CN115310561A - 一种基于集成即时学习的电磁阀故障监测方法 - Google Patents

一种基于集成即时学习的电磁阀故障监测方法 Download PDF

Info

Publication number
CN115310561A
CN115310561A CN202211195150.3A CN202211195150A CN115310561A CN 115310561 A CN115310561 A CN 115310561A CN 202211195150 A CN202211195150 A CN 202211195150A CN 115310561 A CN115310561 A CN 115310561A
Authority
CN
China
Prior art keywords
sample
electromagnetic valve
fault
samples
health
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
Application number
CN202211195150.3A
Other languages
English (en)
Other versions
CN115310561B (zh
Inventor
王平
盖文
胡俊
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.)
Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center
Original Assignee
Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center
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 Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center filed Critical Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center
Priority to CN202211195150.3A priority Critical patent/CN115310561B/zh
Publication of CN115310561A publication Critical patent/CN115310561A/zh
Application granted granted Critical
Publication of CN115310561B publication Critical patent/CN115310561B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及对液氮供给系统中电磁阀故障的监测领域，具体公开了一种基于集成即时学习的电磁阀故障监测方法，该方法首先对电磁阀历史输入、输出和健康标记建立样本，然后对样本进行分类、相似性指标和相关样本数量等分析，并建立在线故障检测局部模型，最后根据模型的输出判断当前电磁阀的健康状态；本发明容易实施，应用程度高，并且基于即时学习对电磁阀故障监测，能够在早期监测到电磁阀的故障，降低液氮供给系统因为电磁阀故障没有即时发现而带来安全隐患的风险。

Description

一种基于集成即时学习的电磁阀故障监测方法
技术领域
本发明涉及电磁阀监测领域，具体讲是一种基于集成即时学习的电磁阀故障监测方法。
背景技术
在液氮供给系统中，开关电磁阀是其很重要的一个元件，其动作准确、自动化程度高、工作稳定可靠。但是在使用的过程中难免会出现各种问题。虽然电磁阀本身成本不高，维修也只需要对其进行更换操作并不复杂，但是其故障本身并不是十分的明显，在故障初期很难被察觉，这将带来很严重的问题，轻则影响产品质量，重则可能会发生事故。
现有的方法主要是通过先验知识来划分工况，并根据不同的工况通过离线数据建立固定的诊断模型。当用于大数据处理时，由于该方法面临着模型结构难以确定、相关优化问题复杂、在线更新困难等一系列限制，使得其应用程度并不高。虽然，通过移动窗口模型、递归方法等方法能对模型进行更新，但在工况变化大的过程中作用不大。
发明内容
因此，为了克服上述不足，本发明在此提供一种容易实施，应用程度高，并且基于即时学习的电磁阀故障监测方法，该方法能够在早期监测到电磁阀的故障，降低液氮供给系统因为电磁阀故障没有即时发现而带来安全隐患的风险。
所述即时学习是一种非线性过程建模策略，它建立在数据库和局部建模技术的基础之上。即时学习模型策略通常使用与其“局部”相关的最相关样本来构建围绕最新样本的在线局部模型。
具体的，一种基于集成即时学习的电磁阀故障监测方法，包括如下步骤：
步骤一、令电磁阀的历史输入、输出和健康标记的样本表示为
Figure 721356DEST_PATH_IMAGE001
，其中
Figure DEST_PATH_IMAGE002
表示第H个样 本的健康标记，健康样本的标记为0，故障样本的标记为1。
步骤二、通过Kmeans将样本
Figure 248283DEST_PATH_IMAGE003
分为C类，且
Figure DEST_PATH_IMAGE004
，其中
Figure DEST_PATH_IMAGE005
为第
Figure 824758DEST_PATH_IMAGE006
类的样本数，
Figure DEST_PATH_IMAGE007
为至少需要获得的相关样本 数量。
步骤三：当获得新的样本
Figure 501858DEST_PATH_IMAGE008
时，假设有
Figure DEST_PATH_IMAGE009
种相似性指标
Figure 644126DEST_PATH_IMAGE010
，通 过公式
Figure DEST_PATH_IMAGE011
确定在每个相似性指标
Figure 732168DEST_PATH_IMAGE012
下从第
Figure DEST_PATH_IMAGE013
类中选择
Figure 77830DEST_PATH_IMAGE014
个相关样本，从而获得每个相似性指标
Figure DEST_PATH_IMAGE015
下相关样本的数量
Figure 807889DEST_PATH_IMAGE016
，其中
Figure DEST_PATH_IMAGE017
为在相似性指标
Figure 742346DEST_PATH_IMAGE018
下新的样本
Figure 850609DEST_PATH_IMAGE008
与第
Figure DEST_PATH_IMAGE019
类的相似度。
步骤四：针对每个相似性指标计算所有历史样本的相似度权重；对于相似性指标
Figure 136097DEST_PATH_IMAGE020
，根据
Figure DEST_PATH_IMAGE021
个样本计算的权重是
Figure 201005DEST_PATH_IMAGE022
。
步骤五：使用
Figure 458811DEST_PATH_IMAGE024
和
Figure DEST_PATH_IMAGE025
，通过神经网络方法得到新的样本
Figure 967284DEST_PATH_IMAGE026
的在线故障检测局部模型
Figure DEST_PATH_IMAGE027
；
其中，
Figure DEST_PATH_IMAGE028
和
Figure 271226DEST_PATH_IMAGE029
表示通过相似性指标
Figure DEST_PATH_IMAGE030
建立的在线故障检测局部模型的输出和 输入，
Figure 828240DEST_PATH_IMAGE031
表示与
Figure DEST_PATH_IMAGE032
对应的真实输出。
步骤六：根据所有相关样本的健康标记情况和在每个相似性指标
Figure 737291DEST_PATH_IMAGE033
下对应的
Figure DEST_PATH_IMAGE034
，训练SVM分类模型
Figure 603615DEST_PATH_IMAGE035
，使SVM分类模型
Figure 100002_DEST_PATH_IMAGE036
能正确的将
Figure 411166DEST_PATH_IMAGE037
分为两类，一类为故障样本（用1表示），另一类为健康样本（用0表 示），并计算正确率
Figure 100002_DEST_PATH_IMAGE038
，其中，TP表示故障样本分类为故障样 本，FP表示健康样本分类为故障样本，TN表示健康样本分类为健康样本，FN表示故障样本分 类为健康样本。
步骤七：根据公式
Figure 21138DEST_PATH_IMAGE039
，获得新的样本
Figure 100002_DEST_PATH_IMAGE040
的在线故障检测局部模型
Figure 290753DEST_PATH_IMAGE041
，然后将
Figure 100002_DEST_PATH_IMAGE042
分别代入SVM分类模型
Figure 937766DEST_PATH_IMAGE043
，并计算综合健康状态值
Figure DEST_PATH_IMAGE044
（其中，
Figure 232612DEST_PATH_IMAGE045
为第
Figure DEST_PATH_IMAGE046
个模型的分类结果），最后当
Figure 100002_DEST_PATH_IMAGE047
（
Figure 911855DEST_PATH_IMAGE048
为阈值）时，当前电磁阀为故障状态，反 之，当前电磁阀为健康状态。
本发明具有如下有益效果：
本发明容易实施，应用程度高，并且基于即时学习对电磁阀进行故障监测，本发明能够在早期监测到电磁阀的故障，降低液氮供给系统因为电磁阀故障没有即时发现而带来安全隐患的风险。
同时本发明通过公式
Figure 100002_DEST_PATH_IMAGE049
确定在每个相似性指标
Figure 340038DEST_PATH_IMAGE050
下从第
Figure DEST_PATH_IMAGE051
类中选择
Figure 548165DEST_PATH_IMAGE052
个相关样本，而不是选择故障的N个相关样本。由 于不同相似性指标
Figure DEST_PATH_IMAGE053
下不同类的总数不同，采用这个公式的话，可以达到从数量多的类中 获得多的样本，从数量少的类中获得少的样本，避免在数量少的类中过度采样，在数量多的 类中采样率太低。
本发明根据所有相关样本的健康标记情况和在每个相似性指标
Figure 799149DEST_PATH_IMAGE054
下对应的
Figure DEST_PATH_IMAGE055
，训练SVM模型
Figure 547662DEST_PATH_IMAGE056
，使SVM分类模型
Figure DEST_PATH_IMAGE057
能正确的将
Figure 551391DEST_PATH_IMAGE058
分为两类，一类为故障样本（用1表示），另一类为健康样本（用0表 示），并计算正确率
Figure DEST_PATH_IMAGE059
；如果输出为1，则样本发生故障，如果 是0，样本处于健康阶段；而判断当前电磁阀的健康状态则是综合健康状态值
Figure DEST_PATH_IMAGE060
来判断。
附图说明
图1是本发明的流程示意图，其中实线为训练过程，虚线为监测过程。
具体实施方式
下面将结合附图1对本发明进行详细说明，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明在此提供一种基于集成即时学习的电磁阀故障监测方法，包括如下步骤：
步骤一、令电磁阀的历史输入、输出和健康标记的样本表示为，
Figure 477889DEST_PATH_IMAGE061
，其中
Figure DEST_PATH_IMAGE062
表示第H个样 本的健康标记，健康样本的标记为0，故障样本的标记为1。
步骤二、通过Kmeans将样本
Figure 668699DEST_PATH_IMAGE063
分为C类，且
Figure DEST_PATH_IMAGE064
，其中
Figure DEST_PATH_IMAGE065
为第
Figure 706057DEST_PATH_IMAGE066
类的样本数，
Figure DEST_PATH_IMAGE067
为至少需要获得的相关样本 数量。
步骤三：由于在不同的相似性指标下，当获得新的样本时，假设有种相似性指标
Figure 829870DEST_PATH_IMAGE068
，通过公式
Figure DEST_PATH_IMAGE069
确定在每个相似性指标
Figure 213358DEST_PATH_IMAGE070
下从第
Figure DEST_PATH_IMAGE071
类中选择
Figure 891464DEST_PATH_IMAGE072
个相关样本，从而获得每个相似性指标
Figure 716200DEST_PATH_IMAGE070
下相关 样本的数量
Figure DEST_PATH_IMAGE073
，其中
Figure 163362DEST_PATH_IMAGE074
为在相似性指标
Figure DEST_PATH_IMAGE075
下 新的样本
Figure 431663DEST_PATH_IMAGE026
与第
Figure 65907DEST_PATH_IMAGE076
类的相似度，通过
Figure DEST_PATH_IMAGE077
确定在每个相似性指标
Figure 959914DEST_PATH_IMAGE078
下 从第
Figure 996003DEST_PATH_IMAGE019
类中选择
Figure DEST_PATH_IMAGE079
个相关样本，从而获得每个相似性指标
Figure 435206DEST_PATH_IMAGE080
下相 关样本的数量
Figure DEST_PATH_IMAGE081
。
步骤四：针对每个相似性指标计算所有历史样本的相似度权重；对于相似性指标
Figure 353483DEST_PATH_IMAGE082
，根据
Figure DEST_PATH_IMAGE083
个样本计算的权重是
Figure 988864DEST_PATH_IMAGE084
。
步骤五：使用
Figure 426929DEST_PATH_IMAGE086
和
Figure DEST_PATH_IMAGE087
，通过神经网络方法得到新的样本
Figure 489563DEST_PATH_IMAGE088
的在线故障检测局部模型
Figure DEST_PATH_IMAGE089
。
其中，
Figure DEST_PATH_IMAGE090
和
Figure DEST_PATH_IMAGE091
表示通过相似性指标
Figure 298732DEST_PATH_IMAGE092
建立的在线故障检测局部模型的输出和 输入，
Figure 206645DEST_PATH_IMAGE031
表示与
Figure DEST_PATH_IMAGE093
对应的真实输出。
步骤六：根据所有相关样本的健康标记情况和在每个相似性指标
Figure DEST_PATH_IMAGE094
下对应的
Figure 30376DEST_PATH_IMAGE095
，训练SVM分类模型
Figure DEST_PATH_IMAGE096
，使SVM分类模型
Figure DEST_PATH_IMAGE097
能 正确的将
Figure DEST_PATH_IMAGE098
分为两类，一类为故障样本（用1表示），另一类为健康样本（用0表示），并计算正 确率
Figure DEST_PATH_IMAGE099
，其中，TP表示故障样本分类为故障样本，FP表示健康 样本分类为故障样本，TN表示健康样本分类为健康样本，FN表示故障样本分类为健康样本。
步骤七：根据公式
Figure DEST_PATH_IMAGE100
，获得新的样本
Figure 873698DEST_PATH_IMAGE088
的在线故障检测局部模型
Figure DEST_PATH_IMAGE101
，然后将
Figure DEST_PATH_IMAGE102
分别代入SVM分类模型
Figure DEST_PATH_IMAGE103
， 并计算综合健康状态值
Figure DEST_PATH_IMAGE104
（其中，
Figure 110775DEST_PATH_IMAGE045
为第
Figure DEST_PATH_IMAGE105
个模型的分类结果），最后当
Figure DEST_PATH_IMAGE106
（
Figure DEST_PATH_IMAGE107
为阈值）时，当前电磁阀为故障状态，反之，当前电磁阀为健康状态；所述 阈值由技术人员根据经验而定。
本发明容易实施，应用程度高，并且基于即时学习对电磁阀进行故障监测，本发明能够在早期监测到电磁阀的故障，降低液氮供给系统因为电磁阀故障没有即时发现而带来安全隐患的风险。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于集成即时学习的电磁阀故障监测方法，其特征在于：包括如下步骤，
S1、获取电磁阀的历史输入、输出和健康标记的样本；
S2、通过Kmeans对样本进行分类；
S3、获取电磁阀新的样本，假设有多种相似性指标，确定每个相似性指标下相关样本，并获得每个相似性指标下相关样本的数量；
S4、针对每个相似性指标计算所有历史样本的相似度权重；
S5、使用根据步骤S3获得的相关样本和相关样本的数量，通过神经网络方法得到新的样本的在线故障检测局部模型；
S6、根据所有相关样本的健康标记情况和对应的在线故障检测局部模型的输出，训练SVM模型，使SVM模型能正确的将在线故障检测局部模型的输出分为两类，一类为故障样本，另一类为健康样本；
S7、根据在线故障检测局部模型获得新的样本的在线故障检测局部模型，然后将新的在线故障检测局部模型的输出代入SVM模型，根据模型的输出判断当前电磁阀的健康状态。
2.根据权利要求1所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤S1的具体方法如下：
令电磁阀的历史输入、输出和健康标记的样本表示为，
Figure DEST_PATH_IMAGE001
，
其中
Figure 629615DEST_PATH_IMAGE002
表示第H个样本的健康标记，健康样本的标记为0，故障样本的标记为1。
3.根据权利要求2所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤S2的具体方法如下：
通过Kmeans将样本
Figure DEST_PATH_IMAGE003
分为C类，且
Figure 963644DEST_PATH_IMAGE004
，其中
Figure 446710DEST_PATH_IMAGE005
为第
Figure DEST_PATH_IMAGE006
类的样本数，
Figure 498979DEST_PATH_IMAGE007
为至少需要获得的相关样 本数量。
4.根据权利要求3所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤S3的具体方法如下：
当获得新的样本
Figure DEST_PATH_IMAGE008
时，假设有
Figure 607749DEST_PATH_IMAGE009
种相似性指标
Figure DEST_PATH_IMAGE010
，通过公式
Figure 140493DEST_PATH_IMAGE011
确定在每个相似性指标
Figure DEST_PATH_IMAGE012
下从第
Figure 919093DEST_PATH_IMAGE013
类中选择
Figure DEST_PATH_IMAGE014
个相关样本，从而获得每个相似性指标
Figure 848872DEST_PATH_IMAGE015
下相关样本的数量
Figure DEST_PATH_IMAGE016
，其中
Figure 371120DEST_PATH_IMAGE017
为在相似性指标
Figure DEST_PATH_IMAGE018
下新的样本
Figure 755441DEST_PATH_IMAGE019
与 第
Figure DEST_PATH_IMAGE020
类的相似度。
5.根据权利要求4所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤S4的具体方法如下：
针对每个相似性指标计算所有历史样本的相似度权重；对于相似性指标
Figure 95155DEST_PATH_IMAGE021
，根据
Figure DEST_PATH_IMAGE022
个样本计算的权重是
Figure 856438DEST_PATH_IMAGE023
。
6.根据权利要求5所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤S5的具体方法如下：
使用根据步骤S3获得在每个相似性指标
Figure DEST_PATH_IMAGE024
下的相关样本
Figure DEST_PATH_IMAGE026
和
Figure 526585DEST_PATH_IMAGE027
， 通过神经网络方法得到新的样本
Figure 548767DEST_PATH_IMAGE019
的在线故障检测局部模型
Figure 669170DEST_PATH_IMAGE028
；
其中，
Figure DEST_PATH_IMAGE029
和
Figure 527536DEST_PATH_IMAGE030
表示通过相似性指标
Figure DEST_PATH_IMAGE031
建立的在线故障检测局部模型的输出和输入，
Figure 985062DEST_PATH_IMAGE032
表示与
Figure DEST_PATH_IMAGE033
对应的真实输出。
7.根据权利要求6所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤S6的具体方法如下：
根据所有相关样本的健康标记情况和在每个相似性指标
Figure 878063DEST_PATH_IMAGE034
下对应的
Figure 231684DEST_PATH_IMAGE035
，训练SVM分类模型
Figure DEST_PATH_IMAGE036
，使SVM分类模型
Figure 295455DEST_PATH_IMAGE037
能正确的将
Figure DEST_PATH_IMAGE038
分为两类，一类为故障样本，用1表示，另一类为健康样本，用0表示，并 计算正确率
Figure 963196DEST_PATH_IMAGE039
，其中，TP表示故障样本分类为故障样本，FP表 示健康样本分类为故障样本，TN表示健康样本分类为健康样本，FN表示故障样本分类为健 康样本。
8.根据权利要求7所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤S7的具体方法如下：
根据公式
Figure DEST_PATH_IMAGE040
，获得新的样本
Figure 973353DEST_PATH_IMAGE041
的在线故障检测局部模型
Figure DEST_PATH_IMAGE042
，然后将
Figure 701138DEST_PATH_IMAGE043
分别代入SVM分类模型
Figure 48942DEST_PATH_IMAGE044
，并计算 综合健康状态值
Figure DEST_PATH_IMAGE045
，最后当
Figure 254796DEST_PATH_IMAGE046
时，当前电磁阀为故障状态，反 之，当前电磁阀为健康状态；其中，
Figure DEST_PATH_IMAGE047
为第
Figure 325651DEST_PATH_IMAGE048
个模型的分类结果，
Figure DEST_PATH_IMAGE049
为阈值。
CN202211195150.3A 2022-09-29 2022-09-29 一种基于集成即时学习的电磁阀故障监测方法 Active CN115310561B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211195150.3A CN115310561B (zh) 2022-09-29 2022-09-29 一种基于集成即时学习的电磁阀故障监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211195150.3A CN115310561B (zh) 2022-09-29 2022-09-29 一种基于集成即时学习的电磁阀故障监测方法

Publications (2)

Publication Number Publication Date
CN115310561A true CN115310561A (zh) 2022-11-08
CN115310561B CN115310561B (zh) 2022-12-20

Family

ID=83867020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211195150.3A Active CN115310561B (zh) 2022-09-29 2022-09-29 一种基于集成即时学习的电磁阀故障监测方法

Country Status (1)

Country Link
CN (1) CN115310561B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115587294A (zh) * 2022-12-08 2023-01-10 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105652845A (zh) * 2016-03-26 2016-06-08 北京工业大学 一种基于即时学习局部模型的发酵过程故障监测方法
CN106682312A (zh) * 2016-12-28 2017-05-17 浙江大学 一种局部加权极限学习机模型的工业过程软测量建模方法
CN108229547A (zh) * 2017-12-27 2018-06-29 东南大学 一种基于局部模型迁移学习的齿轮故障识别方法
CN109491338A (zh) * 2018-11-09 2019-03-19 南通大学 一种基于稀疏gmm的多模过程质量相关的故障诊断方法
US20190311552A1 (en) * 2018-04-06 2019-10-10 Toyota Motor Engineering & Manufacturing North America, Inc. Fault diagnosis using distributed pca architecture
CN110988674A (zh) * 2019-11-19 2020-04-10 中南大学 永磁同步电机的健康状态监测方法、系统及移动终端
US20200272923A1 (en) * 2019-02-21 2020-08-27 Cisco Technology, Inc. Identifying locations and causes of network faults
CN111650919A (zh) * 2020-05-14 2020-09-11 中铁第四勘察设计院集团有限公司 多维度监测的自动扶梯故障预测与健康管理方法及系统
CN112199829A (zh) * 2020-09-27 2021-01-08 浙江大学 基于密度峰值聚类和即时学习的多工况多阶段批次过程监测方法
CN112907781A (zh) * 2021-02-07 2021-06-04 中国人民解放军国防科技大学 一种系统故障诊断方法、装置、计算机设备和存储介质
CN113221019A (zh) * 2021-04-02 2021-08-06 合肥工业大学 基于即时学习的个性化推荐方法和系统
CN114298362A (zh) * 2020-09-23 2022-04-08 新智数字科技有限公司 一种设备故障预测方法、装置、可读存储介质和计算设备
CN114611633A (zh) * 2022-05-10 2022-06-10 中国空气动力研究与发展中心设备设计与测试技术研究所 一种电磁阀的健康监测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105652845A (zh) * 2016-03-26 2016-06-08 北京工业大学 一种基于即时学习局部模型的发酵过程故障监测方法
CN106682312A (zh) * 2016-12-28 2017-05-17 浙江大学 一种局部加权极限学习机模型的工业过程软测量建模方法
CN108229547A (zh) * 2017-12-27 2018-06-29 东南大学 一种基于局部模型迁移学习的齿轮故障识别方法
US20190311552A1 (en) * 2018-04-06 2019-10-10 Toyota Motor Engineering & Manufacturing North America, Inc. Fault diagnosis using distributed pca architecture
CN109491338A (zh) * 2018-11-09 2019-03-19 南通大学 一种基于稀疏gmm的多模过程质量相关的故障诊断方法
US20200272923A1 (en) * 2019-02-21 2020-08-27 Cisco Technology, Inc. Identifying locations and causes of network faults
CN110988674A (zh) * 2019-11-19 2020-04-10 中南大学 永磁同步电机的健康状态监测方法、系统及移动终端
CN111650919A (zh) * 2020-05-14 2020-09-11 中铁第四勘察设计院集团有限公司 多维度监测的自动扶梯故障预测与健康管理方法及系统
CN114298362A (zh) * 2020-09-23 2022-04-08 新智数字科技有限公司 一种设备故障预测方法、装置、可读存储介质和计算设备
CN112199829A (zh) * 2020-09-27 2021-01-08 浙江大学 基于密度峰值聚类和即时学习的多工况多阶段批次过程监测方法
CN112907781A (zh) * 2021-02-07 2021-06-04 中国人民解放军国防科技大学 一种系统故障诊断方法、装置、计算机设备和存储介质
CN113221019A (zh) * 2021-04-02 2021-08-06 合肥工业大学 基于即时学习的个性化推荐方法和系统
CN114611633A (zh) * 2022-05-10 2022-06-10 中国空气动力研究与发展中心设备设计与测试技术研究所 一种电磁阀的健康监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIAOFENG YUAN等: "Multi‐similarity measurement driven ensemble just‐in‐time learning for soft sensing of industrial processes", 《JOURNAL OF CHEMOMETRICS》 *
YUELI SONG等: "A novel just-in-time learning strategy for soft sensing with improved similarity measure based on mutual information and pls", 《SENSORS》 *
宋月丽: "基于即时学习的工业生产过程质量预测建模方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 *
朱清智等: "基于即时学习算法的短期负荷预测方法", 《电力系统保护与控制》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115587294A (zh) * 2022-12-08 2023-01-10 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法

Also Published As

Publication number Publication date
CN115310561B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN109840362B (zh) 一种基于多目标优化的集成即时学习工业过程软测量建模方法
CN104899135B (zh) 软件缺陷预测方法和系统
KR20170118811A (ko) 발전된 데이터 정화 시스템 및 방법
JP2019076819A (ja) 仕分けシステム
Zhu et al. Two-dimensional contribution map for fault identification [focus on education]
CN113050019B (zh) 数据驱动评估结果和检定规程融合的电压互感器评估方法及系统
CN111191726B (zh) 一种基于弱监督学习多层感知器的故障分类方法
CN115310561B (zh) 一种基于集成即时学习的电磁阀故障监测方法
CN101738998B (zh) 一种基于局部判别分析的工业过程监测系统及方法
CN109675935A (zh) 一种变控制限的ipca轧制过程在线故障诊断方法
CN105571645A (zh) 一种大坝自动化监测方法
CN111122811A (zh) 一种oica和rnn融合模型的污水处理过程故障监测方法
CN106599367A (zh) 一种航天器状态异常检测方法
CN107678971A (zh) 代码味道驱动的基于克隆和耦合检测的代码缺陷预测方法
CN112395684A (zh) 一种高速列车走行部系统智能故障诊断方法
CN111639304A (zh) 基于Xgboost回归模型的CSTR故障定位方法
CN112836719B (zh) 一种融合二分类和三元组的示功图相似性检测方法
CN106569982A (zh) 带奇异点检测补偿的gpr在线软测量方法及系统
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法
Buschmann et al. Data-driven decision support for process quality improvements
CN115985411A (zh) 基于高斯过程回归模型的高分子熔融指数软测量方法
CN113033845A (zh) 一种电力传输资源共建共享的建设方法及装置
Wang et al. An intelligent process fault diagnosis system integrating Andrews plot, PCA and neural networks
CN109767816A (zh) 一种基于深度神经网络的化学工艺危险自动化分析的方法
CN110377007A (zh) 基于主元分析的化工过程故障诊断方法

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