例,其等价形式为:
1)P(D=S1|D1=S1∩D2=S0)>P(D=S1);
2)P(D=S1|D1=S1∩D2=S0)>P(D=Si∪NOC|D1=S1∩D2=S0),其中i∈{0,2};
4、当d=S2时,以d1=S0,d2=S2为例,其等价形式为:
1)P(D=S2|D1=S0∩D2=S2)>P(D=S2);
2)P(D=S2|D1=S0∩D2=S2)>P(D=Si∪NOC|D1=S0∩D2=S2),其中i∈{0,1}。
5、当d=S1∪S2时,其等价形式为:
1)P(D=S1|D1=S1∩D2=S2)>P(D=S1);
2)P(D=S2|D1=S1∩D2=S2)>P(D=S2);
3)P(D=S1|D1=S1∩D2=S2)>P(D=(S0∪NOC)|D1=S1∩D2=S2);
4)P(D=S2|D1=S1∩D2=S2)>P(D=(S0∪NOC)|D1=S1∩D2=S2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764435.3A CN113532138B (zh) | 2021-07-06 | 2021-07-06 | 一种基于决策融合框架的辊道窑烧成带异常检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764435.3A CN113532138B (zh) | 2021-07-06 | 2021-07-06 | 一种基于决策融合框架的辊道窑烧成带异常检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113532138A true CN113532138A (zh) | 2021-10-22 |
CN113532138B CN113532138B (zh) | 2023-07-28 |
Family
ID=78097864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110764435.3A Active CN113532138B (zh) | 2021-07-06 | 2021-07-06 | 一种基于决策融合框架的辊道窑烧成带异常检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113532138B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114935357A (zh) * | 2022-03-14 | 2022-08-23 | 浙江倍时信息科技有限公司 | 一种基于熵值计算的设备健康监测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108955247A (zh) * | 2018-05-29 | 2018-12-07 | 广东工业大学 | 一种辊道窑烧成温度建模与时滞控制方法、系统 |
CN111059896A (zh) * | 2019-12-10 | 2020-04-24 | 广东工业大学 | 一种基于*模型的辊道窑系统异常检测方法 |
CN111199257A (zh) * | 2020-01-10 | 2020-05-26 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 高铁行车设备故障诊断方法及装置 |
-
2021
- 2021-07-06 CN CN202110764435.3A patent/CN113532138B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108955247A (zh) * | 2018-05-29 | 2018-12-07 | 广东工业大学 | 一种辊道窑烧成温度建模与时滞控制方法、系统 |
CN111059896A (zh) * | 2019-12-10 | 2020-04-24 | 广东工业大学 | 一种基于*模型的辊道窑系统异常检测方法 |
CN111199257A (zh) * | 2020-01-10 | 2020-05-26 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 高铁行车设备故障诊断方法及装置 |
Non-Patent Citations (2)
Title |
---|
王承远等: "采用多源信息节点的动态依赖贝叶斯网络方法", 《信息与控制》 * |
鲍巍等: "贝叶斯网络在蜜罐系统中的应用研究", 《网络安全技术与应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114935357A (zh) * | 2022-03-14 | 2022-08-23 | 浙江倍时信息科技有限公司 | 一种基于熵值计算的设备健康监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113532138B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070109B (zh) | 一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法 | |
Zheng et al. | Normalized relative RBC-based minimum risk Bayesian decision approach for fault diagnosis of industrial process | |
WO2017210894A1 (zh) | 基于运行视频信息的一种电弧炉故障监测方法 | |
Frank et al. | Hybrid model-based and data-driven fault detection and diagnostics for commercial buildings | |
US20050209767A1 (en) | Method for fault diagnosis of a turbine engine | |
EP2442288A1 (en) | Device abnormality monitoring method and system | |
US20230152786A1 (en) | Industrial equipment operation, maintenance and optimization method and system based on complex network model | |
Parhizkar et al. | Efficient performance monitoring of building central heating system using Bayesian Network method | |
Gao et al. | Comprehensive study on sensitive parameters for chiller fault diagnosis | |
WO2020253484A1 (zh) | 一种裂解炉管智能结焦监测边云协同平台及其工作方法 | |
CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 | |
CN113532138A (zh) | 一种基于决策融合框架的辊道窑烧成带异检测算法 | |
Frank et al. | Metrics and methods to assess building fault detection and diagnosis tools | |
Kiluk | Diagnostic information system dynamics in the evaluation of machine learning algorithms for the supervision of energy efficiency of district heating-supplied buildings | |
Liu et al. | Abnormal energy identification of variable refrigerant flow air-conditioning systems based on data mining techniques | |
Luo et al. | Key-performance-indicators-related fault subspace extraction for the reconstruction-based fault diagnosis | |
CN116557787A (zh) | 管网状态智能评估系统及其方法 | |
Wang et al. | Concurrent fault detection and anomaly location in closed-loop dynamic systems with measured disturbances | |
CN117494584A (zh) | 基于神经网络对抗迁移学习的高维可靠性设计优化方法 | |
CN107895194B (zh) | 一种核电厂主冷却剂系统故障诊断方法 | |
Huang et al. | Trustworthiness of process monitoring in IIoT based on self-weighted dictionary learning | |
Sinha et al. | dClink: A data-driven based clinkering prediction framework with automatic feature selection capability in 500 MW coal-fired boilers | |
Tian et al. | Causal network construction based on convergent cross mapping (CCM) for alarm system root cause tracing of nonlinear industrial process | |
Zhu et al. | A novel NOx emission prediction model for multimodal operational utility boilers considering local features and prior knowledge | |
CN109325294B (zh) | 一种火电机组空气预热器性能状态的证据表征构建方法 |
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 |