CN115358082A - 一种工业生产装置温度和压力的监测方法以及相关装置 - Google Patents

一种工业生产装置温度和压力的监测方法以及相关装置 Download PDF

Info

Publication number
CN115358082A
CN115358082A CN202211033388.6A CN202211033388A CN115358082A CN 115358082 A CN115358082 A CN 115358082A CN 202211033388 A CN202211033388 A CN 202211033388A CN 115358082 A CN115358082 A CN 115358082A
Authority
CN
China
Prior art keywords
data
pressure
temperature
monitoring
measuring points
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
Application number
CN202211033388.6A
Other languages
English (en)
Inventor
张兴
王国勋
胡要林
景世青
欧阳葆青
江开放
王宇华
刘雨桐
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.)
China Resources Digital Technology Co Ltd
Original Assignee
China Resources Digital Technology Co Ltd
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 China Resources Digital Technology Co Ltd filed Critical China Resources Digital Technology Co Ltd
Priority to CN202211033388.6A priority Critical patent/CN115358082A/zh
Publication of CN115358082A publication Critical patent/CN115358082A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measuring Fluid Pressure (AREA)

Abstract

本发明公开了一种工业生产装置温度和压力的监测方法以及相关装置，方法包括：通过温度传感器和压力传感器分别采集水泥预热器五级筒中多个测点的温度数据和压力数据；对采集的温度数据和压力数据进行预处理；采用核主成分分析方法对各测点的温度数据和压力数据进行降维，并筛选出关键测点；对关键测点在正常工况运行状态下的历史数据进行整理；采用多元高斯分布的模型对整理后的历史数据进行异常检测分析，得到训练后的异常检测模型；将所述异常检测模型部署在生产线上，并进行在线监测；当监测异常时，触发预警功能，将异常信息反馈给调度员。该方法通过对水泥预热器的故障诊断，在其出现异常时进行预判并报警，使操作员提高警惕，及时处理。

Description

一种工业生产装置温度和压力的监测方法以及相关装置
技术领域
本发明涉及工业安防技术领域，尤其涉及一种工业生产装置温度和压力的监测方法以及相关装置。
背景技术
随着社会经济的迅速发展以及城市化的加速，城市对于基建建设的需求也日益增加。水泥生产作为支撑城市建设的基础物质保障，其安全生产及运输过程也受到合规监管。通常在水泥生产工艺流程过程中需要对生产过程进行监测，对水泥预热器各部位参数进行测量，这些措施是为了判断水泥生料喂料是否正常、风机闸门是否开启、防爆风门是否关闭以及各部有无漏风或堵塞情况。一般来讲，预热器发生黏结堵塞时，占去了预热器的部分有效空间，使预热器内通风降低，改变了预热器内物料和气流的运行速度和方向，其黏结堵塞部位与预热器主排风机间的压力和温度会发生变化。当堵塞严重时，将造成生产安全及停工事件。因此，对于预热器系统中各温度、压力点的监测尤为重要。
发明内容
本发明提供了一种工业生产装置温度和压力的监测方法以及相关装置，旨在解决如何对预热器系统中各温度测点、压力测点的监测的问题。
第一方面，本发明实施例提供了一种工业生产装置温度和压力的监测方法，包括：
通过温度传感器和压力传感器分别采集水泥预热器五级筒中多个测点的温度数据和压力数据；
对采集的温度数据和压力数据进行预处理；
采用核主成分分析方法对各测点的温度数据和压力数据进行降维，并筛选出关键测点；
对关键测点在正常工况运行状态下的历史数据进行整理；
采用多元高斯分布的模型对整理后的历史数据进行异常检测分析，得到训练后的异常检测模型；
将所述异常检测模型部署在生产线上，并进行在线监测；
当监测异常时，触发预警功能，将异常信息反馈给调度员。
第二方面，本发明实施例提供了一种工业生产装置温度和压力的监测装置，包括：
数据采集单元，用于通过温度传感器和压力传感器分别采集水泥预热器五级筒中多个测点的温度数据和压力数据；
数据处理单元，用于对采集的温度数据和压力数据进行预处理；
数据降维单元，用于采用核主成分分析方法对各测点的温度数据和压力数据进行降维，并筛选出关键测点；
数据整理单元，用于对关键测点在正常工况运行状态下的历史数据进行整理；
数据分析单元，用于采用多元高斯分布的模型对整理后的历史数据进行异常检测分析，得到训练后的异常检测模型；
数据监测单元，用于将所述异常检测模型部署在生产线上，并进行在线监测；
预警单元，用于当监测异常时，触发预警功能，将异常信息反馈给调度员。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的工业生产装置温度和压力的监测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时实现上述第一方面所述的工业生产装置温度和压力的监测方法。
本发明实施例提供了一种工业生产装置温度和压力的监测方法，包括：通过温度传感器和压力传感器分别采集水泥预热器五级筒中多个测点的温度数据和压力数据；对采集的温度数据和压力数据进行预处理；采用核主成分分析方法对各测点的温度数据和压力数据进行降维，并筛选出关键测点；对关键测点在正常工况运行状态下的历史数据进行整理；采用多元高斯分布的模型对整理后的历史数据进行异常检测分析，得到训练后的异常检测模型；将所述异常检测模型部署在生产线上，并进行在线监测；当监测异常时，触发预警功能，将异常信息反馈给调度员。针对水泥预热器中测点数量多的问题，本发明采用核主成分分析(Kernel PCA)的方式对测点数据进行降维，可以有效地减少观测点的数量；接着采用传统的多元高斯检测方法，具有速度快、算力要求低的优点，可实现对数据的实时检测，通过对数据的实时检测可以有效地监测水泥预热器系统是否发生异常或者故障状况，可以对异常或者故障进行预判断并报警，本发明实施例同时还提供了一种工业生产装置温度和压力的监测装置、一种计算机可读存储介质和一种计算机设备，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的工业生产装置温度和压力的监测方法的流程示意图；
图2为本发明实施例所提供的工业生产装置温度和压力的监测装置的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，本实施例提供了一种工业生产装置温度和压力的监测方法，包括：
S101：通过温度传感器和压力传感器分别采集水泥预热器五级筒中多个测点的温度数据和压力数据；
在一个实施例中，在水泥预热器现有的预热系统中由上至下依次布置的一至五级筒中，在每级筒上的A和B两个方向上皆设置有温度测点和压力测点，温度测点和压力测点一共有20个。
S102：对采集的温度数据和压力数据进行预处理；
具体的，对采集的温度数据和压力数据进行分钟级别的提取，删除重复数据；采用牛顿插值法对采集过程中漏采集的空数据进行缺失处理。
其中，牛顿插值法的公式如下：
f(x)＝Nn(x)+Rn(x)
其中，Nn(x)表示牛顿插值多项式，Rn(x)表示插值余项；
Figure BDA0003817961210000041
Figure BDA0003817961210000042
Figure BDA0003817961210000043
其中，xi为输入数据，ξ为输入空间中的存在的一个点。
S103：采用核主成分分析方法对各测点的温度数据和压力数据进行降维，并筛选出关键测点；
具体的，通过非线性映射将第一矩阵中的测点样本映射到高维特征空间，得到第二矩阵；对第二矩阵进行中心化处理，得到特征空间的协方差矩阵；定义对称半正定矩阵，通过核函数计算对称半正定矩阵；计算对称半正定矩阵中超过预定值的特征值对应的特征向量，得到权重向量；将权重向量和协方差矩阵代入协方差矩阵的特征值问题；求解代入后的协方差矩阵的特征值问题。
在一个实施例中，根据现场工况，对20个非线性测点数据采用核主成分分析(Kernel PCA)的方法进行降维，筛选出关键测点。首先，由于向量通常是指列向量，因此对于输入空间的样本矩阵设定为X＝[x1,x2,x3……xN]，其中，每个样本点xN为K维列向量，X中共N个样本，K×N维矩阵X所在的空间称为输入空间(Input space)；
使用非线性映射φ将X中的向量映射到D维高维特征空间Φ，公式如下所示；
φ(x):RX→RD,D>>K
通过非线性映射φ得到D×N维的新矩阵φ(X)＝[φ(x1),φ(x2)……φ(xN)]，接下来在高维特征空间Φ中对新矩阵φ(X)进行降维；
对新矩阵φ(X)进行中心化处理，则有
Figure BDA0003817961210000051
接着得到特征空间的协方差矩阵，如下所示：
Figure BDA0003817961210000052
其中，协方差矩阵为D×D维矩阵，N表示样本数量，φ(xi)表示第i个样本对应的第二矩阵，T表示常数。
再接着将协方差矩阵带入协方差矩阵的特征值问题：CΦp＝λp，可得新特征值问题：
Figure BDA0003817961210000053
其中，λ是特征向量p对应的特征值。
定义k(x,y)＝φ(x)Tφ(y)，则k(x,y)称为核函数(kernel function)，通过引入核函数，可以用输入空间中的低维向量x和y来计算低维向量x和y映射到高维特征空间Φ中后，高维向量φ(x)和φ(y)的点积。
本实施例中所使用的核函数为高斯核函数，其公式如下：
Figure BDA0003817961210000061
其中，x和y表示低维向量，σ表示标准差。
定义正半定矩阵Kij＝[φ(xi)]Tφ(xj)，通过核函数计算正半定矩阵Kij，然后计算正半定矩阵超过预定特征值对应的特征向量，得到相应的权重向量p：
Figure BDA0003817961210000062
α＝[α1,α2,…αN]T
将权重向量p代入新特征值问题，得到：
φ(X)[φ(X)]Tφ(X)α＝λφ(X)α
其中α表示正半定矩阵K超过预定特征值对应的特征向量，λ为新特征值问题中对应的特征向量；
将上式两边左乘[φ(X)]T，得到：
[φ(X)]Tφ(X)[φ(X)]Tφ(X)α＝λ[φ(X)]Tφ(X)α
接着将正半定矩阵代入两边左乘[φ(X)]T后的公式，可得：
Kα＝λα
再接着求出正半定矩阵K的特征值和正半定矩阵K超过预定特征值对应的特征向量α；
提取A个主成分，则将φ(xi)向第a个坐标轴Pa投影可由下式计算：
Figure BDA0003817961210000063
其中，αaj为Pa投影下的特征向量。
根据以上计算，提取出降维后需要的关键测点。
S104：对关键测点在正常工况运行状态下的历史数据进行整理；
S105：采用多元高斯分布的模型对整理后的历史数据进行异常检测分析，得到训练后的异常检测模型；
其中，所采用的多元高斯分布的模型公式为：
Figure BDA0003817961210000064
其中，μ表示n维的均值向量，Σ表示协方差矩阵，|Σ|表示Σ的行列式，x表示样本向量。
其中，均值为：
Figure BDA0003817961210000071
协方差矩阵为：
Figure BDA0003817961210000072
其中，m表示输入向量个数。
S106：将所述异常检测模型部署在生产线上，并进行在线监测；
具体的，实时计算出p(x)值，并将p(x)值与预定的阈值进行比较，若p(x)值小于预定的阈值，则判定样本异常，触发预警功能，若p(x)值大于预定的阈值，则判定样本正常，继续实时监测。
S107：当监测异常时，触发预警功能，将异常信息反馈给调度员；
当监测到p(x)值小于预定的阈值，则判定样本异常，触发预警功能，将异常信息反馈给调度员，使得调度员能够及时处理。
请参阅图2，本实施例提供了一种工业生产装置温度和压力的监测装置200，包括：
数据采集单元201，用于通过温度传感器和压力传感器分别采集水泥预热器五级筒中多个测点的温度数据和压力数据；
数据处理单元202，用于对采集的温度数据和压力数据进行预处理；
数据降维单元203，用于采用核主成分分析方法对各测点的温度数据和压力数据进行降维，并筛选出关键测点；
数据整理单元204，用于对关键测点在正常工况运行状态下的历史数据进行整理；
数据分析单元205，用于采用多元高斯分布的模型对整理后的历史数据进行异常检测分析，得到训练后的异常检测模型；
数据监测单元206，用于将所述异常检测模型部署在生产线上，并进行在线监测；
预警单元207，用于当监测异常时，触发预警功能，将异常信息反馈给调度员。
进一步的，所述数据处理单元202包括：
重复数据处理子单元，用于对采集的温度数据和压力数据进行分钟级别的提取，删除重复数据；
空数据处理子单元，用于采用牛顿插值法对采集过程中漏采集的空数据进行缺失处理。
进一步的，所述数据降维单元203包括：
映射子单元，用于通过非线性映射将第一矩阵中的测点样本映射到高维特征空间，得到第二矩阵；
中心化处理子单元，用于对所述第二矩阵进行中心化处理，得到特征空间的协方差矩阵；
定义子单元，用于定义对称半正定矩阵，通过核函数计算对称半正定矩阵；
计算子单元，用于计算对称半正定矩阵中超过预定值的特征值对应的特征向量，得到权重向量；
代入子单元，用于将所述权重向量和所述协方差矩阵代入所述协方差矩阵的特征值问题；
求解子单元，用于求解代入后的协方差矩阵的特征值问题。
进一步的，所述中心化处理子单元包括：
协方差矩阵设定子单元，用于设定所述协方差矩阵为：
Figure BDA0003817961210000081
其中，N表示样本数量，φ(xi)表示第i个样本对应的第二矩阵，T表示常数。
进一步的，所述定义子单元包括：
核函数设定子单元，用于设定所述核函数为
Figure BDA0003817961210000082
其中，x和y表示低维向量，σ表示核函数的宽度参数。
进一步的，所述数据分析单元205包括：
模型公式采用子单元，用于采用多元高斯分布的模型公式如下：
Figure BDA0003817961210000083
其中，μ表示n维的均值向量，Σ表示协方差矩阵，|Σ|表示Σ的行列式，x表示样本向量。
进一步的，模型公式采用子单元包括：
判定子单元，用于实时计算出p(x)值，并将p(x)值与预定的阈值进行比较，若p(x)值小于预定的阈值，则判定样本异常，触发预警功能，若p(x)值大于预定的阈值，则判定样本正常，继续实时监测。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的方法。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明还提供了一种计算机设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的方法。当然所述计算机设备还可以包括各种网络接口，电源等组件。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种工业生产装置系统温度以及压力监测方法，其特征在于，包括：
通过温度传感器和压力传感器分别采集水泥预热器五级筒中多个测点的温度数据和压力数据；
对采集的温度数据和压力数据进行预处理；
采用核主成分分析方法对各测点的温度数据和压力数据进行降维，并筛选出关键测点；
对关键测点在正常工况运行状态下的历史数据进行整理；
采用多元高斯分布的模型对整理后的历史数据进行异常检测分析，得到训练后的异常检测模型；
将所述异常检测模型部署在生产线上，并进行在线监测；
当监测异常时，触发预警功能，将异常信息反馈给调度员。
2.根据权利要求1所述的工业生产装置系统温度以及压力监测方法，其特征在于，所述对采集的温度数据和压力数据进行预处理包括：
对采集的温度数据和压力数据进行分钟级别的提取，删除重复数据；
采用牛顿插值法对采集过程中漏采集的空数据进行缺失处理。
3.根据权利要求1所述的工业生产装置系统温度以及压力监测方法，其特征在于，所述采用核主成分分析方法对各测点的温度数据和压力数据进行降维，包括：
通过非线性映射将第一矩阵中的测点样本映射到高维特征空间，得到第二矩阵；
对所述第二矩阵进行中心化处理，得到特征空间的协方差矩阵；
定义对称半正定矩阵，通过核函数计算对称半正定矩阵；
计算对称半正定矩阵中超过预定值的特征值对应的特征向量，得到权重向量；
将所述权重向量和所述协方差矩阵代入所述协方差矩阵的特征值问题；
求解代入后的协方差矩阵的特征值问题。
4.根据权利要求3所述的工业生产装置系统温度以及压力监测方法，其特征在于，所述协方差矩阵为：
Figure FDA0003817961200000021
其中，N表示样本数量，φ(xi)表示第i个样本对应的第二矩阵，T表示常数。
5.根据权利要求3所述的工业生产装置系统温度以及压力监测方法，其特征在于，所述核函数为
Figure FDA0003817961200000022
其中，x和y表示低维向量，σ表示核函数的宽度参数。
6.根据权利要求1所述的工业生产装置系统温度以及压力监测方法，其特征在于，所述采用多元高斯分布的模型公式如下：
Figure FDA0003817961200000023
其中，μ表示n维的均值向量，Σ表示协方差矩阵，|Σ|表示Σ的行列式，x表示样本向量。
7.根据权利要求6所述的工业生产装置系统温度以及压力监测方法，其特征在于，所述将所述异常检测模型部署在生产线上，并进行在线监测包括：
实时计算出p(x)值，并将p(x)值与预定的阈值进行比较，若p(x)值小于预定的阈值，则判定样本异常，触发预警功能，若p(x)值大于预定的阈值，则判定样本正常，继续实时监测。
8.一种工业生产装置系统温度以及压力监测装置，其特征在于，包括：
数据采集单元，用于通过温度传感器和压力传感器分别采集水泥预热器五级筒中多个测点的温度数据和压力数据；
数据处理单元，用于对采集的温度数据和压力数据进行预处理；
数据降维单元，用于采用核主成分分析方法对各测点的温度数据和压力数据进行降维，并筛选出关键测点；
数据整理单元，用于对关键测点在正常工况运行状态下的历史数据进行整理；
数据分析单元，用于采用多元高斯分布的模型对整理后的历史数据进行异常检测分析，得到训练后的异常检测模型；
数据监测单元，用于将所述异常检测模型部署在生产线上，并进行在线监测；
预警单元，用于当监测异常时，触发预警功能，将异常信息反馈给调度员。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至7中任一项所述的工业生产装置系统温度以及压力监测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的工业生产装置系统温度以及压力监测方法。
CN202211033388.6A 2022-08-26 2022-08-26 一种工业生产装置温度和压力的监测方法以及相关装置 Pending CN115358082A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211033388.6A CN115358082A (zh) 2022-08-26 2022-08-26 一种工业生产装置温度和压力的监测方法以及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211033388.6A CN115358082A (zh) 2022-08-26 2022-08-26 一种工业生产装置温度和压力的监测方法以及相关装置

Publications (1)

Publication Number Publication Date
CN115358082A true CN115358082A (zh) 2022-11-18

Family

ID=84005221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211033388.6A Pending CN115358082A (zh) 2022-08-26 2022-08-26 一种工业生产装置温度和压力的监测方法以及相关装置

Country Status (1)

Country Link
CN (1) CN115358082A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116453310A (zh) * 2023-06-14 2023-07-18 昆山工业大数据创新中心有限公司 一种铜排的温度异常报警方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116453310A (zh) * 2023-06-14 2023-07-18 昆山工业大数据创新中心有限公司 一种铜排的温度异常报警方法及装置
CN116453310B (zh) * 2023-06-14 2023-09-05 昆山工业大数据创新中心有限公司 一种铜排的温度异常报警方法及装置

Similar Documents

Publication Publication Date Title
Zhang et al. A comparison and evaluation of key performance indicator-based multivariate statistics process monitoring approaches
CN108805202B (zh) 一种用于电解槽故障预警的机器学习方法及其应用
Lieber et al. Quality prediction in interlinked manufacturing processes based on supervised & unsupervised machine learning
Zhao et al. Fault-relevant principal component analysis (FPCA) method for multivariate statistical modeling and process monitoring
EP2930579A2 (en) State monitoring system, state monitoring method and state monitoring program
Zhou et al. Probabilistic latent variable regression model for process-quality monitoring
McCann et al. Causality challenge: benchmarking relevant signal components for effective monitoring and process control
JP2002525757A (ja) 統計的プロセス管理のための多次元的方法及びシステム
CN108491991B (zh) 基于工业大数据产品工期的约束条件分析系统与方法
CN111648992B (zh) 燃气轮机压气机故障识别预警方法
JP2003114713A (ja) 品質不良の原因解析方法
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
CN115358082A (zh) 一种工业生产装置温度和压力的监测方法以及相关装置
CN112256686B (zh) 一种基于mes的故障数据压缩与预测方法及系统
CN109753408A (zh) 一种基于机器学习的流程异常预测方法
Del Vecchio et al. Support Vector Representation Machine for superalloy investment casting optimization
CN115524002B (zh) 一种电厂旋转设备的运行状态预警方法、系统及存储介质
CN111077876B (zh) 一种电站设备状态智能评价和预警方法、装置及系统
CN110956331A (zh) 数字工厂运营状态预测方法、系统、装置
CN111639304A (zh) 基于Xgboost回归模型的CSTR故障定位方法
CN110751217A (zh) 基于主元分析的设备能耗占比预警分析方法
CN114003422A (zh) 主机异常检测方法、计算机设备和存储介质
Zhou et al. Automatic feature selection for unsupervised clustering of cycle-based signals in manufacturing processes
Nor et al. Process monitoring and fault detection in non-linear chemical process based on multi-scale kernel Fisher discriminant analysis
Kaib et al. Improving kernel PCA-based algorithm for fault detection in nonlinear industrial process through fractal dimension

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