CN114326486A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114326486A CN114326486A CN202111514254.1A CN202111514254A CN114326486A CN 114326486 A CN114326486 A CN 114326486A CN 202111514254 A CN202111514254 A CN 202111514254A CN 114326486 A CN114326486 A CN 114326486A
- Authority
- CN
- China
- Prior art keywords
- model
- parameters
- monitoring
- training
- psfa
- 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 81
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 230000008569 process Effects 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000007596 consolidation process Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000003889 chemical engineering Methods 0.000 abstract 1
- 238000012993 chemical processing Methods 0.000 abstract 1
- 239000003245 coal Substances 0.000 description 13
- 238000001514 detection method Methods 0.000 description 6
- 238000010298 pulverizing process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了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,属于工业监测和故障诊断领域,包括:依次采集工业系统正常工况下的过程数据构成训练集;利用概率慢特征分析和弹性权重巩固方法进行训练,计算模型参数和参数的重要性衡量矩阵;构建监测统计量并计算阈值;采集系统实时运行下的数据作为测试样本,利用当前训练模型计算该样本的统计量,判断系统运行状态。本发明利用单模型实现对多工况动态过程的有效监测,具有持续学习能力;可处理噪声和缺失数据,模型可解释性强,算法简单,易于实现,可广泛应用于化工、加工制造、大型火力发电厂等领域。
Description
技术领域
本发明属于工业监测和故障诊断领域,具体涉及一种基于概率慢特征分析和弹性权重巩固的多工况动态过程监控方法。
背景技术
工业系统中,由于对产品质量、设备老化、原材料更换等因素,系统大多处于多工况动态运行状态。研究其过程监控,对提高系统运行的安全性和可靠性有重要意义。例如,在大型火力发电机组的制粉系统中,为了满足环保要求和经济效益,频繁更换煤的种类,这就导致了系统处于多工况。研究其运行安全性对提高机组安全性和燃烧效率有重大意义。
传统多工况过程监测方法往往需要完备的工况数据,在每个工况内建立局部监控模型。通过k-均值、高斯混合模型等方法对工况进行划分,每个工况的局部模型可采用主成分分析、偏最小二乘方法、独立主元分析等。但是上述方法均不能区别系统的正常动态变化和真实异常。慢特征分析方法缓慢变化特征,通过构建监控统计量来区别正常工况变化和真实异常。此外,获取完备的工况数据需要消耗昂贵的资源,且难以实现。因此,亟需一种能够监控多工况动态系统的方法,且不需要完备的工况数据。
发明内容
为了解决上述问题,本发明提出了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,实现对工业多工况动态过程的在线监控。
本发明的技术方案如下:
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,简记为PSFA-EWC,包括离线训练和在线监测两个阶段;其中,
阶段一、离线训练,基于历史工况数据训练PSFA-EWC算法模型;具体步骤如下:
S103.利用最大期望算法求解PSFA-EWC模型参数,求得参数VK、ΛK=diag(λ`K,1,...,λK,p)、Σx、Σ1、Σ;其中,λ表示特征值;
S104.计算Fisher信息矩阵,更新参数的重要性衡量矩阵;
S105.计算监控统计量T2、SPE和S2,用核密度估计方法估计相应的阈值;
阶段二、在线监测阶段,基于训练的PSFA-EWC模型进行实时监测;具体步骤如下:
S201.实时采集样本x0,对变量进行预处理,标记为x;
S202.计算隐变量和预测误差;
S203.计算监控统计量T2、SPE和S2;
S204.判断系统运行状态:a)若所有统计量小于阈值,系统运行正常,继续用当前模型监控;b)若S2小于阈值,T2或SPE超过阈值,系统可能进入另一个工况;此时,借助专家知识进行进一步确定;当系统进入另一工况,令K=K+1,采集少量数据进行模型更新;c)若S2大于阈值,系统出现故障,触发报警。
进一步地,步骤S104中,Fisher信息矩阵的计算公式为:
参数的重要性衡量矩阵更新方式为:
进一步地,步骤S105的具体计算过程如下:
对t时刻,隐变量计算如下:
T2统计量的计算公式如下:
为了计算SPE统计量,需要隐变量在t时刻的真实值和预测值的偏差;在t-1时刻,推测的慢特征服从高斯分布,即P(yt-1|x1,x2,…,xt-1)~N(μt-1,Pt-1);其中,μt-1和Pt-1均由E步获得;yt的条件分布为
预测误差为:
εt=xt-VKΛKμt-1~N(0,Φt) (7)
当t→∞,Φt→Φ;SPE统计量的计算如下:
S2统计量用于反映动态特性的变化,用于区分正常的工况变化和动态特性异常,计算如下:
利用核密度估计计算3个统计量的阈值,置信水平为0.99。
进一步地,PSFA-EWC算法模型的具体原理为:
工业过程依次出现正常运行工况MK(K=1,2,…),前一工况MK-1的训练参数为VK-1,ΛK-1=diag(λ`K-1,1,…,λK-1,p),在新工况MK训练时,需要尽可能减缓VK-1和ΛK-1的变化,这样能实现多个工况的同时监控;
对第K个工况,YK是对应的隐变量,单个PSFA模型的目标函数为:
其中,θ={V,Λ,Σx,Σ1},变量生成模型为:
对PSFA-EWC模型,需要考虑所有工况的损失函数;但前K-1个工况的数据难以获取,引入替代函数逼近前K-1个工况的总损失函数,即
进一步地,用最大期望算法求解优化问题(13),包括E步和M步;
E步包含基于卡尔曼滤波方法前向递归和基于RTS的后向递归两部分;
前向递归用于估计后验分布P(yt|x1,x2,…,xt,θold)~N(μt,Ut),θold表示前一时刻的参数值,后验边缘分布为∫N(yt-1|μt-1,Ut-1)N(yt|Λyt-1,Σ)dyt-1=N(yt|Λyt-1,Pt-1);
卡尔曼滤波的参数更新为:
后项递归用于估计P(YK|XK,θold)的参数,RTS方法主要包括:
统计量的计算为:
M步:假设统计量是固定的,交替更新模型参数:
关于V的导数为0,得
求解Sylvester方程,记为Vnew;
对参数Σ1,
对参数Λ=diag(λ1,…,λp),
关于λi的一阶导数为0,得
其中,方程的系数为
本发明所带来的有益技术效果:
本发明方法研究多工况动态系统过程监控,可实现正常工况变化和真实异常的区分;本发明具有良好的模型解释性能,能处理缺失数据和测量噪声;利用单模型实现对多工况动态过程的有效监测,具有持续学习能力,利用EWC方法解决PSFA在多工况应用的“遗忘灾难”问题,能够对短期变化信息实现记忆,具有前向和后向迁移能力,保留已学习工况的重要信息,对未来相关工况建模提供有效信息;区别于传统的多工况监控方法,本发明训练时不需要完备的工况数据,新工况出现时,只需要在当前模型上进行更新,不需要利用所有工况数据进行训练,计算量低,易于计算机实现;模型可解释性强,算法简单,易于实现,可广泛应用于化工、加工制造、大型火力发电厂等领域。
附图说明
图1为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的流程图;
图2为本发明实施例1中工况1的检测结果示意图;
图3为本发明实施例1中工况2的检测结果示意图;
图4为本发明实施例1中工况3的检测结果示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本发明提出了一种基于概率慢特征分析和弹性权重巩固的多工况动态过程监控方法,用以解决多煤种下制粉系统的过程监控问题,首先利用概率慢特征分析方法(probabilistic slow feature analysis,PSFA)提取缓慢变化特征,并区别系统的正常变化和真实异常;在工况发生变化时,利用弹性权重巩固(elastic weight consolidation,EWC)方法保留之前工况的信息,对未来相关工况的监控提供有效信息。本发明实质上是基于概率慢特征分析和弹性权重巩固训练得到一种多工况动态过程的监控算法模型,记为PSFA-EWC算法模型;利用该模型进行过程监测。
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,包括离线训练和在线监测两个阶段;其中,
阶段一、离线训练,基于历史工况数据训练PSFA-EWC算法模型;具体步骤如下:
S103.利用最大期望算法求解PSFA-EWC模型参数,求得参数VK、ΛK=diag(λ`K,1,…,λK,p)、Σx、Σ1、Σ;其中,λ表示特征值;
S104.计算Fisher信息矩阵,更新参数的重要性衡量矩阵;
其中,Fisher信息矩阵的计算公式为:
参数的重要性衡量矩阵更新方式为:
S105.计算监控统计量T2、SPE和S2,用核密度估计方法估计相应的阈值;具体计算过程如下:
对t时刻,隐变量计算如下:
T2统计量的计算公式如下:
为了计算SPE统计量,需要隐变量在t时刻的真实值和预测值的偏差。在t-1时刻,推测的慢特征服从高斯分布,即P(yt-1|x1,x2,…,xt-1)~N(μt-1,Pt-1);其中,μt-1和Pt-1均由E步获得;yt的条件分布为
预测误差为:
εt=xt-VKΛKμt-1~N(0,Φt) (7)
当t→∞,Φt→Φ;SPE统计量的计算如下:
S2统计量用于反映动态特性的变化,可用于区分正常的工况变化和动态特性异常,计算如下:
利用核密度估计(kernel density estimation,KDE)来计算3个统计量的阈值,置信水平为0.99。
阶段二、在线监测阶段,基于训练的PSFA-EWC模型进行实时监测;具体步骤如下:
S201.实时采集样本x0,对变量进行预处理,标记为x;
S202.计算隐变量和预测误差;
S203.计算监控统计量T2、SPE和S2;
S204.判断系统运行状态:a)若所有统计量小于阈值,系统运行正常,继续用当前模型监控;b)若S2小于阈值,T2或SPE超过阈值,系统可能进入另一个工况。此时,借助专家知识进行进一步确定。当系统进入另一工况,令K=K+1,采集少量数据进行模型更新;c)若S2大于阈值,系统出现故障,触发报警。
在监测过程中运用了EWC方法,EWC能够保存以前运行状态的重要信息,避免重要参数的巨大变化,能够解决PSFA方法的“遗忘灾难”问题。对未来相似或相同的运行状态,实现对系统的准确监控。
PSFA-EWC算法模型的具体原理为:
工业过程依次出现正常运行工况MK(K=1,2,...),前一工况MK-1的训练参数为VK-1,ΛK-1=diag(λ`K-1,1,...,λK-1,p),在新工况MK训练时,需要尽可能减缓VK-1和ΛK-1的变化,这样能实现多个工况的同时监控。
对第K个工况,YK是对应的隐变量,单个PSFA模型的目标函数为:
其中,θ={V,Λ,Σx,Σ1},变量生成模型为:
对PSFA-EWC模型,需要考虑所有工况的损失函数。但前K-1个工况的数据难以获取,引入替代函数逼近前K-1个工况的总损失函数,即
用最大期望算法求解优化问题(13),包括E步和M步。
E步包含基于卡尔曼滤波方法前向递归和基于Ranch-Tung-Striebel(RTS)的后向递归两部分。前向递归用于估计后验分布P(yt|x1,x2,…,xt,θold)~N(μt,Ut),θold表示前一时刻的参数值,后验边缘分布为∫N(yt-1|μt-1,Ut-1)N(yt|Λyt-1,Σ)dyt-1=N(yt|Λyt-1,Pt-1)。
卡尔曼滤波的参数更新为:
后项递归用于估计P(YK|XK,θold)的参数,RTS方法主要包括:
统计量的计算为:
M步:假设统计量是固定的,交替更新模型参数:
关于V的导数为0,可得
求解Sylvester方程,记为Vnew。
对参数Σ1,
对参数Λ=diag(λ1,…,λp),
关于λi的一阶导数为0,可得
其中,方程的系数为
实施例1
为了更加直观理解本发明的实际效果,本示例研究火力发电厂中制粉系统的过程监测,制粉系统由给煤机、磨煤机、旋转分离器、石子煤室等设备组成。将每个煤种的运行过程看成一种工况,训练数据和测试数据均来自于实际电厂运行过程,采样间隔为1分钟。以制粉系统出口温度异常为例,出口温度过高,容易导致制粉系统爆燃,出口温度过低,会降低燃烧效率。旋转分离器转速影响煤粉细度,煤粉越细,燃烧越充分,但易爆炸。选择9个变量,包括发电机有功功率、瞬时给煤量、一次风温度、出口温度、一次风压力等。
三个工况的数据信息如下:
工况1:训练样本2520个,测试样本1440个,故障时刻549,故障原因是磨煤机爆燃;
工况2:训练样本1080个,测试样本1080个,故障时刻533,故障原因是一次风挡板异常;
工况3:训练样本1440个,测试样本864个,故障时刻626,故障原因是一次风泄露。
3个工况依次出现,以工况3为例进行说明。此时,已有基于工况1模型和工况2的数据训练的监控模型。工况3出现,在工况3数据和现有模型的基础上更新监控模型,实现对3个工况的同时监控。
图2展示了工况1的监控效果,T2、SPE和S2的故障检测率分别为99.89%、99.89%和94.51%,误报率分别为0、0和16.06%。
图3展示了工况2的监控效果,T2、SPE和S2的故障检测率分别为98.91%、99.45%和81.02%,误报率分别为0、0和2.82%。
图4展示了工况3的监控效果,T2、SPE和S2的故障检测率分别为100%、99.58%和95.40%,误报率分别为0.16%、0.32%和4.80%。本发明方法能够区别真实异常和正常运行状态变化。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种基于概率慢特征分析和弹性权重巩固的过程监控方法,其特征在于,包括离线训练和在线监测两个阶段;其中,
阶段一、离线训练,基于历史工况数据训练PSFA-EWC算法模型;具体步骤如下:
S103.利用最大期望算法求解PSFA-EWC模型参数,求得参数VK、ΛK=diag(λ`K,1,...,λK,p)、Σx、Σ1、Σ;其中,λ表示特征值;
S104.计算Fisher信息矩阵,更新参数的重要性衡量矩阵;
S105.计算监控统计量T2、SPE和S2,用核密度估计方法估计相应的阈值;
阶段二、在线监测阶段,基于训练的PSFA-EWC模型进行实时监测;具体步骤如下:
S201.实时采集样本x0,对变量进行预处理,标记为x;
S202.计算隐变量和预测误差;
S203.计算监控统计量T2、SPE和S2;
S204.判断系统运行状态:a)若所有统计量小于阈值,系统运行正常,继续用当前模型监控;b)若S2小于阈值,T2或SPE超过阈值,系统可能进入另一个工况;此时,借助专家知识进行进一步确定;当系统进入另一工况,令K=K+1,采集少量数据进行模型更新;c)若S2大于阈值,系统出现故障,触发报警。
3.根据权利要求2所述基于概率慢特征分析和弹性权重巩固的过程监控方法,其特征在于,所述步骤S105的具体计算过程如下:
对t时刻,隐变量计算如下:
T2统计量的计算公式如下:
为了计算SPE统计量,需要隐变量在t时刻的真实值和预测值的偏差;在t-1时刻,推测的慢特征服从高斯分布,即P(yt-1|x1,x2,…,xt-1)~N(μt-1,Pt-1);其中,μt-1和Pt-1均由E步获得;yt的条件分布为
预测误差为:
εt=xt-VKΛKμt-1~N(0,Φt) (7)
当t→∞,Φt→Φ;SPE统计量的计算如下:
S2统计量用于反映动态特性的变化,用于区分正常的工况变化和动态特性异常,计算如下:
利用核密度估计计算3个统计量的阈值,置信水平为0.99。
4.根据权利要求1所述基于概率慢特征分析和弹性权重巩固的过程监控方法,其特征在于,所述PSFA-EWC算法模型的具体原理为:
工业过程依次出现正常运行工况MK(K=1,2,...),前一工况MK-1的训练参数为VK-1,ΛK-1=diag(λ`K-1,1,...,λK-1,p),在新工况MK训练时,需要尽可能减缓VK-1和ΛK-1的变化,这样能实现多个工况的同时监控;
对第K个工况,YK是对应的隐变量,单个PSFA模型的目标函数为:
其中,θ={V,Λ,Σx,Σ1},变量生成模型为:
对PSFA-EWC模型,需要考虑所有工况的损失函数;但前K-1个工况的数据难以获取,引入替代函数逼近前K-1个工况的总损失函数,即
5.根据权利要求4所述基于概率慢特征分析和弹性权重巩固的过程监控方法,其特征在于,用最大期望算法求解优化问题(13),包括E步和M步;
E步包含基于卡尔曼滤波方法前向递归和基于RTS的后向递归两部分;
前向递归用于估计后验分布P(yt|x1,x2,…,xt,θold)~N(μt,Ut),θold表示前一时刻的参数值,后验边缘分布为∫N(yt-1|μt-1,Ut-1)N(yt|Λyt-1,Σ)dyt-1=N(yt|Λyt-1,Pt-1);
卡尔曼滤波的参数更新为:
后项递归用于估计P(YK|XK,θold)的参数,RTS方法主要包括:
统计量的计算为:
M步:假设统计量是固定的,交替更新模型参数:
关于V的导数为0,得
求解Sylvester方程,记为Vnew;
对参数Σ1,
对参数Λ=diag(λ1,…,λp),
关于λi的一阶导数为0,得
其中,方程的系数为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111514254.1A CN114326486B (zh) | 2021-12-13 | 2021-12-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111514254.1A CN114326486B (zh) | 2021-12-13 | 2021-12-13 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114326486A true CN114326486A (zh) | 2022-04-12 |
CN114326486B CN114326486B (zh) | 2024-01-19 |
Family
ID=81051379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111514254.1A Active CN114326486B (zh) | 2021-12-13 | 2021-12-13 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114326486B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781166A (zh) * | 2022-04-27 | 2022-07-22 | 浙江科技学院 | 基于加权概率慢特征模型的污水处理过程软测量方法 |
CN116740949A (zh) * | 2023-08-16 | 2023-09-12 | 北京航空航天大学 | 基于持续学习的时空因果预测的城市交通数据预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522948A (zh) * | 2018-11-06 | 2019-03-26 | 山东科技大学 | 一种基于正交局部保持投影的故障检测方法 |
CN109917777A (zh) * | 2019-04-16 | 2019-06-21 | 浙江科技学院 | 基于混合多采样率概率主成分分析模型的故障检测方法 |
CN111368428A (zh) * | 2020-03-04 | 2020-07-03 | 山东科技大学 | 一种基于监控二阶统计量的传感器精度下降故障检测方法 |
CN111752147A (zh) * | 2020-05-28 | 2020-10-09 | 山东科技大学 | 一种具有持续学习能力改进pca的多工况过程监测方法 |
-
2021
- 2021-12-13 CN CN202111514254.1A patent/CN114326486B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522948A (zh) * | 2018-11-06 | 2019-03-26 | 山东科技大学 | 一种基于正交局部保持投影的故障检测方法 |
CN109917777A (zh) * | 2019-04-16 | 2019-06-21 | 浙江科技学院 | 基于混合多采样率概率主成分分析模型的故障检测方法 |
CN111368428A (zh) * | 2020-03-04 | 2020-07-03 | 山东科技大学 | 一种基于监控二阶统计量的传感器精度下降故障检测方法 |
CN111752147A (zh) * | 2020-05-28 | 2020-10-09 | 山东科技大学 | 一种具有持续学习能力改进pca的多工况过程监测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781166A (zh) * | 2022-04-27 | 2022-07-22 | 浙江科技学院 | 基于加权概率慢特征模型的污水处理过程软测量方法 |
CN114781166B (zh) * | 2022-04-27 | 2024-04-23 | 浙江科技学院 | 基于加权概率慢特征模型的污水处理过程软测量方法 |
CN116740949A (zh) * | 2023-08-16 | 2023-09-12 | 北京航空航天大学 | 基于持续学习的时空因果预测的城市交通数据预测方法 |
CN116740949B (zh) * | 2023-08-16 | 2023-10-24 | 北京航空航天大学 | 基于持续学习的时空因果预测的城市交通数据预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114326486B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275288B (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN108492000B (zh) | 面向百万千瓦超超临界机组非平稳特性的故障诊断方法 | |
CN101446831B (zh) | 一种分散的过程监测方法 | |
CN114326486A (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 | |
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 | |
CN109359662B (zh) | 面向百万千瓦超超临界机组的非平稳分析与因果诊断方法 | |
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 | |
CN112836941B (zh) | 一种煤电机组汽轮机高加系统在线健康状况评估方法 | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
CN109188905B (zh) | 一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN110942258B (zh) | 一种性能驱动的工业过程异常监测方法 | |
CN114936520B (zh) | 基于改进mset的汽轮机故障预警分析方法 | |
CN114997309A (zh) | 给水泵故障预警方法及装置 | |
CN115496188A (zh) | 一种基于深度学习卷积神经网络的磨煤机故障预警方法 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
CN118142688A (zh) | 一种基于数据模型评估磨煤机故障预警方法、系统及存储介质 | |
CN110506245A (zh) | 诊断装置以及诊断方法 | |
CN105759787B (zh) | 一种基于切换有监督线性动态系统模型的故障诊断方法 | |
CN116226679A (zh) | 考虑多机组运行状态相似性的风电机组齿轮箱异常检测方法 | |
CN114879612A (zh) | 一种基于Local-DBKSSA的高炉炼铁过程监测方法 | |
CN111913463B (zh) | 一种核电厂化学容积控制系统状态监测方法 | |
Zhang et al. | Research on unsupervised condition monitoring method of pump-type machinery in nuclear power plant | |
Jiang et al. | Fault diagnosis for batch processes by improved multi-model Fisher discriminant analysis | |
CN112598030A (zh) | 一种基于递归协整分析和弹性权重巩固的非平稳过程监测方法 |
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 |