CN114237202B - 基于fia-cva与迭代增强框架的过程监测方法 - Google Patents

基于fia-cva与迭代增强框架的过程监测方法 Download PDF

Info

Publication number
CN114237202B
CN114237202B CN202111496925.6A CN202111496925A CN114237202B CN 114237202 B CN114237202 B CN 114237202B CN 202111496925 A CN202111496925 A CN 202111496925A CN 114237202 B CN114237202 B CN 114237202B
Authority
CN
China
Prior art keywords
fault
fia
cva
matrix
past
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
Application number
CN202111496925.6A
Other languages
English (en)
Other versions
CN114237202A (zh
Inventor
杨春节
楼嗣威
许永泓
吴平
杨越麟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202111496925.6A priority Critical patent/CN114237202B/zh
Publication of CN114237202A publication Critical patent/CN114237202A/zh
Application granted granted Critical
Publication of CN114237202B publication Critical patent/CN114237202B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于FIA‑CVA与迭代增强框架的过程监测方法。在建模阶段旨在通过利用故障信息来获得更有效的故障检测结果，从而提出了FIA‑CVA建模方法。首先通过典型变量分析方法将原始数据空间分解为状态子空间和残差子空间。根据一定的故障数据，分析故障从正常到故障的变化，进一步将残差子空间分解为故障相关状态子空间、故障无关状态子空间、故障相关残差和故障无关子空间四个子空间，并建立相应的基于FIA‑CVA的监控统计和阈值。随后通过所提出的故障信息辅助集成增强监测框架（FIA‑IEMS）进行过程监测。在这个框架中首先依据工业现场采集到了多种类故障数据，建立一系列FIA‑CVA子模型，然后采用贝叶斯推理综合考虑不同模型的监测概率从而进行更为广泛的故障监测。

Description

基于FIA-CVA与迭代增强框架的过程监测方法
技术领域
本发明涉及过程监测领域，具体是指基于故障信息辅助增强典型变量分析(FIA-CVA)建模与迭代增强监测框架(FIA-IEMS)的过程监测方法。
背景技术
21世纪以来，随着工业自动化与经济全球化进程的推进，工业生产制造正朝着集成化和大规模化的方向发展。由于日益激烈的市场竞争，企业也对工业过程的生产效率、生产成本和产品质量提出了更高的要求。世界各国都希望通过一系列的传统工业转型升级，保持并提高各自在制造业领域中的竞争力。然而，在现代大规模工业中，只要一个微小的故障都有可能导致整个系统的损坏，造成巨大的财产损失，甚至危害人员的生命安全。
对于现代大规模工业过程，执行有效的过程监测是确保整个工业过程长期安全稳定运行及获得高质量产品的重要策略。而近年来，数据驱动的方法逐渐得到了发展。其旨在从数据中学习系统的运行状态，实现对设备和生产过程的优化决策与控制，是目前最为实用的过程诊断技术。该方法可以基于各种采集到的数据，通过机器学习、统计分析和模式识别等方法挖掘数据内部的深层信息，从而实现建模过程。
常见的数据驱动方法主要包括信号处理、机器学习及多变量分析方法等，其中多变量分析方法是其中应用最为广泛的方法。基于多变量分析(MVA)的过程监测方法主要有主元分析(PCA)、偏最小二乘(PLS)、费舍尔判别分析(FDA和典型变量分析(CVA)。国内外各个研究小组均投入了大量人力物力对相关重点领域实施突破，并取得了丰富的研究成果。
由于可以通过综合探索两个数据集和过程动态之间的相关性，基于CVA的过程建模和监控方法在最近成为了研究热点。然而，这些CVA方法仅从正常样本中提取特征，而没有考虑故障相关信息，从而限制了它们检测故障的监测灵敏度。
发明内容
为了克服现有技术的不足，本发明的目的是提供基于故障信息辅助增强典型变量分析(FIA-CVA)建模与迭代增强监测框架(FIA-IEMS)的过程监测方法。本发明通过利用故障信息来获得更有效的故障检测结果。对于FIA-CVA方法，CVA方法将原始数据空间分解为状态子空间和残差子空间。根据一定的故障数据，分析并引导故障从正常到故障的变化，进一步将残差子空间分解为故障相关状态子空间、故障无关状态子空间、故障相关残差和故障无关子空间四个子空间。建立相应的基于FIA-CVA的监控统计和阈值。随后通过所提出的故障信息辅助集成增强监测框架(FIA-IEMS)进行过程监测。在这个框架中首先依据工业现场采集到了多种类故障数据，建立一系列FIA-CVA子模型，然后采用贝叶斯推理综合考虑不同模型的监测概率从而进行更为广泛的故障监测。特别的是，在该监测框架下，新采集到的故障类型的数据可以通过建立新的FIA-CVA子模型整合入FIA-IEMS中，并且当已经建立的FIA-CVA子模型也可以通过结合新采集的数据进行重新训练进一步提高模型精度。
本发明首先提供一种基于故障信息辅助增强典型变量分析(FIA-CVA)的过程监测方法，其可根据传统CVA方法分解的状态子空间和残差子空间。根据一定的故障数据，分析并引导故障从正常到故障的变化，进一步将残差子空间分解为故障相关状态子空间、故障无关状态子空间、故障相关残差和故障无关子空间四个子空间。本方法中基于故障信息辅助增强典型变量分析(FIA-CVA)的过程监测方法，包括以下步骤：
(1)对于离线建模而言，首先由于采集正常运行过程中的过程数据，其中第k时刻的m维测量向量可表示为随后过去向量和将来向量被构成，
这里参数q表示时间滞后数，T为转置符号。当收集n样本后，过去矩阵Xp和将来矩阵Xf被构造，
这里N＝n-2q+1。随后为了探索动态系统的相关性，如下CVA优化目标被构建以最大化和的相关性，
s.t.JTJ＝I，LTL＝I
这里J和L均为投影矩阵，I为单位矩阵。通过奇异值分解(SVD)求解上述优化目标，和被求出。随后根据奇异值拐点分析，可以获得过去矩阵Xp和将来矩阵Xf的典型变量Cp和Cf可被求解得出，
这里，和分别矩阵J和L的前c列矩阵。至此基于正常的样本的CVA模型可以被计算得到，并且Xnp和Xnf的空间分解形式可被通过如下方式构建，
这里Rp和Rf均表示残差部分。
随后为了进一步结合故障信息，首先一类故障的数据样本被收集以组成相应的故障数据矩阵这里nf为所采集的样本数。最后采用与正常样本相同的方式，分别构成过去与将来故障数据矩阵和Nf＝nf-2q+1。为了探索典型变量和残差中的故障信息，首先将过去与将来故障数据矩阵使用Jc和Lc进行投影，
这里随后Cfp和Cff之间的动态相关性通过以下的优化目标被探索，
这里Jfc和Lfc为故障相关的投影矩阵，I为单位矩阵。类似于通过奇异值分解(SVD)求解上述优化目标，随后根据奇异值拐点分析和被求出。由此可以获得过去矩阵Xnp故障相关典型变量Cfr和故障无关典型变量Cfi可被导出，
同理，残差中的故障信息也被进一步探索，故障相关的过去与将来残差矩阵Rfp和Rff可以被构建如下，
随后Rfp和Rff之间的动态相关性通过建立以下的优化目标被探索，
这里Jfr和Lfr为故障相关的投影矩阵，I为单位矩阵。类似于通过奇异值分解(SVD)求解上述优化目标，随后根据奇异值拐点分析和被求出。由此可以获得过去矩阵Xnp故障相关残差Rfr和故障无关残差Rfi可被导出，
至此故障增强的典型变量分析建模已经完成，综合等式(11)(12)(16)(17)，过去数据矩阵可被FIA-CVA模型分解为：
当一系列新样本x(k)是被收集，过去样本xp(k)可被构成通过类似于等式(3)的方式，随后FIA-CVA模型可以将待测样本分为故障相关典型变量cfr(k)，故障无关典型变量cfi(k)，故障相关残差rfr(k)与故障无关残差rfi(k)，
随后Hotelling’sT2和Q统计量被采用以判断上述4个变量的变化，随后三个T2统计量可通过如下方式构建，
这里Λcr，Λci和Λrr分别为Cfr，Cfi和Rfr的协方差矩阵。随后，基于FIA-CVA方法的Q统计量可通过如下方式构建，
随后上述统计量的阈值可以通过基于置信度α的F和χ2分布求解得出，
这里α为置信度，μ是统计量Qri的样本均值，而S是统计量Qri的样本协方差。基于上述过程，FIA-CVA过程监测模型被构建，相应的统计量与阈值被计算获得。
本发明随后建立了一种故障信息辅助集成增强监测框架(FIA-IEMS)进行过程监测，实现对多故障源信息的综合能力，并提高故障的敏感度，具体包括以下步骤：
(1)在面对实际工业情况时，多种故障的数据样本被分别采集时，C类不同故障的数据样本可被表示为这时基于C类不同故障数据C个FIA-CVA子模型可以被建立，分别可命名为:FIA-CVA 1子模型，FIA-CVA 2子模型，…，FIA-CVA C子模型，并且相应阈值可以被建立。
(2)对于实时监测部分，首先采集实时数据并进行标准化处理，随后待测的过去样本xp(k)可被构成通过等式(3)的方式。然后根据C个FIA-CVA子模型，一系列的故障相关典型变量故障无关典型变量故障相关残差rfr (c)与故障无关残差被构造。并且一系列的实时统计量被计算获得。随后为整合不同子模型的监测效果，贝叶斯推论被采用以计算各个子模型的故障概率，即以下方法获得，
这里，和表示先验的故障概率1-α，样本xp(k)在各个子模型下的故障概率可以被计算为：
随后，概率可以通过如下方式计算获得，
这里表示先验的正常概率α，并且样本xp(k)在各个子模型下处于正常状态的概率可以被计算为：
为此，所有子模型的故障概率可被计算获得，随后提出了一种权重融合策略以整合所有子模型的故障概率获得统一的故障指标(Wcr，Wci，Wrr，Wri)如下，
最后通过对比故障指标是否小于置信度α，判断过程运行状态。若是，则判断过程正常无需维护；如果不是，则认为过程发生异常状况，需要停止检查。
本发明具有的有益效果：
本发明通过结合故障信息提出了一种故障信息辅助典型变量分析(FIA-CVA)过程监测方法。该方法通过整合故障信息，进一步提升的CVA模型的过程监测敏感度，并且实现对微小故障的诊断功能。这对于实际工况中，大量缓慢演变的故障对于提高其检测能力有非常重要的意义和价值。随后基于FIA-CVA，进一步提出了故障信息辅助集成增强监测框架(FIA-IEMS)，在这个框架中综合考虑了工业过程中多种故障源信息，并且在该监测框架下，新采集到的故障类型的数据可以通过建立新的FIA-CVA子模型整合入FIA-IEMS中，并且当已经建立的FIA-CVA子模型也可以通过结合新采集的数据进行重新训练进一步提高模型精度。最终实现了更加敏感、高校的过程监测表现。
附图说明
图1为本发明的基于故障信息辅助典型变量分析(FIA-CVA)过程建模路线示意图。
图2为本发明的基于故障信息辅助集成增强监测框架(FIA-IEMS)路线示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，以下结合附图对具体实施方法进行进一步的说明。
如图1所示，为本发明的基于故障信息辅助典型变量分析(FIA-CVA)过程监测路线示意图。所述的方法包括以下步骤：
(1)对于离线建模而言，需要将各个传感器(流量传感器、温度传感器、浓度传感器等)分别安装于过程中的各个位置，并通过数据库存储相应数据。随后基于数据库中采集的数据，正常运行过程中的过程数据，其中第k时刻的m维测量向量可表示为随后过去向量和将来向量被构成，
这里参数q表示时间滞后数，T为转置符号。当收集n样本后，过去矩阵Xp和将来矩阵Xf被构造，
这里N＝n-2q+1。随后为了探索动态系统的相关性，如下CVA优化目标被构建以最大化和的相关性，
s.t.JTJ＝I，LTL＝I
这里J和L均为投影矩阵，I为单位矩阵。通过奇异值分解(SVD)求解上述优化目标，和被求出。随后根据奇异值拐点分析，可以获得过去矩阵Xp和将来矩阵Xf的典型变量Cp和Cf可被求解得出，
这里，和分别矩阵J和L的前c列矩阵。至此基于正常的样本的CVA模型可以被计算得到，并且Xnp和Xnf的空间分解形式可被通过如下方式构建，
这里Rp和Rf均表示残差部分。
随后为了进一步结合故障信息，首先一类故障的数据样本被收集以组成相应的故障数据矩阵这里nf为所采集的样本数。最后采用与正常样本相同的方式，分别构成过去与将来故障数据矩阵和Nf＝nf-2q+1。为了探索典型变量和残差中的故障信息，首先将过去与将来故障数据矩阵使用Jc和Lc进行投影，
这里随后Cfp和Cff之间的动态相关性通过以下的优化目标被探索，
这里Jfc和Lfc为故障相关的投影矩阵，I为单位矩阵。类似于通过奇异值分解(SVD)求解上述优化目标，随后根据奇异值拐点分析和被求出。由此可以获得过去矩阵Xnp故障相关典型变量Cfr和故障无关典型变量Cfi可被导出，
同理，残差中的故障信息也被进一步探索，故障相关的过去与将来残差矩阵Rfp和Rff可以被构建如下，
随后Rfp和Rff之间的动态相关性通过建立以下的优化目标被探索，
这里Jfr和Lfr为故障相关的投影矩阵，I为单位矩阵。类似于通过奇异值分解(SVD)求解上述优化目标，随后根据奇异值拐点分析和被求出。由此可以获得过去矩阵Xnp故障相关残差Rfr和故障无关残差Rfi可被导出，
至此故障增强的典型变量分析建模已经完成，综合等式(11)(12)(16)(17)，过去数据矩阵可被FIA-CVA模型分解为：
当一系列新样本x(k)是被收集，过去样本xp(k)可被构成通过类似于等式(3)的方式，随后FIA-CVA模型可以将待测样本分为故障相关典型变量cfr(k)，故障无关典型变量cfi(k)，故障相关残差rfr(k)与故障无关残差rfi(k)，
随后Hotelling’sT2和Q统计量被采用以判断上述4个变量的变化，随后三个T2统计量可通过如下方式构建，
这里Λcr，Λci和Λrr分别为Cfr，Cfi和Rfr的协方差矩阵。随后，基于FIA-CVA方法的Q统计量可通过如下方式构建，
随后上述统计量的阈值可以通过基于置信度α的F和χ2分布求解得出，
这里α为置信度，μ是统计量Qri的样本均值，而S是统计量Qri的样本协方差。基于上述过程，FIA-CVA过程监测模型被构建，相应的统计量与阈值被计算获得。在实际实施过程中，α常取到99.9％。
如图2所示，为本发明的一种故障信息辅助集成增强监测框架(FIA-IEMS)进行过程监测路线图。所述的方法包括以下步骤：
(1)在面对实际工业情况时，多种故障的数据样本被分别采集时，C类不同故障的数据样本可被表示为这时基于C类不同故障数据C个FIA-CVA子模型可以被建立，分别可命名为:FIA-CVA 1子模型，FIA-CVA 2子模型，…，FIA-CVA C子模型，并且相应阈值可以被建立。
(2)对于实时监测部分，首先采集实时数据并进行标准化处理，随后待测的过去样本xp(k)可被构成通过等式(3)的方式。然后根据C个FIA-CVA子模型，一系列的故障相关典型变量故障无关典型变量故障相关残差rfr (c)与故障无关残差被构造。并且一系列的实时统计量被计算获得。随后为整合不同子模型的监测效果，贝叶斯推论被采用以计算各个子模型的故障概率，即以下方法获得，
这里，和表示先验的故障概率1-α，样本xp(k)在各个子模型下的故障概率可以被计算为：
随后，概率可以通过如下方式计算获得，
这里表示先验的正常概率α，并且样本xp(k)在各个子模型下处于正常状态的概率可以被计算为：
为此，所有子模型的故障概率可被计算获得，随后提出了一种权重融合策略以整合所有子模型的故障概率获得统一的故障指标(Wcr，Wci，Wrr，Wri)如下，
最后通过对比故障指标是否小于置信度α，判断过程运行状态。若是，则判断过程正常无需维护；如果不是，则认为过程发生异常状况，需要停止检查。
本发明通过结合故障信息提出了一种故障信息辅助典型变量分析(FIA-CVA)过程监测方法。该方法通过整合故障信息，进一步提升的CVA模型的过程监测敏感度，并且实现对微小故障的诊断功能。并且进一步提出了故障信息辅助集成增强监测框架(FIA-IEMS)。在这个框架中首先依据工业现场采集到了多种类故障数据，建立一系列FIA-CVA子模型，然后采用贝叶斯推理综合考虑不同模型的监测概率从而进行更为广泛的故障监测。这对于实际工况中，大量缓慢演变的故障对于提高其检测能力有非常重要的意义和价值。
以上所述并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于FIA-CVA与迭代增强框架的过程监测方法，其特征在于，包括以下步骤：
(1)离线建模，首先采集正常运行过程中的过程数据，其中第k时刻的m维测量向量表示为随后构成过去向量和将来向量
这里参数q表示时间滞后数，T为转置符号；当收集n样本后，构造过去矩阵Xp和将来矩阵Xf，
这里N＝n-2q+1；随后为了探索动态系统的相关性，如下CVA优化目标被构建以最大化和的相关性，
s.t.JTJ＝I，LTL＝I
这里J和L均为投影矩阵，I为单位矩阵；通过奇异值分解(SVD)求解上述优化目标，和被求出；随后根据奇异值拐点分析，获得过去矩阵Xp和将来矩阵Xf的典型变量Cp和Cf，
这里，和分别矩阵J和L的前c列；Xnp和Xnf的空间分解形式通过如下方式构建，
这里Rp和Rf均表示残差部分；
为了进一步结合故障信息，首先一类故障的数据样本被收集以组成相应的故障数据矩阵这里nf为所采集的样本数；最后采用与正常样本相同的方式，分别构成过去与将来故障数据矩阵和Nf＝nf-2q+1；为了探索典型变量和残差中的故障信息，首先将过去与将来故障数据矩阵使用Jc和Lc进行投影，
这里随后Cfp和Cff之间的动态相关性通过以下的优化目标被探索，
这里Jfc和Lfc为故障相关的投影矩阵，I为单位矩阵；求解上述优化目标，随后根据奇异值拐点分析和被求出，由此获得过去矩阵Xnp故障相关典型变量Cfr和故障无关典型变量Cfi，
同理，残差中的故障信息也被进一步探索，故障相关的过去与将来残差矩阵Rfp和Rff被构建如下，
随后Rfp和Rff之间的动态相关性通过建立以下的优化目标被探索，
这里Jfr和Lfr为故障相关的投影矩阵，I为单位矩阵；随后根据奇异值拐点分析和被求出；由此获得过去矩阵Xnp故障相关残差Rfr和故障无关残差Rfi，
至此故障增强的典型变量分析建模已经完成，综合等式(11)(12)(16)(17)，过去数据矩阵被FIA-CVA模型分解为：
当一系列新样本x(k)是被收集，过去样本xp(k)被构成通过类似于等式(3)的方式，随后FIA-CVA模型将待测样本分为故障相关典型变量cfr(k)，故障无关典型变量cfi(k)，故障相关残差rfr(k)与故障无关残差rfi(k)，
随后Hotelling’s T2和Q统计量被采用以判断上述4个变量的变化，随后三个T2统计量通过如下方式构建，
这里Λcr，Λci和Λrr分别为Cfr，Cfi和Rfr的协方差矩阵；随后，基于FIA-CVA方法的Q统计量可通过如下方式构建，
随后上述统计量的阈值可以通过基于置信度α的F和χ2分布求解得出，
这里α为置信度，μ是统计量Qri的样本均值，而S是统计量Qri的样本协方差；基于上述过程，FIA-CVA过程监测模型被构建，相应的统计量与阈值被计算获得。
2.根据权利要求1所述的方法，其特征在于，进一步，迭代增强监测框架(FIA-IEMS)的过程监测方法包括以下步骤：
(1)在面对实际工业情况时，多种故障的数据样本被分别采集时，C类不同故障的数据样本被表示为这时基于C类不同故障数据C个FIA-CVA子模型被建立，分别可命名为：FIA-CVA1子模型，FIA-CVA2子模型，...，FIA-CVAC子模型，并且相应阈值被建立；
(2)对于实时监测部分，首先采集实时数据并进行标准化处理，随后待测的过去样本xp(k)被构成通过等式(3)的方式；然后根据C个FIA-CVA子模型，一系列的故障相关典型变量故障无关典型变量故障相关残差rfr (c)与故障无关残差被构造；并且一系列的实时统计量被计算获得；随后为整合不同子模型的监测效果，贝叶斯推论被采用以计算各个子模型的故障概率，即以下方法获得，
这里，和表示先验的故障概率1-α，样本xp(k)在各个子模型下的故障概率被计算为：
随后，概率通过如下方式计算获得，
这里表示先验的正常概率α，并且样本xp(k)在各个子模型下处于正常状态的概率可以被计算为：
为此，所有子模型的故障概率被计算获得，随后提出了一种权重融合策略以整合所有子模型的故障概率获得统一的故障指标(Wcr，Wci，Wrr，Wri)如下，
最后通过对比故障指标是否小于置信度α，判断过程运行状态；若是，则判断过程正常无需维护；如果不是，则认为过程发生异常状况，需要停止检查。
CN202111496925.6A 2021-12-08 2021-12-08 基于fia-cva与迭代增强框架的过程监测方法 Active CN114237202B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111496925.6A CN114237202B (zh) 2021-12-08 2021-12-08 基于fia-cva与迭代增强框架的过程监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111496925.6A CN114237202B (zh) 2021-12-08 2021-12-08 基于fia-cva与迭代增强框架的过程监测方法

Publications (2)

Publication Number Publication Date
CN114237202A CN114237202A (zh) 2022-03-25
CN114237202B true CN114237202B (zh) 2024-04-05

Family

ID=80754199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111496925.6A Active CN114237202B (zh) 2021-12-08 2021-12-08 基于fia-cva与迭代增强框架的过程监测方法

Country Status (1)

Country Link
CN (1) CN114237202B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012040916A1 (zh) * 2010-09-29 2012-04-05 东北大学 基于递归核主元分析的连续退火过程故障监测方法
CN111259523A (zh) * 2020-01-09 2020-06-09 浙江理工大学 基于kpca-cva模型和随机算法的过程监测方法
CN113110402A (zh) * 2021-05-24 2021-07-13 浙江大学 知识与数据驱动的大规模工业系统分布式状态监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107884707B (zh) * 2017-09-30 2018-12-21 杨启蓓 高压断路器分合闸时间在线监测装置和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012040916A1 (zh) * 2010-09-29 2012-04-05 东北大学 基于递归核主元分析的连续退火过程故障监测方法
CN111259523A (zh) * 2020-01-09 2020-06-09 浙江理工大学 基于kpca-cva模型和随机算法的过程监测方法
CN113110402A (zh) * 2021-05-24 2021-07-13 浙江大学 知识与数据驱动的大规模工业系统分布式状态监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于多维高斯贝叶斯算法在雷达故障信息诊断系统应用》;马景奕;《计算机测量与控制》;20210725(第第7期期);第11页-第15页，第30页 *
Yu Song.《A method of Fault Diagnosis of non-Gaussian Property and Performance Correlation Based on Independent Component Analysis》.《2020 2nd International Conference on Industrial Artificial Intelligence (IAI)》.2020,第1页-第6页. *

Also Published As

Publication number Publication date
CN114237202A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN104699077B (zh) 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法
CN111580506A (zh) 基于信息融合的工业过程故障诊断方法
CN105574587B (zh) 一种塑料注塑过程的在线工况过程监控方法
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN110647911A (zh) 一种基于主成分分析和深度信念网络的轴承故障诊断方法
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
CN117290800B (zh) 一种基于超图注意力网络的时序异常检测方法及系统
CN111340110A (zh) 一种基于工业过程运行状态趋势分析的故障预警方法
CN113298170B (zh) 非稳定工况下能耗模式识别方法及系统
CN111275136B (zh) 基于小样本下的故障预测系统及其预警方法
CN114754973A (zh) 基于机器学习的风洞测力试验数据智能诊断与分析方法
CN103926919A (zh) 基于小波变换和Lasso函数的工业过程故障检测方法
CN113485244A (zh) 一种基于刀具磨损预测的数控机床控制系统及其方法
CN114757269A (zh) 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法
CN111639304A (zh) 基于Xgboost回归模型的CSTR故障定位方法
CN113156908B (zh) 一种机理与数据联融合的多工况工业过程监测方法和系统
CN114237202B (zh) 基于fia-cva与迭代增强框架的过程监测方法
Lv et al. A spatial–temporal variational graph attention autoencoder using interactive information for fault detection in complex industrial processes
Zheng et al. Between-class difference analysis based multidimensional RBC for multivariate fault isolation of industrial processes
CN113985853B (zh) 一种基于数据依赖核判别分析的工业过程可视化监控方法
CN116011982A (zh) 一种磨煤机磨辊断裂在线监测方法及系统
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
CN114415609B (zh) 一种基于多子空间划分的动态过程精细化监测方法
CN116956232B (zh) 一种基于邻域保持嵌入回归的质量相关故障检测方法
Liu et al. Operating performance assessment for dynamic industrial processes based on CVA-TPLS

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