CN113719446A - 一种基于数据挖掘的汽动给水泵状态监测系统 - Google Patents
一种基于数据挖掘的汽动给水泵状态监测系统 Download PDFInfo
- Publication number
- CN113719446A CN113719446A CN202111008950.5A CN202111008950A CN113719446A CN 113719446 A CN113719446 A CN 113719446A CN 202111008950 A CN202111008950 A CN 202111008950A CN 113719446 A CN113719446 A CN 113719446A
- Authority
- CN
- China
- Prior art keywords
- pump
- steam
- steam feed
- unit
- feed pump
- 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
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于数据挖掘的汽动给水泵状态监测系统,包括数据采集模块、性能监测模块、故障诊断模块和界面展示模块;数据采集模块包括数据采集单元、数据传输单元和数据存储单元,数据采集单元采集汽动给水泵数的运行数据集,并通过数据传输单元存储至数据存储单元;性能监测模块根据运行数据集计算性能数据集;故障诊断模块包括参数筛选单元和故障预测单元,参数筛选单元通过KPCA算法对运行数据集进行降维处理,获得降维数据集,故障预测单元将降维数据集输入训练好的故障预测模型,获得汽动给水泵的故障预测结果;界面展示模块用于显示性能数据集和故障预测结果。与现有技术相比,本发明满足汽动给水泵实时状态监测与故障诊断的需求。
Description
技术领域
本发明涉及一种汽动给水泵状态监测技术,尤其是涉及一种基于数据挖掘的汽动给水泵状态监测系统。
背景技术
一方面,大型火力发电机组带来巨大效益的同时,由于设备之间的复杂性增加、关联性增多以及运行参数要求的提高,火力发电机组设备的故障率不断增加,火力发电厂年非计划停机次数也不断增加。这就导致了火力发电厂每年需要投入相当一部分成本用于发电厂设备的维修,直接影响了火力发电厂生产的安全性和经济性。对于汽动给水泵检修一般采用计划性检修,存在检修针对性不强、分不清主次、检修方式僵化等问题,不仅浪费了大量的人力、物力、财力,还降低了相关设备的利用率,严重影响到燃煤发电企业的整体经济效益。另一方面,随着智能化在线监测设备的快速发展,火力发电厂所监测的数据呈几何增长趋势,与汽动给水泵运行状态相关的状态监测数据呈现出井喷式增长,每时每刻都有新的数据生成,呈现出数据价值密度低、数据类型繁多以及数据量巨大等大数据的典型特征,形成了丰富的历史数据库和实时数据库。面对这些高参数、强相关、多维度的历史数据,采用人工分析的方法很难何从这些海量、丰富的数据中挖掘出有价值的信息。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于数据挖掘的汽动给水泵状态监测系统,满足汽动给水泵实时状态监测与故障诊断的需求。
本发明的目的可以通过以下技术方案来实现:
一种基于数据挖掘的汽动给水泵状态监测系统,包括数据采集模块、性能监测模块、故障诊断模块和界面展示模块;
所述的数据采集模块包括数据采集单元、数据传输单元和数据存储单元,所述的数据采集单元采集汽动给水泵数的运行数据集,并通过数据传输单元将运行数据集存储至数据存储单元;
所述的性能监测模块根据运行数据集计算汽动给水泵的性能数据集;
所述的故障诊断模块包括参数筛选单元和故障预测单元,所述的参数筛选单元通过KPCA算法对运行数据集进行降维处理,获得降维数据集,所述的故障预测单元将降维数据集输入训练好的故障预测模型,获得汽动给水泵的故障预测结果;
所述的界面展示模块用于显示汽动给水泵的性能数据集和故障预测结果;
所述的数据采集模块采集和存储运行数据集,所述的性能监测模块根据运行数据集获取性能数据集,参数筛选单元通过KPCA算法对运行数据集进行降维,获得降维数据集,极大降低了故障预测模型的工作量,解决了故障预测模型在长序列训练过程中存在的梯度爆炸和梯度消失的问题,弥补了汽动给水泵计划性检修存在的检修针对性不强、分不清主次、检修方式僵化等问题,满足汽动给水泵实时状态监测与故障诊断的需求,所述的界面展示模块能够实时显示汽动给水泵的性能数据集和故障预测结果,便于对汽动给水泵进行实时的性能监测与专业分析。
进一步地,所述的性能监测模块包括体积流量监测单元,所述的体积流量监测单元用于计算汽动给水泵的体积流量,计算公式为:
其中,Q为汽动给水泵的体积流量,i为抽点前级数,I为给水泵的总级数,Qin为汽动给水泵进口流量,Qout为汽动给水泵出口流量。
进一步地,所述的性能监测模块包括功率监测单元,所述的功率监测单元用于计算汽动给水泵的功率,计算公式为:
其中,W为汽动给水泵的功率,n和n0分别为汽动给水泵的实时转速和额定转速,ρ1为转速n下汽动给水泵内水的平均密度,ρ0为转速n0下汽动给水泵内水的平均密度,k4和k5为设定系数。
进一步地,所述的性能监测模块包括前置泵扬程监测单元,所述的前置泵扬程监测单元用于计算前置泵扬程。进一步地,所述的前置泵扬程的计算公式为:
Hqz=z1Nqz 2+z2NqzQ+z3Q2
其中,Hqz为前置泵扬程,z1、z2和z3为设定系数,Nqz为前置泵比转速,Q为汽动给水泵的体积流量。
进一步地,所述的前置泵扬程的计算公式为:
其中,Hqz为前置泵扬程,pqz,in为前置泵进口压力,pqz,out为前置泵出口压力,ρqz为前置泵中介质的平均密度,g为地球重力加速度。
进一步地,所述的性能监测模块包括滤网压损监测单元,所述的滤网压损监测单元用于计算滤网的实时压损,计算公式为:
Δplw=a1+a2Q+a3Q2
其中,Δplw为滤网的实时压损,Q为汽动给水泵的体积流量,a1、a2和a3为设定系数。
进一步地,所述的性能监测模块包括扬程监测单元,所述的扬程监测单元用于计算汽动给水泵的扬程,计算公式为:
其中,H为汽动给水泵的扬程,pin为汽动给水泵进口压力,pout为汽动给水泵出口压力,ρ为给水平均密度,g为地球重力加速度。
进一步地,所述的性能监测模块包括截止阀压损监测单元,所述的截止阀压损监测单元用于计算截止阀的实时压损,计算公式为:
其中,Δpfm为截止阀的实时压损,Δpopen为截止阀全开时的压损,Qm为实时通过截止阀的质量流量,Qm,open为截止阀允许通过的最大质量流量,kfm为截止阀开度。
通过性能监测模块,对汽动给水泵的扬程、体积流量、功率、前置泵扬程、滤网的实时压损以及截止阀的压损进行实时监测,实现对汽动给水泵的多层次监测与分析。
进一步地,所述的故障预测模型为LSTM模型,所述的LSTM模型具有长时记忆功能,能够充分挖掘数据中隐含、潜在的价值信息。
与现有技术相比,本发明具有以如下有益效果:
(1)本发明数据采集模块采集和存储运行数据集,性能监测模块根据运行数据集获取性能数据集,参数筛选单元通过KPCA算法对运行数据集进行降维,获得降维数据集,极大降低了故障预测模型的工作量,解决了故障预测模型在长序列训练过程中存在的梯度爆炸和梯度消失的问题,弥补了汽动给水泵计划性检修存在的检修针对性不强、分不清主次、检修方式僵化等问题,满足汽动给水泵实时状态监测与故障诊断的需求,界面展示模块能够实时显示汽动给水泵的性能数据集和故障预测结果,便于对汽动给水泵进行实时的性能监测与专业分析;
(2)本发明通过性能监测模块,对汽动给水泵的扬程、体积流量、功率、前置泵扬程、滤网的实时压损以及截止阀的压损进行实时监测,实现对汽动给水泵的多层次监测与分析。
(3)本发明故障预测模型为LSTM模型,LSTM模型具有长时记忆功能,能够充分挖掘数据中隐含、潜在的价值信息,可以提前、准确的预知汽动给水泵故障的发生,保证汽动给水泵始终处于安全稳定的运行状态。
附图说明
图1为本发明的系统结构示意图;
图2为KPCA算法的流程构示意图;
图3为LSTM模型的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
一种基于数据挖掘的汽动给水泵状态监测系统,如图1,包括数据采集模块1、性能监测模块3、故障诊断模块4和界面展示模块2;
数据采集模块1包括数据采集单元11、数据传输单元12和数据存储单元13,数据采集单元11采集汽动给水泵数的运行数据集,并通过数据传输单元12将运行数据集存储至数据存储单元13,运行数据集包括汽动给水泵进出口压力、汽泵进出口温度、汽泵前置泵出口流量、汽泵进口滤网差压、给水泵汽轮机转速、除氧器压力和再热器减温水量;
性能监测模块3根据运行数据集计算汽动给水泵的性能数据集;
故障诊断模块4包括参数筛选单元41和故障预测单元42,参数筛选单元41通过KPCA算法对运行数据集进行降维处理,获得降维数据集,故障预测单元42将降维数据集输入训练好的故障预测模型,获得汽动给水泵的故障预测结果;
界面展示模块2用于显示汽动给水泵的性能数据集和故障预测结果;
数据采集模块1采集和存储运行数据集,性能监测模块3根据运行数据集获取性能数据集,参数筛选单元41通过KPCA算法对运行数据集进行降维,获得降维数据集,极大降低了故障预测模型的工作量,解决了故障预测模型在长序列训练过程中存在的梯度爆炸和梯度消失的问题,弥补了汽动给水泵计划性检修存在的检修针对性不强、分不清主次、检修方式僵化等问题,满足汽动给水泵实时状态监测与故障诊断的需求,界面展示模块2能够实时显示汽动给水泵的性能数据集和故障预测结果,便于对汽动给水泵进行实时的性能监测与专业分析。
性能监测模块3包括体积流量监测单元36,体积流量监测单元36用于计算汽动给水泵的体积流量,计算公式为:
其中,Q为汽动给水泵的体积流量,i为抽点前级数,I为给水泵的总级数,Qin为汽动给水泵进口流量,Qout为汽动给水泵出口流量。
性能监测模块3包括功率监测单元31,功率监测单元31用于计算汽动给水泵的功率,计算公式为:
其中,W为汽动给水泵的功率,n和n0分别为汽动给水泵的实时转速和额定转速,ρ1为转速n下汽动给水泵内水的平均密度,ρ0为转速n0下汽动给水泵内水的平均密度,k4和k5为设定系数。
性能监测模块3包括前置泵扬程监测单元32,前置泵扬程监测单元32用于计算前置泵扬程。前置泵扬程的计算公式为:
Hqz=z1Nqz 2+z2NqzQ+z3Q2 (4)
其中,Hqz为前置泵扬程,z1、z2和z3为设定系数,Nqz为前置泵比转速,Q为汽动给水泵的体积流量。
性能监测模块3包括滤网压损监测单元33,滤网压损监测单元34用于计算滤网的实时压损,计算公式为:
Δplw=a1+a2Q+a3Q2 (5)
其中,Δplw为滤网的实时压损,Q为汽动给水泵的体积流量,a1、a2和a3为设定系数。
性能监测模块3包括扬程监测单元34,扬程监测单元33用于计算汽动给水泵的扬程,计算公式为:
其中,H为汽动给水泵的扬程,pin为汽动给水泵进口压力,pout为汽动给水泵出口压力,ρ为给水平均密度,g为地球重力加速度。
性能监测模块3包括截止阀压损监测单元35,截止阀压损监测单元35用于计算截止阀的实时压损,计算公式为:
其中,Δpfm为截止阀的实时压损,Δpopen为截止阀全开时的压损,Qm为实时通过截止阀的质量流量,Qm,open为截止阀允许通过的最大质量流量,kfm为截止阀开度。
通过性能监测模块3,对汽动给水泵的扬程、体积流量、功率、前置泵扬程、滤网的实时压损以及截止阀的压损进行实时监测,实现对汽动给水泵的多层次监测与分析。
如图2,KPCA算法包括:
设运行数据集构成原始空间R,通过非线性映射函数映射到高维度空间F,则F中的映射数据的协方差矩阵如下:
协方差矩阵C的特征方差如下:
Cv=λv (9)
其中,λ代表协方差矩阵C的特征值,v代表对应的特征向量。
将式(7)代入式(6)中得:
同时式(10)又可表示为:
λ<φ(xi),v>=<φ(xi),Cv> (11)
存在系数βj使得:
由式(9)、(10)、(11)可得:
定义矩阵Kn×n:
则式(14)可表示为:
nλβ=Kβ (15)
式中,nλ代表K的特征值,β代表K的特征向量,K则通过选取合适的核函数进行确定,将矩阵K进行对角化处理得特征值λk(k=1,2,...p),即λ1≥λ2≥···≥λp,由公式(15)得:
最终可得vk在空间F上的映射投影:
KPCA算法本质上是采用非线性映射函数将原始数据投影到高维空间,达到数据属性约简的目的,利用KPCA算法可以实现对汽动给水泵的运行数据集进行参数重要性的排名,根据权重系数的大小选择出涵盖样本数据集大部分信息的综合特征参数,达到数据约简的目的,KPCA算法得到的映射投影即综合特征参数。
如图3,故障预测模型为LSTM模型,LSTM模型通过遗忘门ft决定删除记忆单元Ct-1中的哪些信息,并由σ(·)激活函数决定遗忘门ft的激活状态,遗忘门ft的表达式为:
ft=σ(Wf·[ht-1,xt]+bf) (18)
其中,Wf为遗忘门的权值矩阵,ht-1为前一时刻隐藏状态输出,xt为当前输入,bf为偏置向量。
其次,LSTM使用输入门it来决定将要储存到新的记忆单元状态Ct的信息,输入门it的表达式为:
it=σ(Wi·[ht-1,xt]+bi) (19)
其中,Wi为输入门的权值矩阵,ht-1为前一时刻隐藏状态输出,xt为当前输入,bi为偏置向量。
然后LSTM将前一记忆单元状态Ct-1更新为新状态Ct,Ct的表达式为:
最后LSTM使用输出门ot计算隐藏状态ht-1和yt,输出门ot的表达式为:
ot=σ(WO·[ht-1,xt]+bo) (22)
其中,Wo为输出门的权值矩阵,bo为偏置向量。
ht=ot*tanh(Ct) (23)
其中,ht为当前时刻输出。
实施例2
本实施例中,前置泵扬程的计算公式为:
其中,Hqz为前置泵扬程,pqz,in为前置泵进口压力,pqz,out为前置泵出口压力,ρqz为前置泵中介质的平均密度,g为地球重力加速度;
其他与实施例1相同。
实施例1和实施例2提出了一种基于数据挖掘的汽动给水泵状态监测系统,系统以LSTM预测模型为主,KPCA算法为辅,解决了故障预测模型在长序列训练过程中存在的梯度爆炸和梯度消失的问题,弥补了汽动给水泵计划性检修存在的检修针对性不强、分不清主次、检修方式僵化等问题,满足汽动给水泵实时状态监测与故障诊断的需求,通过性能监测模块3,对汽动给水泵的扬程、体积流量、功率、前置泵扬程、滤网的实时压损以及截止阀的压损进行实时监测,实现对汽动给水泵的多层次监测与分析。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于数据挖掘的汽动给水泵状态监测系统,其特征在于,包括数据采集模块(1)、性能监测模块(3)、故障诊断模块(4)和界面展示模块(2);
所述的数据采集模块(1)包括数据采集单元(11)、数据传输单元(12)和数据存储单元(13),所述的数据采集单元(11)采集汽动给水泵数的运行数据集,并通过数据传输单元(12)将运行数据集存储至数据存储单元(13);
所述的性能监测模块(3)根据运行数据集计算汽动给水泵的性能数据集;
所述的故障诊断模块(4)包括参数筛选单元(41)和故障预测单元(42),所述的参数筛选单元(41)通过KPCA算法对运行数据集进行降维处理,获得降维数据集,所述的故障预测单元(42)将降维数据集输入训练好的故障预测模型,获得汽动给水泵的故障预测结果;
所述的界面展示模块(2)用于显示汽动给水泵的性能数据集和故障预测结果。
4.根据权利要求2所述的一种基于数据挖掘的汽动给水泵状态监测系统,其特征在于,所述的性能监测模块(3)包括前置泵扬程监测单元(32),所述的前置泵扬程监测单元(32)用于计算前置泵扬程。
5.根据权利要求4所述的一种基于数据挖掘的汽动给水泵状态监测系统,其特征在于,所述的前置泵扬程的计算公式为:
Hqz=z1Nqz 2+z2NqzQ+z3Q2
其中,Hqz为前置泵扬程,z1、z2和z3为设定系数,Nqz为前置泵比转速,Q为汽动给水泵的体积流量。
7.根据权利要求2所述的一种基于数据挖掘的汽动给水泵状态监测系统,其特征在于,所述的性能监测模块(3)包括滤网压损监测单元(33),所述的滤网压损监测单元(34)用于计算滤网的实时压损,计算公式为:
Δplw=a1+a2Q+a3Q2
其中,Δplw为滤网的实时压损,Q为汽动给水泵的体积流量,a1、a2和a3为设定系数。
10.根据权利要求1所述的一种基于数据挖掘的汽动给水泵状态监测系统,其特征在于,所述的故障预测模型为LSTM模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008950.5A CN113719446A (zh) | 2021-08-31 | 2021-08-31 | 一种基于数据挖掘的汽动给水泵状态监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008950.5A CN113719446A (zh) | 2021-08-31 | 2021-08-31 | 一种基于数据挖掘的汽动给水泵状态监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113719446A true CN113719446A (zh) | 2021-11-30 |
Family
ID=78679438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111008950.5A Pending CN113719446A (zh) | 2021-08-31 | 2021-08-31 | 一种基于数据挖掘的汽动给水泵状态监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113719446A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202676203U (zh) * | 2012-05-08 | 2013-01-16 | 武汉立方科技有限公司 | 大型泵站状态监测与诊断及能效管理装置 |
CN106050637A (zh) * | 2016-06-03 | 2016-10-26 | 河北省电力建设调整试验所 | 一种大型变转速给水泵运行状态的在线监测方法 |
CN108089078A (zh) * | 2017-12-07 | 2018-05-29 | 北京能源集团有限责任公司 | 设备劣化预警方法及系统 |
CN110738274A (zh) * | 2019-10-26 | 2020-01-31 | 哈尔滨工程大学 | 一种基于数据驱动的核动力装置故障诊断方法 |
CN111947928A (zh) * | 2020-08-10 | 2020-11-17 | 山东大学 | 一种多源信息融合的轴承故障预测系统及方法 |
CN112132394A (zh) * | 2020-08-21 | 2020-12-25 | 西安交通大学 | 一种电厂循环水泵预测性状态评估方法及系统 |
-
2021
- 2021-08-31 CN CN202111008950.5A patent/CN113719446A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202676203U (zh) * | 2012-05-08 | 2013-01-16 | 武汉立方科技有限公司 | 大型泵站状态监测与诊断及能效管理装置 |
CN106050637A (zh) * | 2016-06-03 | 2016-10-26 | 河北省电力建设调整试验所 | 一种大型变转速给水泵运行状态的在线监测方法 |
CN108089078A (zh) * | 2017-12-07 | 2018-05-29 | 北京能源集团有限责任公司 | 设备劣化预警方法及系统 |
CN110738274A (zh) * | 2019-10-26 | 2020-01-31 | 哈尔滨工程大学 | 一种基于数据驱动的核动力装置故障诊断方法 |
CN111947928A (zh) * | 2020-08-10 | 2020-11-17 | 山东大学 | 一种多源信息融合的轴承故障预测系统及方法 |
CN112132394A (zh) * | 2020-08-21 | 2020-12-25 | 西安交通大学 | 一种电厂循环水泵预测性状态评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
董顺: "数据驱动的锅炉给水泵系统故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | Condition monitoring of wind turbine gearbox bearing based on deep learning model | |
CN106642067B (zh) | 锅炉液位的控制系统及其控制方法 | |
CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
EP2188678A1 (en) | System and method for empirical ensemble-based virtual sensing | |
CN109491358B (zh) | 一种面向百万千瓦超超临界机组锅炉动态信息的控制性能监测方法 | |
CN110083860B (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
CN104699050A (zh) | 数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法 | |
CN109538311B (zh) | 面向高端发电装备中汽轮机的控制性能实时监测方法 | |
Qin et al. | An analytical partial least squares method for process monitoring | |
CN111752147A (zh) | 一种具有持续学习能力改进pca的多工况过程监测方法 | |
Hu et al. | Low-rank reconstruction-based autoencoder for robust fault detection | |
CN114326486B (zh) | 一种基于概率慢特征分析和弹性权重巩固的过程监控方法 | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
CN113719446A (zh) | 一种基于数据挖掘的汽动给水泵状态监测系统 | |
CN109283912B (zh) | 一种面向智能电厂大型燃煤发电机组制粉系统的分布式动静协同综合监测方法 | |
Li et al. | Dynamic reconstruction principal component analysis for process monitoring and fault detection in the cold rolling industry | |
Zhu et al. | Partial derivate contribution plot based on KPLS-KSER for nonlinear process fault diagnosis | |
CN114997309A (zh) | 给水泵故障预警方法及装置 | |
Zhang et al. | A novel deep DPCA-SVM method for fault detection in industrial processes | |
Arakelyan et al. | Analysis of the DCS historical data for estimation of input signal significance | |
Yang et al. | Anomaly detection of automobile welding workstation based on stacked autoencoders and long short-term memory network | |
Tang et al. | Distributed Process Monitoring Based on multi-block KGLPP | |
Zhang et al. | Preliminarily realize the remote diagnosis of the running state of the power station unit with principal component analysis based on java program | |
Ji et al. | Dynamic Process Monitoring Based on Integrated Statistic of Principal Component Analysis and Slow Feature Analysis | |
Peng et al. | Industrial Data Extraction Method Based on Correlation Matrix and Multidimensional Probability Distribution |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Lu Chunhui Inventor after: Shi Chenxiang Inventor after: Ai Yanglin Inventor after: Cheng Tingting Inventor before: Lu Chunhui Inventor before: Shi Chenxiang Inventor before: Ai Yanglin Inventor before: Cheng Tingting |