CN115310561B - 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
CN115310561B
CN115310561B CN202211195150.3A CN202211195150A CN115310561B CN 115310561 B CN115310561 B CN 115310561B CN 202211195150 A CN202211195150 A CN 202211195150A CN 115310561 B CN115310561 B CN 115310561B
Authority
CN
China
Prior art keywords
samples
sample
fault
electromagnetic valve
similarity
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
CN202211195150.3A
Other languages
English (en)
Other versions
CN115310561A (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 100002_DEST_PATH_IMAGE002
，其中
Figure 100002_DEST_PATH_IMAGE004
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 100002_DEST_PATH_IMAGE005
分为C类，且
Figure 100002_DEST_PATH_IMAGE007
，其中
Figure 100002_DEST_PATH_IMAGE009
为第
Figure 100002_DEST_PATH_IMAGE011
类的样本数，
Figure 100002_DEST_PATH_IMAGE013
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 100002_DEST_PATH_IMAGE015
时，假设有
Figure 100002_DEST_PATH_IMAGE017
种相似性指标
Figure 100002_DEST_PATH_IMAGE019
，通过公式
Figure 100002_DEST_PATH_IMAGE021
确定在每个相似性指标
Figure 100002_DEST_PATH_IMAGE023
下从第
Figure 100002_DEST_PATH_IMAGE025
类中选择
Figure 100002_DEST_PATH_IMAGE027
个相关样本，从而获得每个相似性指标
Figure 285809DEST_PATH_IMAGE023
下相关样本的数量
Figure 100002_DEST_PATH_IMAGE029
，其中
Figure 100002_DEST_PATH_IMAGE031
为在相似性指标
Figure 100002_DEST_PATH_IMAGE033
下新的样本
Figure 100002_DEST_PATH_IMAGE035
与第
Figure 100002_DEST_PATH_IMAGE037
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 100002_DEST_PATH_IMAGE039
，根据
Figure 100002_DEST_PATH_IMAGE041
个样本计算的权重是
Figure 100002_DEST_PATH_IMAGE043
。
步骤五：使用
Figure 100002_DEST_PATH_IMAGE045
和
Figure 100002_DEST_PATH_IMAGE047
，通过神经网络方法得到新的样本
Figure 100002_DEST_PATH_IMAGE049
的在线故障检测局部模型
Figure 100002_DEST_PATH_IMAGE051
；
其中，
Figure 100002_DEST_PATH_IMAGE053
和
Figure 100002_DEST_PATH_IMAGE055
表示通过相似性指标
Figure 100002_DEST_PATH_IMAGE057
建立的在线故障检测局部模型的输出和输入，
Figure 100002_DEST_PATH_IMAGE059
表示与
Figure 100002_DEST_PATH_IMAGE061
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 100002_DEST_PATH_IMAGE063
下对应的
Figure 100002_DEST_PATH_IMAGE065
，训练SVM分类模型
Figure 100002_DEST_PATH_IMAGE067
，使SVM分类模型
Figure 910606DEST_PATH_IMAGE067
能正确的将
Figure 100002_DEST_PATH_IMAGE069
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_IMAGE071
，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 100002_DEST_PATH_IMAGE073
，获得新的样本
Figure 100002_DEST_PATH_IMAGE075
的在线故障检测局部模型
Figure 100002_DEST_PATH_IMAGE077
，然后将
Figure 100002_DEST_PATH_IMAGE079
分别代入SVM分类模型
Figure 100002_DEST_PATH_IMAGE081
，并计算综合健康状态值
Figure 100002_DEST_PATH_IMAGE083
（其中，
Figure 100002_DEST_PATH_IMAGE085
为第
Figure 100002_DEST_PATH_IMAGE087
个模型的分类结果），最后当
Figure 100002_DEST_PATH_IMAGE089
（
Figure 100002_DEST_PATH_IMAGE091
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_IMAGE093
确定在每个相似性指标
Figure DEST_PATH_IMAGE095
下从第
Figure DEST_PATH_IMAGE097
类中选择
Figure DEST_PATH_IMAGE099
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_IMAGE101
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下对应的
Figure DEST_PATH_IMAGE102
，训练SVM模型
Figure DEST_PATH_IMAGE104
，使SVM分类模型
Figure DEST_PATH_IMAGE105
能正确的将
Figure DEST_PATH_IMAGE107
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_IMAGE109
；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_IMAGE111
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 DEST_PATH_IMAGE112
，其中
Figure DEST_PATH_IMAGE114
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 DEST_PATH_IMAGE112A
分为C类，且
Figure DEST_PATH_IMAGE116
，其中
Figure DEST_PATH_IMAGE118
为第
Figure 743871DEST_PATH_IMAGE011
类的样本数，
Figure 342343DEST_PATH_IMAGE013
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
Figure DEST_PATH_IMAGE120
时，假设有
Figure DEST_PATH_IMAGE122
种相似性指标
Figure DEST_PATH_IMAGE123
，通过公式
Figure DEST_PATH_IMAGE124
确定在每个相似性指标
Figure 828819DEST_PATH_IMAGE023
下从第
Figure 120123DEST_PATH_IMAGE025
类中选择
Figure DEST_PATH_IMAGE125
个相关样本，从而获得每个相似性指标
Figure 557795DEST_PATH_IMAGE023
下相关样本的数量
Figure 225537DEST_PATH_IMAGE029
，其中
Figure 159995DEST_PATH_IMAGE031
为在相似性指标
Figure DEST_PATH_IMAGE126
下新的样本
Figure 825462DEST_PATH_IMAGE035
与第
Figure DEST_PATH_IMAGE127
类的相似度，通过
Figure DEST_PATH_IMAGE128
确定在每个相似性指标
Figure DEST_PATH_IMAGE129
下从第
Figure 986317DEST_PATH_IMAGE037
类中选择
Figure DEST_PATH_IMAGE130
个相关样本，从而获得每个相似性指标
Figure DEST_PATH_IMAGE131
下相关样本的数量
Figure DEST_PATH_IMAGE132
。
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 425126DEST_PATH_IMAGE131
，根据
Figure DEST_PATH_IMAGE134
个样本计算的权重是
Figure DEST_PATH_IMAGE135
。
步骤五：使用
Figure DEST_PATH_IMAGE136
和
Figure DEST_PATH_IMAGE138
，通过神经网络方法得到新的样本
Figure DEST_PATH_IMAGE140
的在线故障检测局部模型
Figure DEST_PATH_IMAGE142
。
其中，
Figure DEST_PATH_IMAGE143
和
Figure 495981DEST_PATH_IMAGE055
表示通过相似性指标
Figure DEST_PATH_IMAGE144
建立的在线故障检测局部模型的输出和输入，
Figure 660246DEST_PATH_IMAGE059
表示与
Figure 609529DEST_PATH_IMAGE061
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_IMAGE145
下对应的
Figure DEST_PATH_IMAGE146
，训练SVM分类模型
Figure 291177DEST_PATH_IMAGE067
，使SVM分类模型
Figure 403489DEST_PATH_IMAGE067
能正确的将
Figure DEST_PATH_IMAGE147
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_IMAGE148
，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_IMAGE149
，获得新的样本
Figure 941918DEST_PATH_IMAGE075
的在线故障检测局部模型
Figure DEST_PATH_IMAGE150
，然后将
Figure DEST_PATH_IMAGE151
分别代入SVM分类模型
Figure DEST_PATH_IMAGE152
，并计算综合健康状态值
Figure DEST_PATH_IMAGE153
（其中，
Figure DEST_PATH_IMAGE154
为第
Figure 716845DEST_PATH_IMAGE087
个模型的分类结果），最后当
Figure 61239DEST_PATH_IMAGE089
（
Figure 231320DEST_PATH_IMAGE091
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 (5)

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和基于步骤S4所述的相似度权重，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；
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_IMAGE002
，
其中
Figure DEST_PATH_IMAGE004
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；
所述步骤S2的具体方法如下：
通过Kmeans将样本
Figure DEST_PATH_IMAGE005
分为C类，且
Figure DEST_PATH_IMAGE007
，其中
Figure DEST_PATH_IMAGE009
为第
Figure DEST_PATH_IMAGE011
类的样本数，
Figure DEST_PATH_IMAGE013
为至少需要获得的相关样本数量；
所述步骤S3的具体方法如下：
当获得新的样本
Figure DEST_PATH_IMAGE015
时，假设有
Figure DEST_PATH_IMAGE017
种相似性指标
Figure DEST_PATH_IMAGE019
，通过公式
Figure DEST_PATH_IMAGE021
确定在每个相似性指标
Figure DEST_PATH_IMAGE023
下从第
Figure DEST_PATH_IMAGE025
类中选择
Figure DEST_PATH_IMAGE027
个相关样本，从而获得每个相似性指标
Figure 253903DEST_PATH_IMAGE023
下相关样本的数量
Figure DEST_PATH_IMAGE029
，其中
Figure DEST_PATH_IMAGE031
为在相似性指标
Figure DEST_PATH_IMAGE033
下新的样本
Figure DEST_PATH_IMAGE035
与第
Figure DEST_PATH_IMAGE037
类的相似度。
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 DEST_PATH_IMAGE039
，根据
Figure DEST_PATH_IMAGE041
个样本计算的权重是
Figure DEST_PATH_IMAGE043
。
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_IMAGE045
下的相关样本
Figure DEST_PATH_IMAGE047
和
Figure DEST_PATH_IMAGE049
，通过神经网络方法得到新的样本
Figure DEST_PATH_IMAGE051
的在线故障检测局部模型
Figure DEST_PATH_IMAGE053
；
其中，
Figure DEST_PATH_IMAGE055
和
Figure DEST_PATH_IMAGE057
表示通过相似性指标
Figure DEST_PATH_IMAGE059
建立的在线故障检测局部模型的输出和输入，
Figure DEST_PATH_IMAGE061
表示与
Figure DEST_PATH_IMAGE063
对应的真实输出。
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 DEST_PATH_IMAGE065
下对应的
Figure DEST_PATH_IMAGE067
，训练SVM分类模型
Figure DEST_PATH_IMAGE069
，使SVM分类模型
Figure 466316DEST_PATH_IMAGE069
能正确的将
Figure DEST_PATH_IMAGE071
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_IMAGE073
，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。
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S7的具体方法如下：
根据公式
Figure DEST_PATH_IMAGE075
，获得新的样本
Figure DEST_PATH_IMAGE077
的在线故障检测局部模型
Figure DEST_PATH_IMAGE079
，然后将
Figure DEST_PATH_IMAGE081
分别代入SVM分类模型
Figure DEST_PATH_IMAGE083
，并计算综合健康状态值
Figure DEST_PATH_IMAGE085
，最后当
Figure DEST_PATH_IMAGE087
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_IMAGE089
为第
Figure DEST_PATH_IMAGE091
个模型的分类结果，
Figure DEST_PATH_IMAGE093
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 CN115310561A (zh) 2022-11-08
CN115310561B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115587294B (zh) * 2022-12-08 2023-02-28 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 (8)

* 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
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
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
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US10650616B2 (en) * 2018-04-06 2020-05-12 University Of Connecticut Fault diagnosis using distributed PCA architecture
US11348023B2 (en) * 2019-02-21 2022-05-31 Cisco Technology, Inc. Identifying locations and causes of network faults
CN111650919B (zh) * 2020-05-14 2021-09-14 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
CN112199829B (zh) * 2020-09-27 2022-06-24 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

Patent Citations (8)

* 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
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
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
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
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
A novel just-in-time learning strategy for soft sensing with improved similarity measure based on mutual information and pls;Yueli Song等;《Sensors》;20200707;1-17 *
Multi‐similarity measurement driven ensemble just‐in‐time learning for soft sensing of industrial processes;Xiaofeng Yuan等;《Journal of Chemometrics》;20180530;1-14 *
基于即时学习的工业生产过程质量预测建模方法研究;宋月丽;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20220215(第(2022)02期);C028-25 *
基于即时学习算法的短期负荷预测方法;朱清智等;《电力系统保护与控制》;20200401(第07期);92-98 *

Also Published As

Publication number Publication date
CN115310561A (zh) 2022-11-08

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
CN105700518B (zh) 一种工业过程故障诊断方法
CN106872657B (zh) 一种多变量水质参数时序数据异常事件检测方法
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
CN104596780B (zh) 一种动车组制动系统传感器故障的诊断方法
JP3651693B2 (ja) プラント監視診断装置および方法
CN115310561B (zh) 一种基于集成即时学习的电磁阀故障监测方法
CN109409425B (zh) 一种基于近邻成分分析的故障类型识别方法
CN104714537A (zh) 一种基于联合相对变化分析和自回归模型的故障预测方法
CN112836719B (zh) 一种融合二分类和三元组的示功图相似性检测方法
CN111860839A (zh) 基于多信号融合及Adam优化算法的岸桥故障监测方法
WO2021114320A1 (zh) 一种oica和rnn融合模型的污水处理过程故障监测方法
CN116292367B (zh) 基于一维卷积的电厂风机系统异常工况检测方法
CN110942258B (zh) 一种性能驱动的工业过程异常监测方法
CN103279030B (zh) 基于贝叶斯框架的动态软测量建模方法及装置
CN115407753B (zh) 一种多变量加权集成学习的工业故障诊断方法
KR102110319B1 (ko) 학습 데이터 생성 시스템
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
CN103760889B (zh) 基于贝叶斯网的故障分离快速方法
Uchida et al. Process fault diagnosis method based on MSPC and LiNGAM and its application to Tennessee Eastman process
Buschmann et al. Data-driven decision support for process quality improvements
CN112130542B (zh) 基于正常运行数据与系统辨识的控制回路性能评价方法
CN108181315B (zh) 一种基于图像处理的饼干损伤检测装置及检测方法
Wang et al. An intelligent process fault diagnosis system integrating Andrews plot, PCA and neural networks

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