CN114371686A - 基于局部邻域标准化的多工况过程故障检测方法及系统 - Google Patents
基于局部邻域标准化的多工况过程故障检测方法及系统 Download PDFInfo
- Publication number
- CN114371686A CN114371686A CN202111639643.7A CN202111639643A CN114371686A CN 114371686 A CN114371686 A CN 114371686A CN 202111639643 A CN202111639643 A CN 202111639643A CN 114371686 A CN114371686 A CN 114371686A
- Authority
- CN
- China
- Prior art keywords
- data
- condition
- working
- industrial process
- local neighborhood
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000008569 process Effects 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 claims abstract description 68
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000011425 standardization method Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000009825 accumulation Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于工业过程监控领域,提供了一种基于局部邻域标准化的多工况过程故障检测方法及系统。其中,该方法包括获取多工况工业过程数据,根据局部邻域标准化方法将其进行标准化处理,将多工况工业过程数据转换成单工况数据;根据所述单工况数据以及预先训练完成的PCA故障检测模型,计算出监控统计量;将监控统计量与相应控制限比较,根据比较结果来判断多工况工业过程是否发生故障;其中,根据局部邻域标准化方法标准化处理多工况工业过程数据的过程为:将多工况工业过程数据与其若干个近邻数据组成数据集的方均值作差;再与所述若干个近邻数据组成数据集的方差求比值;求取各个比值的加权累加和,得到标准化后的单工况数据。
Description
技术领域
本发明属于工业过程监控领域,尤其涉及一种基于局部邻域标准化的多工况过程故障检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着DCS系统(分散控制系统)的迅速普及,互联网技术、通信技术的迅猛发展,实时采集工业样本变得越来越容易。因此,基于数据的过程监控、控制和系统优化等技术得到了广泛的应用。故障检测技术是保证设备安全经济运行的重要手段,其基本思想是实时监测设备的运行状态,计算并预测设备或系统的健康状态,在其发生故障时给出报警信息,并采取相应的措施。异常工况检测技术不仅可以降低被监测设备的故障发生率,降低维修费用,减少维修时间,提高设备运行效率,增加设备运行的可靠性,还可以作为技术参考为设计人员提供理论指导。
对于传统的故障诊断方法,如主成分分析(principal components analysis,PCA),偏最小二乘(partial least squares,PLS)等长期以来一直用于工业过程的故障检测和诊断。此类方法也被认为是非常有效的。其中,PCA、PLS等方法是假设监控系统只有单个正常工况,而发明人发现,在实际的工业生产过程中,大多存在多个正常工况,这导致监控结果不精确,常常出现大量的错误报警。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于局部邻域标准化的多工况过程故障检测方法及系统,其克服了现有技术的不能适应多工况数据的问题,将多工况数据转化为单工况数据,然后再建立监控模型,达到了良好的监控效果。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于局部邻域标准化的多工况过程故障检测方法,其包括:
获取多工况工业过程数据,根据局部邻域标准化方法将其进行标准化处理,将多工况工业过程数据转换成单工况数据;
根据所述单工况数据以及预先训练完成的PCA故障检测模型,计算出监控统计量;
将监控统计量与相应控制限比较,根据比较结果来判断多工况工业过程是否发生故障;
其中,根据局部邻域标准化方法标准化处理多工况工业过程数据的过程为:
将多工况工业过程数据与其若干个近邻数据组成数据集的方均值作差;
再与所述若干个近邻数据组成数据集的方差求比值;
求取各个比值的加权累加和,得到标准化后的单工况数据。
本发明的第二个方面提供一种基于局部邻域标准化的多工况过程故障检测系统,其包括:
局部邻域标准化模块,其用于获取多工况工业过程数据,根据局部邻域标准化方法将其进行标准化处理,将多工况工业过程数据转换成单工况数据;
监控统计量计算模块,其用于根据所述单工况数据以及预先训练完成的PCA故障检测模型,计算出监控统计量;
工业过程故障判断模块,其用于将监控统计量与相应控制限比较,根据比较结果来判断多工况工业过程是否发生故障;
其中,根据局部邻域标准化方法标准化处理多工况工业过程数据的过程为:
将多工况工业过程数据与其若干个近邻数据组成数据集的方均值作差;
再与所述若干个近邻数据组成数据集的方差求比值;
求取各个比值的加权累加和,得到标准化后的单工况数据。
本发明的第三个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于局部邻域标准化的多工况过程故障检测方法中的步骤。
本发明的第四个方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于局部邻域标准化的多工况过程故障检测方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明根据局部邻域标准化方法将其进行标准化处理,将多工况工业过程数据转换成单工况数据,再结合预先训练完成的PCA故障检测模型,计算出监控统计量,根据比较结果来判断多工况工业过程是否发生故障,克服了现有技术的不能适应多工况数据的问题,将多工况数据转化为单工况数据,然后再建立监控模型,降低了在监控过程中的误报率,提高了故障报警的精度。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例的基于局部邻域标准化的多工况过程故障检测方法流程图;
图2为本发明实施例训练集的原始数据分布图;
图3为本发明实施例训练集经过局部标准化后的数据分布图;
图4为本发明实施例的故障检测结果示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实例数据由某电厂锅炉系统引风机产生,一共采集了4000个样本,5个变量,故障区间为1903-2200。取前1000个正常样本作为训练集,其余样本作为测试集。
参照图1,本实施例提供了一种基于局部邻域标准化的多工况过程故障检测方法,其具体包括如下步骤:
步骤1:获取多工况工业过程数据,根据局部邻域标准化方法将其进行标准化处理,将多工况工业过程数据转换成单工况数据;
其中,根据局部邻域标准化方法标准化处理多工况工业过程数据的过程为:
将多工况工业过程数据与其若干个近邻数据组成数据集的方均值作差;
再与所述若干个近邻数据组成数据集的方差求比值;
求取各个比值的加权累加和,得到标准化后的单工况数据。
具体地,按照下列公式进行标准化样本xi,
经常以上步骤,多工况数据已转化为单工况数据,图3描述了经过局部标准化后的数据分布图。
在标准化处理多工况工业过程数据的过程中,各个比值的加权值为:
在标准化处理多工况工业过程数据的过程中,各个比值的加权值之和为1。
步骤2:根据所述单工况数据以及预先训练完成的PCA故障检测模型,计算出监控统计量。
其中,所述PCA故障检测模型由局部邻域标准化后的训练数据训练得到。
PCA故障检测模型的构建过程属于离线建模阶段具体包括:
步骤1:对训练集进行标准化;
i=1,2,...,n
j=1,2,...p
步骤2:对训练集X∈Rn×m进行局部标准化处理,使多工况分布的数据转换成单工况数据,图2描述了未经过局部标准化的数据分布图;
具体步骤如下:
Step3:计算每个邻域样本的权重参数ωj,计算方法如下:
Step4:按照公式(2)标准化样本xi,
将该以上步骤,多工况数据已转化为单工况数据,图3描述了经过局部标准化后的数据分布图;
基于局部邻域标准化后的训练数据建立PCA故障检测模型;
具体步骤如下:
Step1:假设标准化后的数据集为Xst∈Rn×m,协方差矩阵并求其特征值λ={λ1,...,λi,...λm},特征向量P={p1,...,pi,...pm}。数据集Xst被划分为主元矩阵和残差矩阵E;
Setp2:累计贡献度设为95%,选取的3个主元提取数据特征,计算方法如下:
其中,k表示选取的主元数量;d表示所有的主元数量;ηk表示累计贡献度;
Setp3:根据如下公式计算T2控制限和SPE控制限,T2控制限为7.82,SPE控制限为27.08;
步骤3:将监控统计量与相应控制限比较,根据比较结果来判断多工况工业过程是否发生故障。
在本实施例中,所述监控统计量包括T2统计量和SPE统计量。当任一监控统计量超过相应控制限时,判定多工况工业过程发生故障。
SPE=||(I-PPT)Xst|| (8)
其中,Pk={p1,p2,…,pk},Λk=diag{λ1,λ2…,λk}。
若T2统计量或SPE统计量超过相应的控制限,则发出故障报警信息,最终的监控结果如图4所示。
实施例二
本实施例提供了一种基于局部邻域标准化的多工况过程故障检测系统,其具体包括如下模块:
(1)局部邻域标准化模块,其用于获取多工况工业过程数据,根据局部邻域标准化方法将其进行标准化处理,将多工况工业过程数据转换成单工况数据;
其中,根据局部邻域标准化方法标准化处理多工况工业过程数据的过程为:
将多工况工业过程数据与其若干个近邻数据组成数据集的方均值作差;
再与所述若干个近邻数据组成数据集的方差求比值;
求取各个比值的加权累加和,得到标准化后的单工况数据。
在所述局部邻域标准化模块中,在标准化处理多工况工业过程数据的过程中,各个比值的加权值为:
(2)监控统计量计算模块,其用于根据所述单工况数据以及预先训练完成的PCA故障检测模型,计算出监控统计量;
(3)工业过程故障判断模块,其用于将监控统计量与相应控制限比较,根据比较结果来判断多工况工业过程是否发生故障;
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于局部邻域标准化的多工况过程故障检测方法中的步骤。
实施例四
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于局部邻域标准化的多工况过程故障检测方法中的步骤。
本发明是参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已,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 (10)
1.一种基于局部邻域标准化的多工况过程故障检测方法,其特征在于,包括:
获取多工况工业过程数据,根据局部邻域标准化方法将其进行标准化处理,将多工况工业过程数据转换成单工况数据;
根据所述单工况数据以及预先训练完成的PCA故障检测模型,计算出监控统计量;
将监控统计量与相应控制限比较,根据比较结果来判断多工况工业过程是否发生故障;
其中,根据局部邻域标准化方法标准化处理多工况工业过程数据的过程为:
将多工况工业过程数据与其若干个近邻数据组成数据集的方均值作差;
再与所述若干个近邻数据组成数据集的方差求比值;
求取各个比值的加权累加和,得到标准化后的单工况数据。
2.如权利要求1所述的基于局部邻域标准化的多工况过程故障检测方法,其特征在于,在标准化处理多工况工业过程数据的过程中,各个比值的加权值之和为1。
4.如权利要求1所述的基于局部邻域标准化的多工况过程故障检测方法,其特征在于,所述监控统计量包括T2统计量和SPE统计量。
5.如权利要求1所述的基于局部邻域标准化的多工况过程故障检测方法,其特征在于,当任一监控统计量超过相应控制限时,判定多工况工业过程发生故障。
6.如权利要求1所述的基于局部邻域标准化的多工况过程故障检测方法,其特征在于,所述PCA故障检测模型由局部邻域标准化后的训练数据训练得到。
7.一种基于局部邻域标准化的多工况过程故障检测系统,其特征在于,包括:
局部邻域标准化模块,其用于获取多工况工业过程数据,根据局部邻域标准化方法将其进行标准化处理,将多工况工业过程数据转换成单工况数据;
监控统计量计算模块,其用于根据所述单工况数据以及预先训练完成的PCA故障检测模型,计算出监控统计量;
工业过程故障判断模块,其用于将监控统计量与相应控制限比较,根据比较结果来判断多工况工业过程是否发生故障;
其中,根据局部邻域标准化方法标准化处理多工况工业过程数据的过程为:
将多工况工业过程数据与其若干个近邻数据组成数据集的方均值作差;
再与所述若干个近邻数据组成数据集的方差求比值;
求取各个比值的加权累加和,得到标准化后的单工况数据。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的基于局部邻域标准化的多工况过程故障检测方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一项所述的基于局部邻域标准化的多工况过程故障检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111639643.7A CN114371686A (zh) | 2021-12-29 | 2021-12-29 | 基于局部邻域标准化的多工况过程故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111639643.7A CN114371686A (zh) | 2021-12-29 | 2021-12-29 | 基于局部邻域标准化的多工况过程故障检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114371686A true CN114371686A (zh) | 2022-04-19 |
Family
ID=81141495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111639643.7A Pending CN114371686A (zh) | 2021-12-29 | 2021-12-29 | 基于局部邻域标准化的多工况过程故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114371686A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5081692A (en) * | 1991-04-04 | 1992-01-14 | Eastman Kodak Company | Unsharp masking using center weighted local variance for image sharpening and noise suppression |
EP2698764A1 (en) * | 2012-08-14 | 2014-02-19 | Thomson Licensing | Method of sampling colors of images of a video sequence, and application to color clustering |
CN104808648A (zh) * | 2015-03-09 | 2015-07-29 | 杭州电子科技大学 | 一种基于k近邻的批次过程在线实时监测方法 |
CN105405315A (zh) * | 2015-12-17 | 2016-03-16 | 杭州优橙科技有限公司 | 一种基于k近邻机器学习的磁场传感器智能停车检测方法 |
CN105425779A (zh) * | 2015-12-24 | 2016-03-23 | 江南大学 | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 |
CN107346436A (zh) * | 2017-06-29 | 2017-11-14 | 北京以萨技术股份有限公司 | 一种融合图像分类的视觉显著性检测方法 |
CN108762228A (zh) * | 2018-05-25 | 2018-11-06 | 江南大学 | 一种基于分布式pca的多工况故障监测方法 |
CN110308713A (zh) * | 2019-06-03 | 2019-10-08 | 湖州师范学院 | 一种基于k近邻重构的工业过程故障变量识别方法 |
CN113341926A (zh) * | 2021-06-10 | 2021-09-03 | 兰州理工大学 | 一种基于稀疏加权邻域保持嵌入的多阶段间歇过程故障检测方法 |
-
2021
- 2021-12-29 CN CN202111639643.7A patent/CN114371686A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5081692A (en) * | 1991-04-04 | 1992-01-14 | Eastman Kodak Company | Unsharp masking using center weighted local variance for image sharpening and noise suppression |
EP2698764A1 (en) * | 2012-08-14 | 2014-02-19 | Thomson Licensing | Method of sampling colors of images of a video sequence, and application to color clustering |
CN104808648A (zh) * | 2015-03-09 | 2015-07-29 | 杭州电子科技大学 | 一种基于k近邻的批次过程在线实时监测方法 |
CN105405315A (zh) * | 2015-12-17 | 2016-03-16 | 杭州优橙科技有限公司 | 一种基于k近邻机器学习的磁场传感器智能停车检测方法 |
CN105425779A (zh) * | 2015-12-24 | 2016-03-23 | 江南大学 | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 |
CN107346436A (zh) * | 2017-06-29 | 2017-11-14 | 北京以萨技术股份有限公司 | 一种融合图像分类的视觉显著性检测方法 |
CN108762228A (zh) * | 2018-05-25 | 2018-11-06 | 江南大学 | 一种基于分布式pca的多工况故障监测方法 |
CN110308713A (zh) * | 2019-06-03 | 2019-10-08 | 湖州师范学院 | 一种基于k近邻重构的工业过程故障变量识别方法 |
CN113341926A (zh) * | 2021-06-10 | 2021-09-03 | 兰州理工大学 | 一种基于稀疏加权邻域保持嵌入的多阶段间歇过程故障检测方法 |
Non-Patent Citations (6)
Title |
---|
GUOZHUWANG等: "《A novel multi-mode data processing method and its application in industrial processmonitoring》", 《JOURNAL OF CHEMOMETRICS》, 30 October 2014 (2014-10-30), pages 2 * |
TING L: "Variable weighted principal component analysis algorithm and its application in fault detection", 《CIESC JOURNAL》, vol. 2017, 31 December 2017 (2017-12-31) * |
冯立伟;张成;李元;谢彦红;: "基于双近邻标准化和PCA的多阶段过程故障检测", 化工学报, no. 07, 9 April 2018 (2018-04-09) * |
周而重;逄玉俊;: "一种改进的K近邻法在模式识别中的应用", 沈阳师范大学学报(自然科学版), no. 04, 15 October 2007 (2007-10-15) * |
张成: "基于密度标准误差的局部保持投影故障检测策略", 《控制理论与应用》, 31 December 2020 (2020-12-31) * |
郭红杰等: "基于局部邻域标准化策略的多工况过程故障检测", 《上海交通大学学报》, pages 1 - 3 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
EP1982301B1 (en) | Method of condition monitoring | |
CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN111325410B (zh) | 基于样本分布的通用故障预警系统及其预警方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN112598144B (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
WO2016208315A1 (ja) | プラント診断装置及びプラント診断方法 | |
KR20190082715A (ko) | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
CN117308275B (zh) | 一种基于温差的管路连接异常检测方法及系统 | |
CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
CN108508860B (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
CN117032102A (zh) | 一种基于大数据的设备故障预测方法和系统 | |
KR20150027178A (ko) | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN116189802A (zh) | 一种基于气体浓度时序数据的变压器故障预警方法 | |
CN111338310A (zh) | 一种工业过程稳态工况识别与分类方法 | |
CN114371686A (zh) | 基于局部邻域标准化的多工况过程故障检测方法及系统 | |
US20180087489A1 (en) | Method for windmill farm monitoring | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 | |
CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
CN117313019B (zh) | 一种基于深度强化学习的数据异常检测方法 |
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 |