CN114112374A - 一种基于正交子块投影的武器装备系统的故障诊断方法 - Google Patents
一种基于正交子块投影的武器装备系统的故障诊断方法 Download PDFInfo
- Publication number
- CN114112374A CN114112374A CN202111395543.4A CN202111395543A CN114112374A CN 114112374 A CN114112374 A CN 114112374A CN 202111395543 A CN202111395543 A CN 202111395543A CN 114112374 A CN114112374 A CN 114112374A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- input
- sub
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003745 diagnosis Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 167
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 75
- 238000005070 sampling Methods 0.000 claims description 26
- 230000003068 static effect Effects 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000003111 delayed effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000008569 process Effects 0.000 description 33
- 238000001514 detection method Methods 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011895 specific detection Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于正交子块投影的武器装备系统的故障诊断方法,包括以下步骤:S1、采集武器装备系统的传感数据,并对传感数据依次进行线性标准化和数据动态扩展处理,得到输入动态时滞矩阵和输出数据矩阵;S2、根据输入动态时滞矩阵和输出数据矩阵,构建潜结构动态模型;S3、根据潜结构动态模型,计算历史数据统计量;S4、采集待测武器装备系统的传感数据,得到待测传感数据,根据历史数据统计量对待测传感数据进行故障监测;本发明解决了现有用于武器装备系统的故障诊断的方法存在故障诊断率不高的问题。
Description
技术领域
本发明涉及武器装备系统故障监测领域,具体涉及一种基于正交子块投影的武器装备系统的故障诊断方法。
背景技术
随着现代技术与芯片集成的快速发展,大型复杂装备如火箭、导弹的系统结构越加复杂,已无法由简单的物理模型和机理模型可以进行描述,导致一系列基于故障树和机理模型的故障诊断方法难以适用。而随着传感器工艺精度的快速提升,大量的传感器被布置到装备的各个关键位置以获取海量数据。如何从海量数据中分析出装备运行的状态以及诊断故障的原因是目前的研究热点。因此,基于数据驱动建模的方法受到广泛的重视,并得到了大量发展及应用。在复杂装备运行过程获取的数据中,通常呈动态、非高斯、非线性等特点,如何从这些数据中提取过程的特征建立模型是数据驱动方法的难点。
在大型装备系统中,过程变量的测量值通常受历史样本的影响,呈动态变化。针对该过程,传统的应用于平稳过程的多元统计分析方法难以有效监测该过程,会存在较大的误报警和漏报警的情况。同时,在考虑关键性能指标的动态过程监测中,如何从动态的过程变量中提取与关键部件相关的特征,并通过对过程变量监测实现对关键部件的早期报警和监控是研究的难点。为有效实现动态过程中关键性能指标的异常监测,一种正交子块投影的质量相关动态过程监测方法被提出。所提方法中,通过构建动态内模型和动态外模型,一种改进动态潜结构投影模型(MDPLS)被提出。此外,基于MDPLS模型,正交子块的投影算法被提出,并基于该算法构造动态过程监测统计量。一种在线的动态过程监测策略也被设计,包括离线构建控制限,在线过程映射投影构建统计量,实现在线样本的实时监测。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于正交子块投影的武器装备系统的故障诊断方法解决了现有用于武器装备系统的故障诊断的方法存在故障诊断率不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于正交子块投影的武器装备系统的故障诊断方法,包括以下步骤:
S1、采集武器装备系统的传感数据,并对传感数据依次进行线性标准化和数据动态扩展处理,得到输入动态时滞矩阵和输出数据矩阵;
S2、根据输入动态时滞矩阵和输出数据矩阵,构建潜结构动态模型;
S3、根据潜结构动态模型,计算历史数据统计量;
S4、采集待测武器装备系统的传感数据,得到待测传感数据,根据历史数据统计量对待测传感数据进行故障监测。
进一步地,所述步骤S1中武器装备系统的传感数据包括:电压电流数据、气压液压数据、压力数据、振动数据、温度数据、伺服机构速率数据、伺服机构转速数据和伺服机构反馈电压数据,其中,电压电流数据、气压液压数据、压力数据、振动数据和温度数据作为输入数据集X,伺服机构速率数据、伺服机构转速数据和伺服机构反馈电压数据作为输出数据集Y。
进一步地,所述步骤S1中对传感数据进行线性标准化的公式为:
其中,为标准化处理后的输入数据集X的第个传感器的第i次采样数据,为输入数据集X的第个传感器的第i次采样数据,n为总的采样次数,为标准化处理后的输出数据集Y的第s个传感器的第i次采样数据,ys,i为输出数据集Y的第s个传感器的第i次采样数据,标准化处理后的构成标准化输入数据集m为采集输入数据集X的传感器数量,标准化处理后的构成标准化输出数据集p为采集输出数据集Y的传感器数量。
其中,为第j个时滞矩阵,由标准化输入数据集X*中第j个采样数据到第j+n-q个采样数据组成,q为q个时延块, 为标准化输入数据集X*对应的第j个采样数据,包含m个变量, 由标准化输出数据集Y*中第q个采样数据到第n个采样数据组成。
进一步地,所述步骤S2包括以下分步骤:
Swβ=λβλcβ (11)
Sβw=λwλcw (12)
其中,Sw为公式(11)的中间变量,Sβ为公式(12)的中间变量,S为Xg和的协方差矩阵,≡为恒等号,λw,λc和λβ为拉格朗日乘数法的系数,为直积运算,为第次迭代的权重系数,为时滞矩阵的权重矩阵,为时滞矩阵的权重矩阵的元素,Xg为输入动态时滞矩阵,I为单位矩阵;
上述进一步方案的有益效果为:对数据进行了标准化,使不同尺度的指标统一量纲、尺度归一,确保了所有指标特征的有效提取;构建了动态目标函数,确定了动态特征提取的方向,使得装备测试过程中测得的动态数据实现降维,且降维信息反映了数据的动态特征。
上述进一步方案的有益效果为:构造了时滞潜变量矩阵,使得不同时刻降维的潜变量统一到了一个矩阵,可以有效反映出装备监测数据降维信息的整体变化。
其中,为第迭代的标准化输入数据集,在时,为X*,为第次迭代第j个时滞矩阵,为 为 为 为的潜变量,为的潜变量,为第次迭代第j个时滞矩阵,为第次迭代的输出数据矩阵,在时,Yq,1为 为第次更新的标准化输入数据集X*,为第次更新的输入动态时滞矩阵Xg,为第次更新的输出数据矩阵 为第次迭代的负载向量,为第次迭代的输出得分向量。
上述进一步方案的有益效果为:实现了动态回归模型的迭代更新,确保了动态特征的充分提取,确保了提取的动态特征包含过程信息量最大的同时,尽可能的提取输出变量的相关信息,使得监测的动态过程数据降维到与输出相关的方向,从而有效监测待测武器装备系统的存在造成系统运行出错的故障。
进一步地,所述步骤S209中潜结构动态模型为:
其中,X*″为上述循环最终得到的标准化输入数据集,z-1为单位时滞算子,为上述循环最终得到的M为输入时延得分矩阵集合, P为负载矩阵,为第次迭代的负载向量,为的残差,为X*的残差, 为第次迭代的输出总得分,D1(z-1)至DA(z-1)为第1次迭代到第A次迭代的q个时滞时刻,为时滞的变量。
上述进一步方案的有益效果为:构造了正交分解的动态模型,有效降低了质量相关空间中的冗余信息,从而避免了因冗余信息异常而导致的误报警,提高了动态过程故障检测的整体性能。
进一步地,所述步骤S3包括以下分步骤:
S301、将潜结构动态模型进一步改写:
S306、根据变量自回归模型,得到s时刻静态质量相关潜变量vs,
上述进一步方案的有益效果为:去除历史信息的影响,构造了反映当前时刻变化的静态潜变量,从而实现对当前时刻样本的真实异常表征。
进一步地,所述步骤S4包括以下分步骤:
S402、采集武器装备系统的传感数据,构建待测数据集,将待测数据集中每一项待测数据沿正交质量相关投影矩阵投影,得到待测数据的静态潜变量:
S403、根据待测数据的静态潜变量vnew,s,计算待测数据统计量:
S404、判断待测数据的统计量是否小于等于控制限若是,则待测武器装备系统的待测数据为正常数据,不存在造成系统运行出错的扰动,待测武器装备系统运行正常,为质量无关故障,若否,待测武器装备系统的待测数据为非正常数据,存在造成系统运行出错的扰动,为质量相关故障。
上述进一步方案的有益效果为:构造了反映动态过程整体状态的控制限,并设计了故障检测逻辑,可以有效实现装备测试在动态过程中测试样本的实时监测。
综上,本发明的有益效果为:本发明有效提出了武器装备系统的过程变量与关键性能指标的动态特征。具有良好的过程监测性能以及更加优异的质量相关故障检测率和更低的误报率。且根据武器装备系统运行过程中的传感数据,即可判断出其发生故障的类型和严重程度。为大型武器装备的故障监测提供理论依据和技术支撑,从而节约经费开支,避免不必要的经济损失,有很好的工程应用价值。
附图说明
图1为一种基于正交子块投影的武器装备系统的故障诊断方法的流程图;
图2为质量相关故障IDV(8)的故障检测结果;
图3为质量无关故障IDV(3)的故障检测结果。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于正交子块投影的武器装备系统的故障诊断方法,包括以下步骤:
S1、采集武器装备系统的传感数据,并对传感数据依次进行线性标准化和数据动态扩展处理,得到输入动态时滞矩阵和输出数据矩阵;
步骤S1中武器装备系统的传感数据包括:电压电流数据、气压液压数据、压力数据、振动数据、温度数据、伺服机构速率数据、伺服机构转速数据和伺服机构反馈电压数据,其中,电压电流数据、气压液压数据、压力数据、振动数据和温度数据作为输入数据集X,伺服机构速率数据、伺服机构转速数据和伺服机构反馈电压数据作为输出数据集Y。
监测武器装备系统的对应类型故障,即可采集对应类型故障的过程数据,得到输入数据集X,将监测武器装备系统输出的能反应对应故障的输出数据作为输出数据集Y,例如电压电流增大时,伺服机构转速会提高,那么电压电流数据为过程数据,即输入数据,伺服机构转速作为关键性指标数据,即输出数据,建立正常情况下输入数据与输出数据的对应关系,可用于监测系统的运行情况。
步骤S1中对传感数据进行线性标准化的公式为:
其中,为标准化处理后的输入数据集X的第个传感器的第i次采样数据,为输入数据集X的第个传感器的第i次采样数据,n为总的采样次数,为标准化处理后的输出数据集Y的第s个传感器的第i次采样数据,ys,i为输出数据集Y的第s个传感器的第i次采样数据,标准化处理后的构成标准化输入数据集m为采集输入数据集X的传感器数量,标准化处理后的构成标准化输出数据集p为采集输出数据集Y的传感器数量。
其中,为第j个输入时滞矩阵,由标准化输入数据集X*中第j个采样数据到第j+n-q个采样数据组成,q为q个时延块, 为标准化输入数据集X*对应的第i个采样数据,包含m个变量,取与对应的 由标准化输出数据集Y*中第q个采样数据到第n个采样数据组成。
S2、根据输入动态时滞矩阵和输出数据矩阵,构建潜结构动态模型;
所述步骤S2中的原理如下:
A1、考虑动态过程中当前数据受历史数据的影响,建立输入数据与输出数据潜变量的目标函数:
约束:||w||=||ξ||=1,β1 2+…+βq 2=1
A2、将目标函数简化:
约束:||w||=||ξ||=||β||=1
A3、采用拉格朗日算子求解A2的函数:
其中,λw为拉格朗日算子中w约束的系数,λc为拉格朗日算子中ξ约束的系数,λβ为拉格朗日算子中β约束的系数;
A4、分别对步骤A3中的β、w和ξ求偏导:
其中,I为单位矩阵;
A5、将式(8)分别带入式(6)和式(7),得动态外模型:
Swβ=λβλcβ (11)
Sβw=λwλcw (12)
A7、根据(11)计算得到β,根据计算的β,通过(12)得到w,通过w计算输入数据与输出数据潜变量:
t=X*w (16)
A8、构建输入潜变量和输出潜变量的关系式,即动态内模型:
uq=θ1t(1)+θ2t(2)+…+θqt(q)+r (18)
其中,θ1、…、θq为输入潜变量t1到tq的权重系数,r为输入潜变量预测输出潜变量的残差,上式表明动态内模型为由时滞的输入潜变量ti来估计输出潜变量uq,t(1)、…、t(q)为q个时滞矩阵的潜变量。为从历史输入潜变量中估计当前时刻输出潜变量,输出潜变量的估计值为:
其中,为的输出潜变量估计值,为第j个输入潜变量tj的系数, 为时滞输入潜变量的系数向量,可以通过最小二乘估计求解uq为第q个时刻(当前时刻)的输出潜变量,Tq为q个时滞输入潜变量组成的时滞潜变量矩阵,Tq=[tq,…,t1],tq,…,t1为q个时滞矩阵的潜变量;
A9、式(19)可以被估计为:
所述步骤S2包括以下分步骤:
Swβ=λβλcβ (11)
Sβw=λwλcw (12)
其中,Sw为公式(11)的中间变量,Sβ为公式(12)的中间变量,S为Xg和的协方差矩阵,≡为恒等号,λw,λc和λβ为拉格朗日乘数法的系数,为直积运算,为第次迭代的权重系数,为时滞矩阵的权重矩阵,为时滞矩阵的权重矩阵的元素,Xg为输入动态时滞矩阵,I为单位矩阵;
其中,为第迭代的标准化输入数据集,在时,为X*,为第次迭代第j个时滞矩阵,为 为 为 为的潜变量,为的潜变量,为第次迭代第j个时滞矩阵,为第次迭代的输出数据矩阵,在时,Yq,1为 为第次更新的标准化输入数据集X*,为第次更新的输入动态时滞矩阵Xg,为第次更新的输出数据矩阵 为第次迭代的负载向量,为第次迭代的输出得分向量。
步骤S209中潜结构动态模型为:
其中,X*″为上述循环最终得到的标准化输入数据集,z-1为单位时滞算子,为上述循环最终得到的M为输入时延得分矩阵集合, P为负载矩阵,为第次迭代的负载向量,为的残差,为X*的残差, 为第次迭代的输出总得分,D1(z-1)至DA(z-1)为第1次迭代到第A次迭代的q个时滞时刻,为时滞的变量。
S3、根据潜结构动态模型,计算历史数据统计量;
步骤S3包括以下分步骤:
S301、将潜结构动态模型进一步改写:
S306、根据变量自回归模型,得到s时刻静态质量相关潜变量vs,
S4、采集待测武器装备系统的传感数据,得到待测传感数据,根据历史数据统计量对待测传感数据进行故障监测。
所述步骤S4包括以下分步骤:
S402、采集武器装备系统的传感数据,构建待测数据集,将待测数据集中每一项待测数据沿正交质量相关投影矩阵投影,得到待测数据的静态潜变量:
S403、根据待测数据的静态潜变量vnew,s,计算待测数据统计量:
S404、判断待测数据的统计量是否小于等于控制限若是,则待测武器装备系统的待测数据为正常数据,不存在造成系统运行出错的扰动,待测武器装备系统运行正常,为质量无关故障,若否,待测武器装备系统的待测数据为非正常数据,存在造成系统运行出错的扰动,为质量相关故障。
为验证大型复杂装备的动态过程异常监测,过田纳西-伊斯曼(TEP)实验中采集的数据来进行验证。考虑到大型复杂装备系统是多指标、高维度、大样本、存在过程变量和关键性能指标等特点,与TEP类似,因此采用TEP来验证所提方法的有效性。TEP是由伊士曼化工公司Downs和Vogel于1993年开发的一个小型工业流程,整个流程由五个操作单元组成,包括化学反应器、冷凝器、压缩机、汽/液分离器和分离器。
TEP含有八种成分:A,B,C,D,E,F,G和H,其中,气态物质A,C,D和E以及惰性物质B是反应物,G和H是反应产物,F是反应副产物。
TEP共生成22个数据集用于过程监控和故障诊断,包括1个正常数据和8个质量相关故障训练集和4个质量无关故障训练集。在训练集中,正常数据集包含480个样本,用于建立训练模型和计算控制限,故障数据集包含480个故障样本,用于建立故障库;在测试集中,每个测试数据集包含960个样本,前160个为正常样本,后面800个为故障样本,用于实验验证。每个输入样本分别包括33个变量,测试样本为3个变量。故障类型IDV(1,2,6,8,12-14)被认定是质量相关故障数据,IDV(3,4,9,15)被认定是质量无关故障数据。
表1质量相关故障检测
表1展示了8种质量相关故障的检测情况,由检测率可以看出,本发明的方法针对动态的复杂过程具有良好的监测性能,检测率基本均大于90%。给出故障IDV(8)具体检测结果如图2所示。在IDV(8)中,前160个被检测均为正常样本,都处于控制限下;后800个故障样本也基本得到有效报警。
表2质量无关故障检测结果
表2显示了4类质量无关故障的检测情况。在这些故障中,过程变量发生了故障,但是因为是质量无关的,所以不会引起关键性能指标的故障。因此在对关键性能指标的检测中,不应对该类故障进行报警,若报警,则为误报警。由表3可知,4类质量无关故障误报率均在10%之内,特别故障IDV(3,9,15)的误报率在5%左右。给出故障IDV(3)的具体检测结果如图3所示。在图3中,统计量只存在少量的误报警,具有良好的检测性能。
Claims (10)
1.一种基于正交子块投影的武器装备系统的故障诊断方法,其特征在于,包括以下步骤:
S1、采集武器装备系统的传感数据,并对传感数据依次进行线性标准化和数据动态扩展处理,得到输入动态时滞矩阵和输出数据矩阵;
S2、根据输入动态时滞矩阵和输出数据矩阵,构建潜结构动态模型;
S3、根据潜结构动态模型,计算历史数据统计量;
S4、采集待测武器装备系统的传感数据,得到待测传感数据,根据历史数据统计量对待测传感数据进行故障监测。
2.根据权利要求1所述的基于正交子块投影的武器装备系统的故障诊断方法,其特征在于,所述步骤S1中武器装备系统的传感数据包括:电压电流数据、气压液压数据、压力数据、振动数据、温度数据、伺服机构速率数据、伺服机构转速数据和伺服机构反馈电压数据,其中,电压电流数据、气压液压数据、压力数据、振动数据和温度数据作为输入数据集X,伺服机构速率数据、伺服机构转速数据和伺服机构反馈电压数据作为输出数据集Y。
5.根据权利要求4所述的基于正交子块投影的武器装备系统的故障诊断方法,其特征在于,所述步骤S2包括以下分步骤:
S201、初始化i=1,输入投影矩阵w=[1,0,…,0]T;
S202、对公式(11)进行特征分解,得到权重系数βi;
Swβ=λβλcβ (11)
Sβw=λwλcw (12)
其中,Sw为公式(11)的中间变量,Sβ为公式(12)的中间变量,S为Xg和的协方差矩阵,≡为恒等号,λw,λc和λβ为拉格朗日乘数法的系数,为直积运算,为第次迭代的权重系数,为时滞矩阵的权重矩阵,为时滞矩阵的权重矩阵的元素,Xg为输入动态时滞矩阵,I为单位矩阵;
9.根据权利要求8所述的基于正交子块投影的武器装备系统的故障诊断方法,其特征在于,所述步骤S3包括以下分步骤:
S301、将潜结构动态模型进一步改写:
S306、根据变量自回归模型,得到s时刻静态质量相关潜变量vs,
10.根据权利要求9所述的基于正交子块投影的武器装备系统的故障诊断方法,其特征在于,所述步骤S4包括以下分步骤:
S402、采集武器装备系统的传感数据,构建待测数据集,将待测数据集中每一项待测数据沿正交质量相关投影矩阵投影,得到待测数据的静态潜变量:
S403、根据待测数据的静态潜变量vnew,s,计算待测数据统计量:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111395543.4A CN114112374B (zh) | 2021-11-23 | 2021-11-23 | 一种基于正交子块投影的武器装备系统的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111395543.4A CN114112374B (zh) | 2021-11-23 | 2021-11-23 | 一种基于正交子块投影的武器装备系统的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114112374A true CN114112374A (zh) | 2022-03-01 |
CN114112374B CN114112374B (zh) | 2024-07-09 |
Family
ID=80439973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111395543.4A Active CN114112374B (zh) | 2021-11-23 | 2021-11-23 | 一种基于正交子块投影的武器装备系统的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114112374B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120316835A1 (en) * | 2010-01-14 | 2012-12-13 | Shunji Maeda | Anomaly detection method and anomaly detection system |
US20180039865A1 (en) * | 2015-08-07 | 2018-02-08 | Hefei University Of Technology | Analog circuit fault mode classification method |
CN111913475A (zh) * | 2020-08-07 | 2020-11-10 | 清华大学 | 动态系统中故障检测方法、检测器以及存储介质 |
CN112611936A (zh) * | 2020-11-27 | 2021-04-06 | 云南大学 | 一种基于边缘计算的配网变压器故障动态检测与分类系统 |
CN113076211A (zh) * | 2021-03-29 | 2021-07-06 | 中国人民解放军火箭军工程大学 | 一种基于故障重构的质量相关故障诊断及误报警反馈方法 |
-
2021
- 2021-11-23 CN CN202111395543.4A patent/CN114112374B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120316835A1 (en) * | 2010-01-14 | 2012-12-13 | Shunji Maeda | Anomaly detection method and anomaly detection system |
US20180039865A1 (en) * | 2015-08-07 | 2018-02-08 | Hefei University Of Technology | Analog circuit fault mode classification method |
CN111913475A (zh) * | 2020-08-07 | 2020-11-10 | 清华大学 | 动态系统中故障检测方法、检测器以及存储介质 |
CN112611936A (zh) * | 2020-11-27 | 2021-04-06 | 云南大学 | 一种基于边缘计算的配网变压器故障动态检测与分类系统 |
CN113076211A (zh) * | 2021-03-29 | 2021-07-06 | 中国人民解放军火箭军工程大学 | 一种基于故障重构的质量相关故障诊断及误报警反馈方法 |
Non-Patent Citations (1)
Title |
---|
孔祥玉;解建;罗家宇;杜柏阳;李强: "基于局部信息增量与MPLS的质量相关故障检测方法", 《控制与决策》, 31 July 2021 (2021-07-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN114112374B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
CN104714537B (zh) | 一种基于联合相对变化分析和自回归模型的故障预测方法 | |
Volponi et al. | The use of Kalman filter and neural network methodologies in gas turbine performance diagnostics: a comparative study | |
CN108508865B (zh) | 一种基于分散式osc-pls回归模型的故障检测方法 | |
CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN114936520B (zh) | 基于改进mset的汽轮机故障预警分析方法 | |
CN110942258B (zh) | 一种性能驱动的工业过程异常监测方法 | |
CN111639304B (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
CN113703422B (zh) | 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 | |
Yao et al. | Fault diagnosis based on RseNet-LSTM for industrial process | |
CN113076211B (zh) | 一种基于故障重构的质量相关故障诊断及误报警反馈方法 | |
Dong et al. | Dynamic-inner canonical correlation analysis based process monitoring | |
CN114112374B (zh) | 一种基于正交子块投影的武器装备系统的故障诊断方法 | |
Uchida et al. | Process fault diagnosis method based on MSPC and LiNGAM and its application to Tennessee Eastman process | |
Ma et al. | Process monitoring of the pneumatic control valve using canonical variate analysis | |
CN114034332B (zh) | 一种用于武器装备系统的故障监测方法 | |
Huang et al. | A fault detection method based on stacking the SAE-SRBM for nonstationary and stationary hybrid processes | |
CN117556202B (zh) | 基于概率相关慢特征分析的工业过程微小故障检测方法 | |
Cao et al. | Dynamic latent variable modelling and fault detection of Tennessee Eastman challenge process | |
Chen et al. | Canonical correlation analysis–based fault diagnosis method for dynamic processes | |
Wang et al. | Part mutual information based quality-related component analysis for fault detection | |
CN112101731B (zh) | 一种基于混合核典型相关分析的污水厂在线故障监测方法 | |
CN113465930B (zh) | 基于混合方法的燃气轮机多传感器故障检测方法 | |
CN110928263B (zh) | 一种预先考虑动态关系的复杂过程的故障检测方法及系统 | |
Yang et al. | Chemical process fault detection using modified CVDA with memory mechanism |
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 |