CN116048024A - 一种分布式典型相关分析过程监测方法及装置 - Google Patents
一种分布式典型相关分析过程监测方法及装置 Download PDFInfo
- Publication number
- CN116048024A CN116048024A CN202310059039.XA CN202310059039A CN116048024A CN 116048024 A CN116048024 A CN 116048024A CN 202310059039 A CN202310059039 A CN 202310059039A CN 116048024 A CN116048024 A CN 116048024A
- Authority
- CN
- China
- Prior art keywords
- sub
- block
- monitoring
- blocks
- correlation analysis
- 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 238
- 230000008569 process Effects 0.000 title claims abstract description 157
- 238000012544 monitoring process Methods 0.000 title claims abstract description 120
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000000638 solvent extraction Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 230000014509 gene expression Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 238000009776 industrial production Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 44
- 230000005540 biological transmission Effects 0.000 abstract description 16
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000000903 blocking effect Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000006243 chemical reaction Methods 0.000 description 18
- 238000004519 manufacturing process Methods 0.000 description 18
- 239000010865 sewage Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000004062 sedimentation Methods 0.000 description 10
- 238000012880 independent component analysis Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 241000894006 Bacteria Species 0.000 description 5
- 230000001651 autotrophic effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 239000010802 sludge Substances 0.000 description 3
- 239000002351 wastewater Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 208000028659 discharge Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011031 large-scale manufacturing process Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000011895 specific detection Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及分布式过程检测技术领域,更具体的说,涉及一种基于部分子块通讯的分布式典型相关分析过程监测方法及装置。本发明包括:对训练样本数据进行分块,并确定拓扑矩阵;依据拓扑矩阵对各个子块进行典型相关分析建模,构造残差生成器;根据残差生成器生成残差向量并计算统计量;对新的采样数据进行对应分块;将分块后的采样数据分别代入对应的典型相关分析模型,获取对应的典型相关成分;对每个子块进行故障检测,并得到子块的运行状态;计算所有子块的整体统计指标FD,通过比较整体统计指标FD和控制限判断过程是否有故障产生。本发明具有提高监测的敏感性、降低过程监测的计算复杂度和数据传输的负荷以及实现故障的初步范围定位等优点。
Description
技术领域
本发明涉及分布式过程检测技术领域,更具体的说,涉及一种基于部分子块通讯的分布式典型相关分析过程监测方法及装置。
背景技术
近年来,随着现代工业过程的发展,具有多个相互连接的操作单元的大规模流程已经变得非常流行,对这类流程进行监控也日益成为人们关注的焦点。
大规模的厂级范围的流程如化工厂、石油炼化厂等,其流程基本都是由几个不同的操作单元、车间组成,甚至是由不同区域的几个工厂共同进行生产操作。虽然生产规模很庞大,但是为了保证安全的操作环境和生产高质量的产品,对整个生产流程乃至整个工厂进行过程监测是非常必要的。
随着现代工业系统规模的发展,采集的过程数据具有大量和高维的特点。从众多高维测量数据中提取出能够体现过程生产本质的信息是进行过程监控的重要因素。
对此,一方面研究人员们采取各式的数据降维,通过对数据进行降维,把高维的数据空间映射到低维的特征空间,在保存原来数据中的绝大多数信息的同时,去除数据间的冗余信息。最常见的使用最多的就是主成分分析方法和独立成分分析。
主成分分析(PCA)是一种线性的降维方法,在1933年由Hotelling率先提出。PCA方法是把原来具有相关关系的变量进行正交变换得到线性不相关的主成分,转换后的主成分在尽可能多包含原数据的信息同时,希望主成分间的相关性尽可能小。所以,PCA提取得到的主成分能够在损失少量信息的情况下,不仅对信号进行了降噪,而且还实现了数据的降维,从而有利于过程的监控。不过,PCA方法适用的是服从高斯分布的数据,对于不满足数据服从高斯分布的情况,人们常采用独立成分分析方法(ICA)。独立成分分析最早是由Jutten和Herault提出的,用于从观测到的线性混合信号中还原基本的独立源信号。ICA的目标是把多变量数据分解为统计的独立的成分的线性组合形式。ICA假设源信息是服从非高斯分布的且相互独立的,因此适用于非高斯分布的过程的监测。除了过程监测,在许多领域,独立成分分析也得到了普遍运用,例如图像处理、模式识别、数据挖掘等。
另一方面,对于复杂的大规模的过程,人们采取了“化整为零”的思想,即把一整个生产流程划分为几个零散的单元,分别进行监测,即分布式过程监测。分布式过程监测常应用于整个工厂的过程监测。
首先,整个工厂流程被分解为不同的块,然后,在不同的块中构建统计监测模型,最后通过决策融合策略将不同区块的监测结果整合在一起。目前基于多块统计建模的分布式过程监测方法已有许多应用。实际工业过程是由多个相互连接的操作单元或装置组成的,不同操作单元间存在联系和相互影响。当生产过程运行在正常状态时,单元间的关系呈现一定规律,两者的测量数据间的相关性相对稳定。
然而,现有的基于多块统计建模的分布式过程监测方法只依据单元块的测量数据进行特征提取和建立监测模型,忽略了整个生产过程是具备连续性的,,监测敏感性低,难以进行准确故障定位。
发明内容
本发明的目的是提供一种基于部分子块通讯的分布式典型相关分析过程监测方法,解决现有技术的分布式过程监测方法监测敏感性低,难以进行准确故障定位的问题。
为了实现上述目的,本发明提供了一种分布式典型相关分析过程监测方法,包括离线建模阶段和在线监测阶段,所述离线建模阶段具体包括以下步骤:
步骤S1:对训练样本数据进行分块,并确定用以表示子块间联系情况的拓扑矩阵;
步骤S2:依据拓扑矩阵的连接情况对当前子块和来自连接的子块的数据进行典型相关分析建模,提取出典型相关成分和保留投影矩阵,并根据子块间的相关关系构造残差生成器;
步骤S3:根据残差生成器生成残差向量并计算统计量;
所述在线监测阶段具体包括以下步骤:
步骤S4:对新的采样数据根据离线训练阶段方法进行对应分块;
步骤S5:将步骤S4得到分块后的采样数据分别代入对应的典型相关分析模型,通过投影矩阵进行转换得到新的样本数据的典型相关成分;
步骤S6:对每个子块进行故障检测,并得到子块的运行状态;
步骤S7:计算所有子块的整体统计指标FD,通过比较整体统计指标FD和控制限判断过程是否有故障产生,以实现对过程的运行状态进行在线监测。
在一实施例中,所述步骤S1进一步包括:
采用基于过程知识的分块方法训练样本数据进行分块,根据实际工业生产过程的装置设备和操作单元连接的情况,使用先验知识和专家经验对过程进行划分。
在一实施例中,所述步骤S1中,拓扑矩阵C用以描述子块间的连接关系,其中,每个元素分别表示对应的两个子块间是否有信息的交互,若是,则置为1,若否,则为0。
在一实施例中,所述步骤S2中,构造残差生成器,具体包括以下步骤:
步骤S201:根据拓扑矩阵C分别对两两子块进行典型相关分析建模,将子块X1和X2分别作为典型相关分析算法的输入和输出变量,分别提取出子块X1和子块X2的典型相关成分,子块X1和X2的典型相关成分的表达式分别为:
u12=A12 TX1
v12=B12 TX2
其中,A12和B12分别为两个子块的投影矩阵;
步骤S202:基于两两子块的典型相关成分构建残差生成器,子块X1和子块X2之间的残差生成器的表达式为:
r12=B12 TX2-Λk,12A12 TX1
其中,Λk,12为子块X1和子块X2的前k对相关变量的典型相关系数对角矩阵,k的选取由交叉验证的方式获得。
在一实施例中,所述的步骤S201中,根据拓扑矩阵C分别对两两子块进行典型相关分析建模:
其中,cij为拓扑矩阵C的元素,B为子块的数量。
在一实施例中,所述的步骤S3中的统计量,对应的表达式为:
在一实施例中,所述的步骤S6,进一步包括以下步骤:
步骤S601:当前子块接收来自连接子块的典型相关成分,并生成残差向量;
步骤S602:根据残差向量计算出统计量的值,当同一子块有一个连接的子块时,将统计量与控制限进行比较;
当同一子块有多个连接的子块时,得到多个统计量,采用决策融合方法将同一子块的多个统计量融合得到监测统计量,判断子块的监测统计量的值是否超过阈值,若是,则表示当前子块发生故障,若否,则当前子块的运行状态为正常,得到各个子块的典型相关分析监测结果。
在一实施例中,所述的步骤S602中,选择贝叶斯推理作为决策融合方法,第i个子块的监测统计量的表达式为:
在一实施例中,所述的步骤S602中,第i个子块对应的控制限为过程发生异常工况的先验概率(1-α):
判断子块的监测统计量是否超过监测统计量对应的控制限,若是,则认为该子块发生故障,若否,则认为该子块运行在正常工况下。
在一实施例中,所述的步骤S7中的整体统计指标FD,对应的表达式为:
为了实现上述目的,本发明提供了一种分布式典型相关分析过程监测装置,包括:
存储器,用于存储可由处理器执行的指令;
处理器,用于执行所述指令以实现如上述任一项所述的方法。
为了实现上述目的,本发明提供了一种计算机可读介质,其上存储有计算机指令,其中当计算机指令被处理器执行时,执行如上述任一项所述的方法
本发明提出的一种基于部分子块通讯的分布式典型相关分析过程监测方法及装置,具有提高监测的敏感性、降低过程监测的计算复杂度和数据传输的负荷以及实现故障的初步范围定位等优点。
附图说明
本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显,在附图中相同的附图标记始终表示相同的特征,其中:
图1揭示了根据本发明一实施例的分布式典型相关分析过程监测方法流程图;
图2揭示了根据本发明一实施例的分布式典型相关分析过程监测方法原理示意图;
图3揭示了根据本发明一实施例的1号基准仿真模型流程图;
图4揭示了根据本发明一实施例的子块1对故障1的故障检测结果示意图;
图5揭示了根据本发明一实施例的子块1对故障2的故障检测结果示意图;
图6揭示了根据本发明一实施例的子块2对故障1的故障检测结果示意图;
图7揭示了根据本发明一实施例的子块2对故障2的故障检测结果示意图;
图8揭示了根据本发明一实施例的子块3对故障1的故障检测结果示意图;
图9揭示了根据本发明一实施例的子块3对故障2的故障检测结果示意图;
图10揭示了根据本发明一实施例的整体对故障1的故障检测结果示意图;
图11揭示了根据本发明一实施例的整体对故障2的故障检测结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释发明,并不用于限定发明。
为使本领域技术人员可了解本发明的特点及效果,以下谨就说明书及权利要求书中提及的术语及用语进行一般性的说明及定义。除非另有指明,否则文中使用的所有技术及科学上的字词,均为本领域技术人员对于本发明所了解的通常意义,当有冲突情形时,应以本说明书的定义为准。
本文中,为使描述简洁,未对各个实施方案或实施例中的各个技术特征的所有可能的组合都进行描述。因此,只要这些技术特征的组合不存在矛盾,各个实施方案或实施例中的各个技术特征可以进行任意的组合,所有可能的组合都应当认为是本说明书记载的范围。
图1揭示了根据本发明一实施例的分布式典型相关分析过程监测方法流程图,图2揭示了根据本发明一实施例的分布式典型相关分析过程监测方法原理示意图,如图1和图2所示,本发明提出的一种基于部分子块通讯的分布式典型相关分析过程监测方法,包括离线建模阶段和在线监测阶段,离线建模阶段具体包括以下步骤:
步骤S1:对训练样本数据进行分块,并确定用以表示子块间联系情况的拓扑矩阵C;
步骤S2:依据拓扑矩阵C的连接情况对当前子块和来自连接的子块的数据进行典型相关分析(CCA)建模,提取出典型相关成分和保留投影矩阵,并根据子块间的相关关系构造残差生成器;
步骤S3:根据残差生成器生成残差向量并计算统计量T2;
在线监测阶段具体包括以下步骤:
步骤S4:对新的采样数据根据离线训练阶段方法进行对应分块;
步骤S5:将步骤S4得到分块后的采样数据分别代入对应的典型相关分析模型,通过投影矩阵进行转换得到新的样本数据的典型相关成分;
步骤S6:对每个子块进行故障检测,并得到子块的运行状态;
步骤S7:计算所有子块的整体统计指标FD,通过比较整体统计指标FD和控制限判断过程是否有故障产生,以实现对过程的运行状态进行在线监测。
本发明提供了一种基于部分子块通讯的分布式典型相关分析过程监测方法,考虑到实际工业过程中操作单元的物理连接情况,不同操作单元间存在联系和相互影响,提出了部分子块通讯的分布式CCA过程监测:
首先结合过程背景和相关知识进行分块,并提出了用于描述子块间的内在联系和信息交互的拓扑矩阵,然后根据拓扑矩阵,对有信息传递的子块进行CCA建模,提取出子块的相关成分并用于构造残差生成器;
然后基于残差向量计算统计量,对过程进行监测。
一方面,残差生成器可以避免直接传输原始数据,从而在减少数据的通讯负荷的同时还能提高数据传输的安全性;另一方面,通过分块的方式,建立局部模型可以更好地检测出小故障,提高监测的敏感性,并且有助于故障的定位。
本发明对于具有多个连接单元的大规模生产过程,通过探索不同单元的测量数据间的相关关系是否发生变化从而对过程的运行状态进行监测,相比于只探索单个数据集的信息的主成分分析技术(PCA)和独立成分分析方法(ICA),典型相关分析(CCA)能够对两个数据集之间的相关关系进行探索,寻找能够使两组变量投影后最相关的映射。
因此,本发明选择CCA对不同子块间的关系进行建模,即建立子块间的故障检测模型,以基于奇异值分解(Singular Value Decomposition,SVD)的求解方法为例,CCA算法的具体算法流程为:
输入两组向量x=[x1,x2,…,xm]T和y=[y1,y2,…,yl]T;
(1)分别计算两组向量的方差及其对应的协方差:
Σxx=cov(X,X)
Σyy=cov(Y,Y)
Σxy=cov(X,Y)
Σyx=cov(Y,X)
其中,Σxx为X的自协方差,Σyy为Y的自协方差,Σxy为X和Y之间的协方差,Σyx为Y和X之间的协方差;
(2)计算H矩阵,H矩阵的表达式为:
H=Σyx -1/2ΣxyΣyy -1/2;
(3)对H矩阵运用奇异值分解,获得一系列奇异值λ以及相应的左右奇异向量u和v;
(4)分别计算两组变量x和y的投影向量a和b,投影向量a和b的表达式为:
a=∑yx -1/2u;
b=∑yy -1/2v。
基于CCA算法的过程监测的具体算法流程为:
(1)CCA方法基于探寻两组变量间的相关关系的目标,从两组变量中提取出相关特征,即典型相关成分;
(2)对于两组相关特征,同时考虑到过程中难以避免存在的测量噪声,其相关性的表达式为:
BTy=ΛkATx+E
其中,A=[a1,a2,…,ak]和B=[b1,b2,…,bk]均为投影矩阵,Λk=diag(λ1,λ2,…,λk)为对角阵,E为BTy与ATx不相关的部分;
(3)CCA方法假设输入输出两组变量x和y都是连续的服从多元正态分布的,E也是服从正态分布,定义残差向量的表达式为:
r=BTy-ΛkATx
其中,r为残差向量。
(4)运用残差向量构建统计量T2,用以监督过程状态空间的变化,统计量T2的表达式为:
其中,n为自由度,统计量T2的控制限通过核密度估计获得或根据其服从的F分布在特定的置信度α下获得,统计量T2的控制限的表达式为:
除此之外,在有些方法中,输入变量和输出变量提取出的特征会分别构建统计量,用以监督系统的输入输出空间的变化,其统计量的表达式分别为:
其中,ATx和BTy均服从零均值和单位方差的标准正态分布,其控制限的获取如前所述。在过程检测时,当统计量的值大于其对应的控制限时,则可认为当前过程存在故障,反之,则可认为过程运行状态正常,没有故障发生。
下面结合图1和图2,将对本发明的上述步骤进行详细描述。应理解,在本发明范围内,本发明的上述各技术特征和在下文(如实施例)中具体描述的各技术特征之间都可以互相组合,相互关联,从而构成优选的技术方案。
步骤S1:对训练样本数据进行分块,并确定用以表示子块间联系情况的拓扑矩阵。
采用基于过程知识的分块方法对训练样本数据进行分块,具体包括以下步骤:
根据实际工业生产过程的装置设备和操作单元连接的情况,使用先验知识和专家经验对过程进行划分,专家经验包含物理约束、过程拓扑和反馈约束,以实现在检测到故障后进行故障的初步范围定位。
过程中包含越来越多的操作单元和设备,大规模过程的监测多采用多块的统计建模方法进行分布式过程监测,将整个工厂流程需要分解为几个不同的部分。
分布式建模的框架在大规模过程的监测中得到广泛应用,得益于以下优点:
首先,分布式建模能够提高过程的容错能力,当有个别的块出现问题时,依旧可以使用剩余的块进行监测;
其次,在分布式建模框架下,过程监控系统的灵敏度分析将得到显著改善;
并且,如果在过程中检测到故障,则可以在特定块或几个块内确定故障位置,并进一步进行诊断步骤,以确定故障的根本原因;
最后,在分布式建模框架下,各个子块分别建模可以有效降低监测过程的计算复杂度。
过程数据分块的方法可以分为两类:基于过程知识的方法和基于数据的方法。
基于数据的方法是依据数据本身的特性进行划分,例如划分为线性和非线性的变量,或根据与质量相关或无关划分过程变量等。
基于过程知识的方法,就是使用先验知识和专家经验,包含物理约束、过程拓扑和反馈约束,对过程进行分解。
在本实施例中,基于过程知识的分块方法,根据实际工业生产过程的装置设备,操作单元连接的情况进行划分,把整个工业系统的变量划分为B块:
X=[X1,X2,…,XB]
其中,X为整个工业系统的变量,XB为第B个子块;
基于过程知识进行块的划分的方法,不同的生产工艺的划分难度不同,这样的划分具备一定的可行性,同时也有利于检测到故障后进行故障的初步范围定位;
在本实施例中,根据机理知识和专家经验将过程划分为B个子块后,定义对应的过程拓扑矩阵C。
拓扑矩阵C是为描述子块间的连接关系提出的,考虑到实际工业过程中,不同的工艺流程具有的结构也很多样,并不是所有的子块都能够互相传递信息,也不是所有子块在结构上都有层次递进等的内在联系。
因此,相比所有子块两两交互的分布式的CCA过程监测,本发明提出一个用以描述子块间的连接方式的拓扑矩阵C,并基于拓扑矩阵C对通讯的部分子块进行建模,从而进一步减少了数据传输的通讯负荷,同时建立的分布式CCA过程监测更符合实际工业过程。
拓扑矩阵C中每个元素分别表示对应的两个子块间是否有信息的交互,若是,则置为1,若否,则为0。
因为元素表示的是两个子块间的关系,所以对角线上的元素都设为0。
步骤S2:依据拓扑矩阵的连接情况对当前子块和来自连接的子块的数据进行典型相关分析建模,提取出典型相关成分和保留投影矩阵,并根据子块间的相关关系构造残差生成器。
考虑不同子块间的内在联系和相关关系,将这部分的信息用于数据模型的建立,以有助于提高过程监测的性能。
在本实施例中,使用典型相关分析(CCA)算法,探索子块间的相关关系并建立故障检测模型,并根据子块间的相关关系构造残差生成器,具体包括以下步骤:
步骤S201:根据拓扑矩阵C分别对两两子块进行CCA建模,CCA方法基于探寻两组变量间的相关关系的目标,从两组变量中提取出相关特征,即典型相关成分,对于过程的B个子块,根据拓扑矩阵C分别建立其相应的CCA模型,对于子块X1和X2,作为CCA算法的输入和输出变量,分别提取出子块X1和子块X2的典型相关成分,子块X1和X2的典型相关成分的表达式分别为:
u12=A12 TX1
v12=B12 TX2
其中,A12和B12分别为两个子块的投影矩阵;
步骤S202:基于两两子块的典型相关成分构建残差生成器,子块X1和子块X2之间的残差生成器的表达式为:
r12=B12 TX2-Λk,12A12 TX1
其中,Λk,12为子块X1和子块X2的前k对相关变量的典型相关系数对角矩阵,k的选取由交叉验证的方式获得。
步骤S3:根据残差生成器生成残差向量并计算统计量。
基于残差向量构建统计量,用以监督过程状态空间的变化,统计量的表达式为:
同样,对于其他的子块,例如子块1和3、子块2和4等,都能够运用CCA算法进行两个子块间相关特征的提取,并用于故障监测模型的构建。
如上所述,分别对两两子块进行CCA建模,对应到实际工业过程中,即这两个子块之间存在通讯,存在数据的传输,与现有的集中式过程监测将所有的测量数据传输到某一种中心相比,能够在节点之间进行数据传输时减少传输距离,减少通讯量,且基于残差向量构建统计量进行过程状态监测,子块间只需要传输对应的k个典型相关成分。
因此,一方面,与传输节点的所有原始数据相比,降低了通讯负荷;另一方面,传送非原始数据能够在一定程度上加强了数据的安全性,因为工业过程范围广,结构复杂,有些测量数据只能在本地存储使用,不宜共享。
在线监测阶段的步骤S4至步骤S5对应的计算方式与离线建模阶段相同,这里不再赘述。
步骤S6:对每个子块进行故障检测,并得到子块的运行状态。
获取各个子块的运行状态,具体包括以下步骤:
步骤S601:当前子块接收来自连接子块的典型相关成分,并生成残差向量;
步骤S602:根据残差向量计算出统计量的值,当同一子块有一个连接的子块时,将统计量与控制限进行比较;
当同一子块有多个连接的子块时,得到多个统计量,即CCA模型的检测结果,采用决策融合方法将同一子块的多个统计量融合得到监测统计量,判断子块的监测统计量的值是否超过阈值,若是,则表示当前子块发生故障,若否,则当前子块的运行状态为正常,得到各个子块的CCA监测结果。
在本实施例中,选择贝叶斯推理作为决策融合方法,将同一子块的多个统计量融合得到监测统计量,第i个子块的监测统计量的表达式为:
第i个子块对应的控制限为过程发生异常工况的先验概率(1-α):
判断子块的监测统计量是否超过监测统计量对应的控制限,若是,则表示当前子块发生故障,若否,则当前子块的运行状态为正常,得到各个子块的CCA监测结果。
步骤S7:计算所有子块的整体统计指标FD,通过比较整体统计指标FD和控制限判断过程是否有故障产生,以实现对过程的运行状态进行在线监测。
整体统计指标FD,用以表示整个过程监测情况,整体的统计指标FD的表达式为:
其中,为B个子块的监测统计量,CLr,B第B个子块对应的控制限,通过核密度估计(Kernel Density Estimation,KDE)方法获得,根据FD的定义,可以获得其控制限为1,判断整体的统计指标FD是否超过获得的控制限,若是,则表示当前过程的运行状态为发生故障,若否,则当前过程的运行状态为正常。
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
在本实施例中,本发明提出的基于部分子块通讯的分布式典型相关分析过程监测方法,运用到城市污水处理过程中,城市污水处理过程为通用的基准模型BSM1(BenchmarkSimulation Model No.1,BSM1)。
BSM1基准仿真模型是由欧盟科学技术合作组织提出的一种污水处理工艺模型,在世界各地的人员和机构的污水处理过程研究中得到广泛应用。
实际上,BSM1模型主要由两个模型组成,分别是活性污泥法模型和双指数沉降模型。BSM1基准仿真模型主要以去除污水中的碳和氮为主,使得经过处理后的废水可达到二级排放标准。
图3揭示了根据本发明一实施例的1号基准仿真模型流程图,如图3所示,BSM1的流程结构是由生物反应器和二次沉淀池组成。
而生物反应器由5个混合均匀的单元组成,其中前2个单元为无氧封闭容器(称为缺氧池或厌氧池),后3个单元为有氧暴露容器(称为曝气池或好氧池)。
在这模型中,有机物主要通过微生物的生命活动来消耗,而氮则是通过好氧区微生物的硝化作用和厌氧区的反硝化作用被清除。
该二次沉淀池总高4米,分为等高的10层,并且在二沉池中不发生化学反应,主要是物理的过滤作用。反应单元内的水从第五个反应池流出,一部分从二沉池的第六层流入,另一部分则通过管道回流到反应单元的入口,完成内部循环。在二次沉淀池中,经过沉淀后的符合污水排放标准的废水将二沉池的顶部排放到河流,而底部的沉淀下来的污泥一部分送回第一个反应池,进行污泥循环,另一部分则排出填埋。
BSM1模型引入2个故障,如表1所示,第一个故障是第一个好氧反应池的自养菌的最大生长速率发生了阶跃变化,从0.5下降到0.3。由于自养菌的生命活动减弱,会影响城市污水处理过程中复杂的生化反应,从而改变整个系统的状态。
第二个故障案例是生物反应池4的氧传递系数下降为原来的一半。氧传递系数与反应池中溶解氧的浓度有很大的关系,而溶解氧的浓度又是城市污水处理过程反应的重要元素,关系着污水的处理效果。因为不管是去除有机物的微生物活动,还是异养菌的反硝化作用,都离不开氧气的参与。
表1 BSM1过程的两个故障
故障 | 描述 | 类型 |
1 | 第一个好氧反应池的自养菌的最大生长速率 | 阶跃 |
2 | 生物反应池4的氧传递系数 | 阶跃 |
进行实验仿真与应用验证,具体过程如下:
首先根据BSM1模型的污水处理工艺和结构,将用以监测的15个过程测量数据划分为3个子块,子块1为经过处理后的出水的相关水质测量变量,子块2为污水进水及反应池3的水质成分测量变量,子块3为反应池4和5的测量变量,测量变量和子块划分分别如表2和表3所示:
表2 BSM1过程的测量变量
表3BSM1过程变量的子块划分
将过程数据划分好子块后,根据过程知识确定其拓扑矩阵C的表达式为:
根据城市污水处理过程,进水分别流经两个厌氧池和三个好氧池,去除有机物和氮后进入二沉池,澄清后出水排至河流,因此,将表示进水和第三个反应池的子块2与表示第四和第五反应池的子块3的拓扑系数置为1,子块3到表示出水水质成分的子块1的拓扑系数也为1,故在本实施例中,建立2个CCA模型。
设置典型相关成分数量为3,过程正常运行状态的先验概率α为99%。
如图4至图11所示,展示了本发明对城市污水处理过程2个故障的检测效果,其中,图4和图5分别为子块1对故障1和2的监测结果图,图6和图7分别为子块2对故障1和2的监测结果图,图8和图9分别为子块3对故障1和2的监测结果图,图10和图11为根据本发明一实施例的整体对故障1和2的监测结果图。
如表4所示,展示了本发明提出的基于部分子块通讯的分布式CCA过程监测方法(Partly-connected DCCA)对BSM1过程的两个故障的检测结果,由表4可以知道,对于第二个故障,第4个生物反应池的氧传递系数下降为原来的一半,其故障检测率为100%,表明本发明能够很好地检测出异常;
对于第一个故障,第一个好氧反应池的自养菌的最大生长速率发生了阶跃变化,基于部分子块连接的CCA方法和提出的块内块间协同建模的方法的检测率为59%,分析原因可能在于该故障影响范围较广。
表4部分子块通讯的DCCA的BSM1过程故障检测率
整体而言,本发明提出的一种基于部分子块通讯的分布式典型相关分析过程监测方法及装置,基于部分子块通讯的CCA建模具有良好的检测效果的同时,降低过程监测的计算复杂度和数据传输的负荷,满足过程监测的安全性的需求,更符合实际生产过程监测的需求,更具工程实践意义。
除此之外,基于部分子块通讯的分布式典型相关分析过程监测方法在检测出故障后,还能通过查看各个子块的具体检测情况对故障发生的范围进行初步定位。
本发明对于具有多个连接单元的大规模生产过程,采取多块统计建模的方式进行分布式监测,首先基于过程知识实现过程分解,并且提出了拓扑矩阵来表示子块间的联系情况,然后在有信息传递的子块间进行CCA建模,并根据子块间的相关关系构造残差生成器,接着再通过残差向量构造统计量来对过程进行监测。
残差生成器用以避免直接传输原始数据,从而减少数据的通讯量,进而提高数据传输的安全性,同时通过分块的方式,建立局部模型能够更好地检测出小故障,提高监测的敏感性,并且有助于故障的定位。
在本实施例中,通过BSM1过程仿真验证了本发明提出的一种基于部分子块通讯的分布式典型相关分析过程监测方法及装置的有效性。
本发明提出了一种基于部分子块通讯的分布式典型相关分析过程监测装置。基于部分子块通讯的分布式典型相关分析过程监测装置可包括内部通信总线、处理器(processor)、只读存储器(ROM)、随机存取存储器(RAM)、通信端口、以及硬盘。内部通信总线可以实现基于部分子块通讯的分布式典型相关分析过程监测装置组件间的数据通信。处理器可以进行判断和发出提示。在一些实施例中,处理器可以由一个或多个处理器组成。
通信端口可以实现基于部分子块通讯的分布式典型相关分析过程监测装置与外部的输入/输出设备之间进行数据传输与通信。在一些实施例中,基于部分子块通讯的分布式典型相关分析过程监测装置可以通过通信端口从网络发送和接收信息及数据。在一些实施例中,基于部分子块通讯的分布式典型相关分析过程监测装置可以通过输入/输出端以有线的形式与外部的输入/输出设备之间进行数据传输与通信。
基于部分子块通讯的分布式典型相关分析过程监测装置还可以包括不同形式的程序储存单元以及数据储存单元,例如硬盘,只读存储器(ROM)和随机存取存储器(RAM),能够存储计算机处理和/或通信使用的各种数据文件,以及处理器所执行的可能的程序指令。处理器执行这些指令以实现方法的主要部分。处理器处理的结果通过通信端口传给外部的输出设备,在输出设备的用户界面上显示。
举例来说,上述的基于部分子块通讯的分布式典型相关分析过程监测装置的实施过程文件可以为计算机程序,保存在硬盘中,并可记载到处理器中执行,以实施本发明的方法。
基于部分子块通讯的分布式典型相关分析过程监测方法的实施过程文件为计算机程序时,也可以存储在计算机可读存储介质中作为制品。例如,计算机可读存储介质可以包括但不限于磁存储设备(例如,硬盘、软盘、磁条)、光盘(例如,压缩盘(CD)、数字多功能盘(DVD))、智能卡和闪存设备(例如,电可擦除可编程只读存储器(EPROM)、卡、棒、键驱动)。此外,本文描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
本发明提供的基于部分子块通讯的分布式典型相关分析过程监测方法及装置,具体具有以下有益效果:
1)采用多块的统计建模方法进行分布式过程监测,将整个工厂流程需要分解为几个不同的部分,能够提高过程的容错能力,当有个别的块出现问题时依旧可以使用剩余的块进行监测;
2)基于部分子块通讯对过程进行检测,提高了过程监控系统的灵敏度分析,且如果在过程中检测到故障,能够在特定块或几个块内确定故障位置,并进一步进行诊断步骤,以确定故障的根本原因;
3)基于过程知识对过程数据分块进行划分,通过查看各个子块的具体检测情况,以实现在检测到故障后进行故障的初步范围定位;
4)将过程分为各个子块分别进行建模,能够有效降低监测过程的计算复杂度;
5)基于用以描述子块间的连接方式的拓扑矩阵C对通讯的部分子块进行建模,减少了数据传输的通讯负荷的同时也建立了更贴合实际工业过程的分布式CCA过程监测,满足过程监测的安全性的需求,更符合实际生产过程监测的需求,更具工程实践意义。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将可理解,信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如,以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
本领域技术人员将进一步领会,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
上述实施例是提供给熟悉本领域内的人员来实现或使用本发明的,熟悉本领域的人员可在不脱离本发明的发明思想的情况下,对上述实施例做出种种修改或变化,因而本发明的保护范围并不被上述实施例所限,而应该是符合权利要求书提到的创新性特征的最大范围。
Claims (12)
1.一种分布式典型相关分析过程监测方法,其特征在于,包括离线建模阶段和在线监测阶段,所述离线建模阶段具体包括以下步骤:
步骤S1:对训练样本数据进行分块,并确定用以表示子块间联系情况的拓扑矩阵;
步骤S2:依据拓扑矩阵的连接情况对当前子块和来自连接的子块的数据进行典型相关分析建模,提取出典型相关成分和保留投影矩阵,并根据子块间的相关关系构造残差生成器;
步骤S3:根据残差生成器生成残差向量并计算统计量;
所述在线监测阶段具体包括以下步骤:
步骤S4:对新的采样数据根据离线训练阶段方法进行对应分块;
步骤S5:将步骤S4得到分块后的采样数据分别代入对应的典型相关分析模型,通过投影矩阵进行转换得到新的样本数据的典型相关成分;
步骤S6:对每个子块进行故障检测,并得到子块的运行状态;
步骤S7:计算所有子块的整体统计指标FD,通过比较整体统计指标FD和控制限判断过程是否有故障产生,以实现对过程的运行状态进行在线监测。
2.根据权利要求1所述的分布式典型相关分析过程监测方法,其特征在于,所述步骤S1进一步包括:
采用基于过程知识的分块方法训练样本数据进行分块,根据实际工业生产过程的装置设备和操作单元连接的情况,使用先验知识和专家经验对过程进行划分。
3.根据权利要求1所述的分布式典型相关分析过程监测方法,其特征在于,所述步骤S1中,拓扑矩阵C用以描述子块间的连接关系,其中,每个元素分别表示对应的两个子块间是否有信息的交互,若是,则置为1,若否,则为0。
4.根据权利要求1所述的分布式典型相关分析过程监测方法,其特征在于,所述步骤S2中,构造残差生成器,具体包括以下步骤:
步骤S201:根据拓扑矩阵C分别对两两子块进行典型相关分析建模,将子块X1和X2分别作为典型相关分析算法的输入和输出变量,分别提取出子块X1和子块X2的典型相关成分,子块X1和X2的典型相关成分的表达式分别为:
u12=A12 TX1
v12=B12 TX2
其中,A12和B12分别为两个子块的投影矩阵;
步骤S202:基于两两子块的典型相关成分构建残差生成器,子块X1和子块X2之间的残差生成器的表达式为:
r12=B12 2X2-Λk,12A12 TX1
其中,Λk,12为子块X1和子块X2的前k对相关变量的典型相关系数对角矩阵,k的选取由交叉验证的方式获得。
7.根据权利要求1所述的分布式典型相关分析过程监测方法,其特征在于,所述的步骤S6,进一步包括以下步骤:
步骤S601:当前子块接收来自连接子块的典型相关成分,并生成残差向量;
步骤S602:根据残差向量计算出统计量的值,当同一子块有一个连接的子块时,将统计量与控制限进行比较;
当同一子块有多个连接的子块时,得到多个统计量,采用决策融合方法将同一子块的多个统计量融合得到监测统计量,判断子块的监测统计量的值是否超过阈值,若是,则表示当前子块发生故障,若否,则当前子块的运行状态为正常,得到各个子块的典型相关分析监测结果。
9.根据权利要求7所述的分布式典型相关分析过程监测方法,其特征在于,所述的步骤S602中,第i个子块对应的控制限为过程发生异常工况的先验概率(1-α):
判断子块的监测统计量是否超过监测统计量对应的控制限,若是,则认为该子块发生故障,若否,则认为该子块运行在正常工况下。
11.一种分布式典型相关分析过程监测装置,包括:
存储器,用于存储可由处理器执行的指令;
处理器,用于执行所述指令以实现如权利要求1-10任一项所述的方法。
12.一种计算机可读介质,其上存储有计算机指令,其中当计算机指令被处理器执行时,执行如权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310059039.XA CN116048024A (zh) | 2023-01-18 | 2023-01-18 | 一种分布式典型相关分析过程监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310059039.XA CN116048024A (zh) | 2023-01-18 | 2023-01-18 | 一种分布式典型相关分析过程监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116048024A true CN116048024A (zh) | 2023-05-02 |
Family
ID=86121696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310059039.XA Pending CN116048024A (zh) | 2023-01-18 | 2023-01-18 | 一种分布式典型相关分析过程监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116048024A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384158A (zh) * | 2023-05-26 | 2023-07-04 | 广东合诚环境工程有限公司 | 基于大数据的污水处理设备运行监测方法及系统 |
-
2023
- 2023-01-18 CN CN202310059039.XA patent/CN116048024A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384158A (zh) * | 2023-05-26 | 2023-07-04 | 广东合诚环境工程有限公司 | 基于大数据的污水处理设备运行监测方法及系统 |
CN116384158B (zh) * | 2023-05-26 | 2023-08-18 | 广东合诚环境工程有限公司 | 基于大数据的污水处理设备运行监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126870B (zh) | 利用集成主成分分析的污水处理过程异常工况检测方法 | |
CN111160776A (zh) | 利用分块主成分分析的污水处理过程异常工况检测方法 | |
CN112417765B (zh) | 一种基于改进师生网络模型的污水处理过程故障检测方法 | |
Liu et al. | Transforming data into actionable knowledge for fault detection, diagnosis and prognosis in urban wastewater systems with AI techniques: A mini-review | |
Odom et al. | Multistate multivariate statistical process control | |
CN116048024A (zh) | 一种分布式典型相关分析过程监测方法及装置 | |
Yu et al. | Activated sludge process faults diagnosis based on an improved particle filter algorithm | |
Li et al. | Complex dynamic process monitoring method based on slow feature analysis model of multi-subspace partitioning | |
Ba-Alawi et al. | Explainable multisensor fusion-based automatic reconciliation and imputation of faulty and missing data in membrane bioreactor plants for fouling alleviation and energy saving | |
Qiao et al. | Design of modeling error PDF based fuzzy neural network for effluent ammonia nitrogen prediction | |
Yin et al. | Community detection based process decomposition and distributed monitoring for large‐scale processes | |
Cheng et al. | Optimized forecast components-SVM-based fault diagnosis with applications for wastewater treatment | |
CN116029612A (zh) | 一种基于深度学习的城镇污水厂外加碳源精准控制方法 | |
CN110542748A (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
Khurshid et al. | Machine learning approaches for data-driven process monitoring of biological wastewater treatment plant: A review of research works on benchmark simulation model no. 1 (bsm1) | |
Peng et al. | Monitoring of wastewater treatment process based on multi-stage variational autoencoder | |
Ren et al. | Association hierarchical representation learning for plant-wide process monitoring by using multilevel knowledge graph | |
Li et al. | The updating strategy for the safe control Bayesian network model under the abnormity in the thickening process of gold hydrometallurgy | |
Zhang et al. | Prediction and Detection of Sewage Treatment Process Using N-BEATS Autoencoder Network | |
JP4327013B2 (ja) | プラントワイド最適プロセス制御装置 | |
CN116068974A (zh) | 一种块内块间协同建模的分布式过程监测方法及装置 | |
Niu et al. | SBR-Extended Kalman Filter model-based fault diagnosis and signal reconstruction for the papermaking wastewater treatment process | |
Yin et al. | Process decomposition and distributed fault detection of large-scale industrial processes | |
Colomer et al. | Qualitative estimation of SBR biological nutrient removal performance for wastewater treatment | |
Zhang et al. | Water Quality Prediction for Hanjiang with Optimized Support Vector Regression |
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 |