CN114997309A - 给水泵故障预警方法及装置 - Google Patents
给水泵故障预警方法及装置 Download PDFInfo
- Publication number
- CN114997309A CN114997309A CN202210617888.8A CN202210617888A CN114997309A CN 114997309 A CN114997309 A CN 114997309A CN 202210617888 A CN202210617888 A CN 202210617888A CN 114997309 A CN114997309 A CN 114997309A
- Authority
- CN
- China
- Prior art keywords
- matrix
- early warning
- formula
- fault
- obs
- 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
Landscapes
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本申请公开了一种给水泵故障预警方法及装置,包括:获取给水泵故障相关测点的历史数据;通过主元分析法对历史数据进行预处理,得到训练矩阵;采用改进的DBSCAN算法处理训练矩阵,得到记忆矩阵,根据记忆矩阵构建MSET预警模型;获取待估计时间段内的观测矩阵Xobs,输入MSET预警模型采用多元状态估计得到估计矩阵Xest;获取估计矩阵Xest与观测矩阵Xobs之间的残差矩阵RL=Xobs‑Xest,设置故障预警阈值,通过滑动窗口法进行故障预警。本申请提供的水泵故障预警方法能够实现早期精确预警,实时监测,符合实际运行、故障预警灵敏性高等优点,可以有效地减少电厂给水泵事故的发生。
Description
技术领域
本申请涉及燃气-蒸汽联合循环电厂给水泵技术领域,具体涉及一种给水泵故障预警方法及装置。
背景技术
给水泵是燃气-蒸汽联合循环电厂重要的辅机设备,余热锅炉的给水泵系统是汽水循环的心脏,保障其安全稳定的运行是保障机组安全稳定运行的关键一环。
给水泵的工作状态会影响整个汽水系统,一旦发生故障,就会导致机组负荷降低,不仅会减少电厂的发电量,而且还会增加电厂的维修费用。当发生严重故障时,电厂将不得不停机,给电厂造成巨大的经济损失。
现有技术中对于给水泵的故障预警是采用机理来构建预警模型的,但是,给水泵工作环境比较复杂,内部的工作机制会随着时间的变化而变化,采用机理来构建预警模型,其复杂度高,且不能及时发现给水泵的潜在故障。
发明内容
为此,本申请提供一种给水泵故障预警方法及装置,以解决现有技术存在的复杂度高,且不能及时发现给水泵的潜在故障的问题。
为了实现上述目的,本申请提供如下技术方案:
第一方面,一种给水泵故障预警方法,包括:
获取给水泵故障相关测点的历史数据;
通过主元分析法对所述历史数据进行预处理,得到训练矩阵;
采用改进的DBSCAN算法处理所述训练矩阵,得到记忆矩阵,根据所述记忆矩阵构建MSET预警模型;
获取待估计时间段内的观测矩阵Xobs,输入所述MSET预警模型采用多元状态估计得到估计矩阵Xest;
获取所述估计矩阵Xest与所述观测矩阵Xobs之间的残差矩阵RL=Xobs-Xest,设置故障预警阈值,通过滑动窗口法进行故障预警。
进一步的,所述通过主元分析法对所述历史数据进行预处理,得到训练矩阵,具体包括:
通过第一公式将所述历史数据进行Z-score标准化处理,得到标准化矩阵Z;
根据第二公式计算标准化矩阵Z的相关系数矩阵R;
计算所述相关系数矩阵R的特征值λ和特征向量ν,并将特征值按从小到大的顺序进行排序;
根据第三公式计算出给水泵各监测参数变量的贡献率C;
根据第四公式计算出各监测参数变量的累计贡献率;
所述第一公式为:
所述第二公式为:
所述第三公式为:
所述第四公式为:
进一步的,所述训练矩阵的主元个数为5,累计贡献率为96.763%。
进一步的,所述采用改进的DBSCAN算法处理所述训练矩阵,得到记忆矩阵,具体包括:
查询每个节点的Eps邻域,根据第五公式分别计算出每个邻域内的密度;
根据第六公式和第七公式分别计算出每个节点的平均密度和方差;
根据第八公式计算出各节点的密度变异系数cv值;
根据等深度分块法将数据进行分区;
设定每个分区的Eps值;
在每个数据分区运行DBSCAN算法;
得到聚类结果,将结果构成记忆矩阵D;
所述第五公式为:
其中,Eps是半径;Pts(i)是中心为i,半径为Eps的点集;|Pts(i)|是元素个数;ρi是该邻域内的密度;
所述第六公式为:
所述第七公式为:
其中,n=|Pts(i)|;
所述第八公式为:
进一步的,所述设定每个分区的Eps值,具体包括:
确定minPts的值;
根据第九公式计算每个点的Eps邻域中的节点数;
根据第十公式计算每个分区内各个点的半径;
根据第十一公式计算Eps(i)的和并取平均数;
所述第九公式为:
|Pts(i)|=ρi*π*Eps2;
所述第十公式为:
所述第十一公式为:
进一步的,所述确定minPts的值时,当cv值较小的,取为4;当cv值较大的,取为2。
进一步的,所述记忆矩阵为5×1308的记忆矩阵。
进一步的,所述通过滑动窗口法进行故障预警时,预警系数k为1.2,预警阈值为0.4。
进一步的,所述获取给水泵故障相关测点的历史数据包括22个状态变量。
第二方面,一种给水泵故障预警装置,包括:
状态变量模块,用于获取给水泵故障相关测点的历史数据;
主元分析模块,用于通过主元分析法对所述历史数据进行预处理,得到训练矩阵;
MSET预警模型构建模块,用于采用改进的DBSCAN算法处理所述训练矩阵,得到记忆矩阵,根据所述记忆矩阵构建MSET预警模型;
估计矩阵计算模块,用于获取待估计时间段内的观测矩阵Xobs,输入所述MSET预警模型采用多元状态估计得到估计矩阵Xest;
故障预警模块,用于获取所述估计矩阵Xest与所述观测矩阵Xobs之间的残差矩阵RL=Xobs-Xest,设置故障预警阈值,通过滑动窗口法进行故障预警。
相比现有技术,本申请至少具有以下有益效果:
本申请提供一种给水泵故障预警方法及装置,包括:获取给水泵故障相关测点的历史数据;通过主元分析法对历史数据进行预处理,得到训练矩阵;采用改进的DBSCAN算法处理训练矩阵,得到记忆矩阵,根据记忆矩阵构建MSET预警模型;获取待估计时间段内的观测矩阵Xobs,输入MSET预警模型采用多元状态估计得到估计矩阵Xest;获取估计矩阵Xest与观测矩阵Xobs之间的残差矩阵RL=Xobs-Xest,设置故障预警阈值,通过滑动窗口法进行故障预警。本申请提供的水泵故障预警方法能够实现早期精确预警,实时监测,符合实际运行、故障预警灵敏性高等优点,可以有效地减少电厂给水泵事故的发生。
附图说明
为了更直观地说明现有技术以及本申请,下面给出几个示例性的附图。应当理解,附图中所示的具体形状、构造,通常不应视为实现本申请时的限定条件;例如,本领域技术人员基于本申请揭示的技术构思和示例性的附图,有能力对某些单元(部件)的增/减/归属划分、具体形状、位置关系、连接方式、尺寸比例关系等容易作出常规的调整或进一步的优化。
图1为本申请提供的给水泵故障预警方法的第一种流程图;
图2为本申请提供的给水泵故障预警方法的第二种流程图;
图3为本申请提供的密封水出口温度估计值与真实值;
图4为本申请提供的给水泵出口压力估计值与真实值;
图5为本申请提供的预警模型滑动残差图。
具体实施方式
以下结合附图,通过具体实施例对本申请作进一步详述。
在本申请的描述中:除非另有说明,“多个”的含义是两个或两个以上。本申请中的术语“第一”、“第二”、“第三”等旨在区别指代的对象,而不具有技术内涵方面的特别意义(例如,不应理解为对重要程度或次序等的强调)。“包括”、“包含”、“具有”等表述方式,同时还意味着“不限于”(某些单元、部件、材料、步骤等)。
本申请中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语,通常是为了便于对照附图直观理解,而并非对实际产品中位置关系的绝对限定。在未脱离本申请揭示的技术构思的情况下,这些相对位置关系的改变,当亦视为本申请表述的范畴。
请参阅图1和图2,本申请提供一种给水泵故障预警方法,包括:
S1:获取给水泵故障相关测点的历史数据;
从电厂SIS系统选取与给水泵故障相关测点的历史数据,并剔除异常数据,并将剩下的数据构建成初始矩阵,初始矩阵的规模大小为m*n,其中,m表示与给水泵故障相关的运行参数的数量,n表示运行状态的总数;因为不同测点采样周期不同,所以本申请选定采样周期为5分钟。
具体的,与给水泵故障相关的运行参数包括给水泵入口压力、给水泵入口温度、给水泵出口母管压力、再循环阀阀位、给水泵入口流量、进口滤网差压、给水泵转速、给水泵调门开度、机组负荷以及各个轴承的振动和温度信号等22个状态变量。
表1:给水泵主要的运行参数
S2:通过主元分析法对所述历史数据进行预处理,得到训练矩阵K;
因为给水泵的测点较多,如果用22个状态变量建模会影响算法运行的速度,而且一部分测点对给水泵的故障几乎没有影响,因此采用主元分析法(PCA)对数据进行故障特征提取,从而降低预警模型的复杂程度,实现数据降维,提高了预警模型的效率。
具体的,数据预处理包括以下步骤:
S21:根据式(1)将历史数据进行Z-score标准化处理,得到标准化矩阵Z;
其中,
S22:根据式(2)计算标准化矩阵Z的相关系数矩阵R;
具体的,相关系数矩阵R可以反应各测点之间的相关性系数;
S23:计算相关系数矩阵R的特征值λ和特征向量v,并将特征值按从小到大的顺序进行排序;
具体的,λ1>λ2>……λn;
S24:根据式(3)计算出给水泵各监测参数变量的贡献率C;
S25:根据式(4)计算出各监测参数变量的累计贡献率;
表2:PCA贡献率
以此来确定给水泵主要的监测参数,当累积贡献率≥85%,说明这k个主元包含了原始数据的大部分信息,经过仿真得到k为5,累计方差贡献率为96.763%,说明通过PCA的坐标改变,可以通过这5个状态参数来反映给水泵的状态,实现了降维的目的,并得到5×7200的训练矩阵K。
S3:采用改进的DBSCAN算法处理训练矩阵K,得到记忆矩阵D,根据所述记忆矩阵D构建MSET预警模型;
虽然经过主成分分析,状态参数的数量得到了减少,但是发明人选取了一个月的给水泵状态,给水泵历史数据量仍然多。
多元状态技术中构建记忆矩阵D是最重要的一部分,最理想的方式是选取所有的历史数据来构建记忆矩阵D,但是计算机无法处理这么庞大的数据,如果选取一部分历史数据就无法涵盖所有的正常工作状态,所以发明人采用一种改进的DBSCAN算法来对历史数据进行聚类,减少历史数据的数量,并使聚类后的数据能反映给水泵正常工况下的所有状态。
DBSCAN是一种基于密度的聚类算法,这种聚类算法可以通过数据之间的紧密程度来进行聚类。通过将距离较近的样本划分为一类,获得一个聚类类别。一般通过计算样本点之间的欧式距离来判断紧密程度。通过设定半径Eps和领域内最小样本数minPts将所有的样本划分为不同的类别,这两个参数的设定对聚类效果有很大的影响,所以设定合适的Eps和minPts是此算法的关键。
但是传统的DBSCAN在处理高维密度不均匀数据时会产生大量离群值的问题,所以改进DBSCAN具体是引入了密度检测的思想,具体包括以下步骤:
S31:查询每个节点的Eps邻域,根据式(5)分别计算每个邻域内的密度;
其中,Eps是半径;Pts(i)是中心为i,半径为Eps的点集;|Pts(i)|是元素个数;ρi是该邻域内的密度;
节点i的圆形邻域中的其它点,记作k,并分别计算它们的密度;
S32:根据式(6)和式(7)分别计算出每个节点的平均密度和方差;
其中,n=|Pts(i)|;
S33:根据式(8)计算出各节点的密度变异系数cv值,将S32中计算得到的方差代入式(2)中;
S34:根据等深度分块法将数据进行分区;
具体的,例如有一百个数据点,平均每个box放5个,一共20个box,定义一个阈值λ,用一个box的范围除以下一个box的范围,大于λ则分割,分割点选择这个box的最大或下一个box的最小。
S35:设定每个分区的Eps值;
每个分区的Eps值定义为每个点与其邻域范围内前|Pts(i)|个点之间距离的平均距离。
S351:确定minPts的值,当cv值较小的,定为4;当cv值较大的,定为2;
S352:根据式(9)计算每个点的Eps邻域中的节点数;
|Pts(i)|=ρi*π*Eps2 (9)
S353:根据式(10)计算每个分区内各个点的半径;
S354:根据式(11)计算Eps(i)的和并取平均数;
这个平均半径就是这个分区的Eps值。
S36:在每个数据分区运行DBSCAN算法;
S37:得到聚类结果,将结果构成记忆矩阵D;
经过改进DBSCAN算法聚类后最终得到5×1308的矩阵,且此记忆矩阵包含了给水泵这一个月的正常历史数据,所以就可以通过多元状态技术来建立预警模型了。
S4:获取待估计时间段内的观测矩阵Xobs,输入所述MSET预警模型采用多元状态估计得到估计矩阵Xest:
对于某一时刻过程或设备的新观测向量Xobs,MSET通过将此状态和构建的记忆矩阵进行比较并计算得到估计矩阵Xest,估计向量是过程记忆矩阵和权值向量的积,公式为:
Xest=D*W=D*[w1,w2…wm]T (12)
权值向量W代表此状态与过程记忆矩阵中状态的一种相似性测度。
S5:获取所述估计矩阵Xest与所述观测矩阵Xobs之间的残差矩阵RL=Xobs-Xest,设置故障预警阈值,通过滑动窗口法进行故障预警;
权值向量可通过最小化残差ε向量来获得,构造新观测向量和估计向量之间的残差;
ε=Xest-Xobs (13)
ε越小,预测结果更加准确,对ε求最小平方误差:
minε=min(|Xest-Xobs|)
=min(|Xobs-D*W|)
即minε2=min[(Xobs-D*W)T*(Xobs-D*W)]
W=(DT*D)-1*(DT*Xobs)
但是(DT*D)存在不可逆的情况,因为给水泵各个测点之间可能存在一定的相关性,可以通过非线性子运算来代替上式的点乘,这里采用的非线性子运算可用欧氏距离来计算。
Ai和Bj是矩阵A、B中的列向量,aik和bjk是Ai、Bj中的元素。
将公式(9)代入公式(6)可得给水泵当天状态对应的估计向量为:
设备运行时的状态可由输入的状态向量和输出的估计向量之间的残差来反映,当残差超过规定的阈值,给水泵可能发生了故障。
但是给水泵工作环境复杂,会受到外界因素的影响,利用滑动窗口法合理地选择窗口宽度,可以及时、迅速地获取残差统计特性的连续变化,从而消除这些影响。假设在某段时间内,基于MSET的残差序列共有n个,
ε=[ε1ε2……εn]
对该残差序列取一个宽度为N的滑动窗口,计算得到窗口内连续N个残差的平均值:
设滑动窗口均值序列的最大值为Emax,则预警阈值
Ew=k*Emax
式中,k为预警阈值系数,一般取k>1
预警系数k的值一般由现场运行经验确定,取值通常为1.2,k的取值如果取过大,阈值就会设定的较大,就会导致故障预警的灵敏性降低,无法充分提前预警;k的取值如果取过小,阈值就会设定的较低,就会导致故障预警的准确性降低。
发明人为了验证才方法,选取2022年2月1日至2月25日的样本数据来构建记忆矩阵,样本数据是22×7200的矩阵,用2022年2月26日至2月28日的数据用来验证预警模型的可行性。
请参阅图3和图4,为密封水出口温度和给水泵出口压力的观测值与估计值的比较,可以看出,给水泵出口压力观测值与估计值几乎相同,密封水出口温度仅有少数几个时刻观测值和估计值有一定的偏差,但偏差最大的点也不超过0.5℃,这说明估计的效果较好,改进后的多元状态估计具有较高的预警精度。
请参阅图5,图5为2月26日到2月28日(共864个样本点)的预警模型滑动残差图,本文选取的预警阈值为0.4,在第302个样本点(2月27日凌晨1点)滑动残差超过预警阈值,说明此时给水泵发生了故障,在第342个样本点(2月27日凌晨4点30分)运检人员发现了水泵有堵塞现象,导致流量不足,并进行了检修,消除了这次故障,采用改进DBSCAN和MSET的给水泵故障预警方法比人工巡检可以提前3.5h发现故障,可以实现给水泵早期的故障预警,减少故障发生时电厂的经济损失。
本申请提供一种给水泵故障预警装置,包括:
状态变量模块,用于获取给水泵故障相关测点的历史数据;
主元分析模块,用于通过主元分析法对所述历史数据进行预处理,得到训练矩阵;
MSET预警模型构建模块,用于采用改进的DBSCAN算法处理所述训练矩阵,得到记忆矩阵,根据所述记忆矩阵构建MSET预警模型;
估计矩阵计算模块,用于获取待估计时间段内的观测矩阵Xobs,输入所述MSET预警模型采用多元状态估计得到估计矩阵Xest;
故障预警模块,用于获取所述估计矩阵Xest与所述观测矩阵Xobs之间的残差矩阵RL=Xobs-Xest,设置故障预警阈值,通过滑动窗口法进行故障预警。
关于给水泵故障预警装置的具体限定可以参见上文中对于给水泵故障预警方法的限定,在此不再赘述。
本发明相对于现有技术具有以下优点:
(1)利用多元状态估计技术对给水泵建立故障预警模型,可以实时预警给水泵发生的潜在故障,当设备出现故障隐患时,预警模型根据残差的变化趋势,并与设定阈值比较,在故障发生的早期实现精确的故障预警;
(2)通过PCA算法对数据预处理,由5个主元来代替原来22个变量参数,累计贡献率达到96.763%,实现了数据的降维,并对故障特征进行提取,降低了建模的复杂度;
(3)通过改进的DBSCAN算法来构建记忆矩阵,改进的DBSCAN算法引入了密度检测的基本思想,解决了DBSCAN算法在处理高维密度不均匀数据时会产生大量离群值的问题,并设定了较优的半径和最小节点数两个重要参数,使历史数据量大大减少,提高了预警模型运行的速度和准确性。
以上实施例的各技术特征可以进行任意的组合(只要这些技术特征的组合不存在矛盾),为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述;这些未明确写出的实施例,也都应当认为是本说明书记载的范围。
上文中通过一般性说明及具体实施例对本申请作了较为具体和详细的描述。应当理解,基于本申请的技术构思,还可以对这些具体实施例作出若干常规的调整或进一步的创新;但只要未脱离本申请的技术构思,这些常规的调整或进一步的创新得到的技术方案也同样落入本申请的权利要求保护范围。
Claims (10)
1.一种给水泵故障预警方法,其特征在于,包括:
获取给水泵故障相关测点的历史数据;
通过主元分析法对所述历史数据进行预处理,得到训练矩阵;
采用改进的DBSCAN算法处理所述训练矩阵,得到记忆矩阵,根据所述记忆矩阵构建MSET预警模型;
获取待估计时间段内的观测矩阵Xobs,输入所述MSET预警模型采用多元状态估计得到估计矩阵Xest;
获取所述估计矩阵Xest与所述观测矩阵Xobs之间的残差矩阵RL=Xobs-Xest,设置故障预警阈值,通过滑动窗口法进行故障预警。
3.根据权利要求2所述的给水泵故障预警方法,其特征在于,所述训练矩阵的主元个数为5,累计贡献率为96.763%。
4.根据权利要求1所述的给水泵故障预警方法,其特征在于,所述采用改进的DBSCAN算法处理所述训练矩阵,得到记忆矩阵,具体包括:
查询每个节点的Eps邻域,根据第五公式分别计算出每个邻域内的密度;
根据第六公式和第七公式分别计算出每个节点的平均密度和方差;
根据第八公式计算出各节点的密度变异系数cv值;
根据等深度分块法将数据进行分区;
设定每个分区的Eps值;
在每个数据分区运行DBSCAN算法;
得到聚类结果,将结果构成记忆矩阵D;
所述第五公式为:
其中,Eps是半径;Pts(i)是中心为i,半径为Eps的点集;|Ptt(i)|是元素个数;ρi是该邻域内的密度;
所述第六公式为:
所述第七公式为:
其中,n=|Pts(i)|;
所述第八公式为:
6.根据权利要求5所述的给水泵故障预警方法,其特征在于,所述确定minPts的值时,当cv值较小的,取为4;当cv值较大的,取为2。
7.根据权利要求1所述的给水泵故障预警方法,其特征在于,所述记忆矩阵为5×1308的记忆矩阵。
8.根据权利要求1所述的给水泵故障预警方法,其特征在于,所述通过滑动窗口法进行故障预警时,预警系数k为1.2,预警阈值为0.4。
9.根据权利要求1所述的给水泵故障预警方法,其特征在于,所述获取给水泵故障相关测点的历史数据包括22个状态变量。
10.一种给水泵故障预警装置,其特征在于,包括:
状态变量模块,用于获取给水泵故障相关测点的历史数据;
主元分析模块,用于通过主元分析法对所述历史数据进行预处理,得到训练矩阵;
MSET预警模型构建模块,用于采用改进的DBSCAN算法处理所述训练矩阵,得到记忆矩阵,根据所述记忆矩阵构建MSET预警模型;
估计矩阵计算模块,用于获取待估计时间段内的观测矩阵Xobs,输入所述MSET预警模型采用多元状态估计得到估计矩阵Xest;
故障预警模块,用于获取所述估计矩阵Xest与所述观测矩阵Xobs之间的残差矩阵RL=Xobs-Xest,设置故障预警阈值,通过滑动窗口法进行故障预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210617888.8A CN114997309A (zh) | 2022-06-01 | 2022-06-01 | 给水泵故障预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210617888.8A CN114997309A (zh) | 2022-06-01 | 2022-06-01 | 给水泵故障预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114997309A true CN114997309A (zh) | 2022-09-02 |
Family
ID=83031342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210617888.8A Pending CN114997309A (zh) | 2022-06-01 | 2022-06-01 | 给水泵故障预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997309A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267409A (zh) * | 2022-09-26 | 2022-11-01 | 北京中电普华信息技术有限公司 | 一种电力设备故障检测方法、装置及设备 |
-
2022
- 2022-06-01 CN CN202210617888.8A patent/CN114997309A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267409A (zh) * | 2022-09-26 | 2022-11-01 | 北京中电普华信息技术有限公司 | 一种电力设备故障检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681633B (zh) | 一种基于状态参数的凝结水泵故障预警方法 | |
CN110441065A (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
CN113011010A (zh) | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
CN112836941A (zh) | 一种煤电机组汽轮机高加系统在线健康状况评估方法 | |
CN114997309A (zh) | 给水泵故障预警方法及装置 | |
CN115549187A (zh) | 一种风电并网的稳定性评估方法 | |
Weerasinghe et al. | Neural networks for fault diagnosis of a nuclear fuel processing plant at different operating points | |
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 | |
CN108181893A (zh) | 一种基于pca-kdr的故障检测方法 | |
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 | |
CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
Gomm et al. | Diagnosis of process faults with neural networks and principal component analysis | |
Uren et al. | An integrated approach to sensor FDI and signal reconstruction in HTGRs–Part I: Theoretical framework | |
CN111563685A (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
Li et al. | Design of comprehensive diagnosis system in nuclear power plant | |
Yang et al. | Monitoring and uncertainty analysis of feedwater flow rate using data-based modeling methods | |
Peng et al. | Phase partition and fault diagnosis of batch process based on keca angular similarity | |
Zhu et al. | Partial derivate contribution plot based on KPLS-KSER for nonlinear process fault diagnosis | |
CN115186754A (zh) | 基于信息熵及自联想回归模型的机组能效监测诊断方法 | |
Feng et al. | Research on key technologies of health assessment for multi-equipment production line | |
CN112380487A (zh) | 一种使用神经网络自编码判断小型水轮机组运行状态的方法 | |
Seo et al. | An on-line calibration monitoring technique using support vector regression and principal component analysis | |
Qi et al. | Data-driven fault diagnosis and prognosis for process faults using principal component analysis and extreme learning machine | |
Luo et al. | Improved alarm visualization system based on two-Dimensional online root-cause contribution graph for industry 4.0 |
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 |