CN116300774B - 基于主元分析与核密度估计的间歇过程可视化监控方法 - Google Patents
基于主元分析与核密度估计的间歇过程可视化监控方法 Download PDFInfo
- Publication number
- CN116300774B CN116300774B CN202310579287.7A CN202310579287A CN116300774B CN 116300774 B CN116300774 B CN 116300774B CN 202310579287 A CN202310579287 A CN 202310579287A CN 116300774 B CN116300774 B CN 116300774B
- Authority
- CN
- China
- Prior art keywords
- data
- principal component
- component analysis
- time
- modeling
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 128
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 92
- 230000008569 process Effects 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 230000000007 visual effect Effects 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000012800 visualization Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000010923 batch production Methods 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 238000009499 grossing Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 12
- 239000002994 raw material Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000007667 floating Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims 1
- 238000010223 real-time analysis Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 8
- 239000012467 final product Substances 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010924 continuous production Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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]
- G05B19/4183—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 data acquisition, e.g. workpiece identification
-
- 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
- G05B2219/33—Director till display
- G05B2219/33273—DCS distributed, decentralised controlsystem, multiprocessor
-
- 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)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明过程监控领域，尤其涉及一种基于主元分析与核密度估计的间歇过程可视化监控方法，本发明包括离线建模与在线实时分析两个阶段。离线建模包括以下步骤：历史数据采集、数据清洗、批次标记、数据处理、主元分析建模、核密度估计建模、时间序列置信区间建模。在线实时分析所涵盖的步骤包括：实时数据采集、数据处理、主元分析模型推理计算、核密度估计模型推理计算、基于时间序列置信区间的状态推理计算。本发明创新的将主元分析与核密度估计方法相结合，并应用在了间歇过程的实时监控当中，在给出工况运行评价指数的同时还通过监控画面呈现直观的实时工况，从而弥补了现有间歇过程数值分析监控方法在可视化展示方面的不足。
Description
技术领域
本发明涉及过程监控领域，尤其涉及一种基于主元分析与核密度估计的间歇过程可视化监控方法。
背景技术
间歇过程，又叫批次反应过程，在流程工业生产中占有很大的比重，很多的聚合物、药类、以及生物化学品都需通过间歇反应方式进行生产。因此，间歇生产过程的监控与分析对于最终产品的质量与一致性可以起到至关重要的作用。目前大多工厂对间歇过程最终产品质量的分析一般是通过对最终产品的成分、组分、物性的测量而进行的，这种分析方式无法在生产过程当中开展，因此只能作为检验手段而非调节控制手段。
发明内容
为了解决上述技术问题，本发明提供了一种基于主元分析与核密度估计的间歇过程可视化监控方法、装置、设备以及存储介质。
第一方面，提供了一种对目标设备的DCS控制系统、实时数据库、实验分析系统以及生产经营系统中的历史数据进行采集；
对采集的历史数据，基于目标设备运行的历史工况、数据中存在的缺失值、异常值进行清洗；
对清洗后的数据基于一阶滤波对数据进行平滑处理以及标准化处理；
对平滑处理以及标准化处理后的数据依次进行主元分析建模、核密度估计建模、时间序列置信区间建模；
对目标设备的数据进行实时数据采集、数据处理、主元分析模型推理计算、核密度估计模型推理计算、基于时间序列置信区间的状态推理计算。
在第一方面的一些实现方式中，所述历史数据包括温度、压力、流量、液位过程数据，浓度、组分在线仪数据，原料牌号、原料价格经营类数据中的至少一个。
在第一方面的一些实现方式中，所述对清洗后的数据基于一阶滤波对数据进行平滑处理，包括：
基于公式对清洗后的数据进行平滑处理，其中，中滑动平均处理后时刻的数据点，为时刻的原始数据点，为滤波窗口大小；
数据清洗后得到的建模数据为，其中为采样点个数，为变量个数，对按列进行标准化得到，使得中每一列的分布满足标准正态分布，标准化过程满足公式，其中为权重矩阵，且满足实对称，为偏置矩阵。
在第一方面的一些实现方式中，对平滑处理以及标准化处理后的数据进行主元分析建模，包括：
主元分析建模的数据满足公式，其中为模型的负荷参数矩阵；为降维后的数据；降维后的两坐标轴分别为PC-1，PC-2，主元分析过程中对应两坐标轴PC-1，PC-2的两个特征值，；
将降维后的数据通过散点图的形式，基于横、纵坐标轴分别为PC-1、PC-2，中的二维数据点，每个批次的反应起始点以及每个批次的反应终点进行可视化展示。
在第一方面的一些实现方式中，对进行主元分析建模后的数据进行核密度估计建模，包括：
对于一维数据，其中为数据样本数，假设该样本数据的累积分布函数为，概率密度函数为，则有：
，
，
累计分布函数的经验分布函数：
，
使用次观测中出现的次数与的比值来描述，将该函数带入中，有：
，
当为自定义的带宽时，的表达式为：
，
其中，上均匀分布；
核函数为满足非负性，，对称性，，归一性，三条性质的任意函数；
选定核函数后，取得核密度估计模型：
，
推广到多维空间：
，
其中，为范数；
将建模得到的概率密度函数通过热力图形式，基于横、纵坐标轴分别为PC-1、PC-2，主元分析步骤中得到的二维数据点，每个批次的反应起始点，每个批次的反应终点，相应位置的核密度估计的大小以及核密度估计的具体数值对应情况进行可视化展示。
在第一方面的一些实现方式中，对进行核密度估计建模后的数据进行时间序列置信区间建模，包括：
对主元分析中得到的二维数据点按照生产批次进行划分后得到：，其中为一个完整批次的数据采样点个数,为批次编号，其中为采样数据中包含的批次总数。
根据公式，计算与，得到批次生产中第个采样点在PC-1坐标轴上的置信区间为：
，
根据以下公式，计算与，得到批次生产中第个采样点在PC-2坐标轴上的置信区间为：
，
将批次中采样点在PC-2坐标轴上的置信区间通过点线图可视化展示。
在第一方面的一些实现方式中，对目标设备的数据进行数据处理，包括：
若实时数据集为空，则所有数据被标记为坏点；
若实时数据点数少于模型变量数，则所有数据被标记为坏点；
若实时数据点中包含非浮点值，则将对应值标记为坏值；
获取Last Good Value：在程序初次运行时，从数据库中采集获得最近的无坏点实时数据，并作为Last Good Value缓存，在程序之后的运行中，用无坏点实时数据更新LastGood Value；
用Last Good Value 缓存中的数值替换标记出来的坏点；
采用一阶滤波对数据进行平滑处理，满足公式，
其中与分别为当前时间点处的预处理后和无坏点实时数据；为上一个时间点处的预处理后数据；为人工输入的滤波系数，数值类型为浮点型，取值范围在 [0, 1]；当程序首次开始运行时进行初始化；
无坏点实时数据与预处理后的数据都会被送入数据库进行存储。
在第一方面的一些实现方式中，对处理后的数据进行主元分析模型推理计算，包括：
将离线建模步骤中得到的模型的负荷参数矩阵与当前时刻预处理后数据带入公式，得到降维后数据，其中为权重矩阵，且满足实对称，在离线建模阶段通过自定义得到；为偏置矩阵，在离线建模阶段通过自定义得到；
将降维后的数据通过散点图的形式，基于横、纵坐标轴分别为PC-1、PC-2，核密度估计值大于0.7的区域，当前状态点所处的位置，过去15分钟内状态点所处过的位置进行可视化展示。
在第一方面的一些实现方式中，对主元分析模型推理计算的数据进行基于时间序列置信区间的状态推理计算，包括：
将主元分析模型推理计算中得到的与离线建模阶段得到的PC-1与PC-2坐标轴上的置信区间
，
，
若且，则不产生报警，否则产生报警；
将降维后的数据，基于置信区间的上、下界，当前批次生产所经过的状态路径以及当前批次在当前时刻的状态位置通过点图的形式可视化展示。
第二方面，提供了一种基于主元分析与核密度估计的间歇过程可视化监控装置，所述装置包括：
历史数据采集模块，用于对目标设备的DCS控制系统、实时数据库、实验分析系统以及生产经营系统中的历史数据进行采集；
数据清洗模块，用于对采集的历史数据，基于目标设备运行的历史工况、数据中存在的缺失值、异常值进行清洗；
数据处理模块，用于对清洗后的数据基于一阶滤波对数据进行平滑处理以及标准化处理；
建模模块，用于对平滑处理以及标准化处理后的数据依次进行主元分析建模、核密度估计建模、时间序列置信区间建模；
所述数据处理模块，还用于对目标设备的数据进行实时数据采集、数据处理、主元分析模型推理计算、核密度估计模型推理计算、基于时间序列置信区间的状态推理计算。
第三方面，提供了一种电子设备，设备包括：处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现第一方面，以及第一方面的一些实现方式中的方法。
第四方面，提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面，以及第一方面的一些实现方式中的方法。
本发明实施例提供了一种基于主元分析与核密度估计的间歇过程可视化监控方法、装置，本发明包括离线建模与在线实时分析两个阶段。离线建模包括以下步骤：历史数据采集、数据清洗、批次标记、数据处理、主元分析建模、核密度估计建模、时间序列置信区间建模。在线实时分析所涵盖的步骤包括：实时数据采集、数据处理、主元分析模型推理计算、核密度估计模型推理计算、基于时间序列置信区间的状态推理计算。本发明创新的将主元分析与核密度估计方法相结合，并应用在了间歇过程的实时监控当中，在给出工况运行评价指数的同时还通过监控画面呈现直观的实时工况，从而弥补了现有间歇过程数值分析监控方法在可视化展示方面的不足。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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是本发明实施例提供的一种基于主元分析与核密度估计的间歇过程可视化监控方法的流程示意图；
图2是本发明实施例提供的另一种基于主元分析与核密度估计的间歇过程可视化监控方法的流程示意图；
图3是本发明实施例提供的一种变量趋势图；
图4是本发明实施例提供的一种散点图；
图5是本发明实施例提供的一种热力图；
图6是本发明实施例提供的一种点线图；
图7是本发明实施例提供的另一种点线图；
图8是本发明实施例提供的一种流程图；
图9是本发明实施例提供的另一种散点图；
图10是本发明实施例提供的一种点图；
图11是本发明实施例提供的一种基于主元分析与核密度估计的间歇过程可视化监控装置的结构示意图；
图12是本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，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描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，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。在没有更多限制的情况下，由语句“包括……”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。
间歇过程，又叫批次反应过程，在流程工业生产中占有很大的比重，很多的聚合物、药类、以及生物化学品都需通过间歇反应方式进行生产。因此，间歇生产过程的监控与分析对于最终产品的质量与一致性可以起到至关重要的作用。目前大多工厂对间歇过程最终产品质量的分析一般是通过对最终产品的成分、组分、物性的测量而进行的，这种分析方式无法在生产过程当中开展，因此只能作为检验手段而非调节控制手段。如果能在间歇生产过程当中尽早发现批次的异常，则可以及时干预或终止生产，从而起到降低能耗、物耗和增加最终产品一致性的作用。
幸运的是，随着近些年测量技术与通讯技术的发展和低成本化趋势的进行，越来越多的生产过程数据如温度、压力、流量、甚至质量相关的信号都可以被测量、传输、并参与到实时分析当中。许多数值分析与监控方式也应运而生，如：主元分析（PCA）、偏最小二乘（PLS）、独立成分分析（ICA）。然而相较于连续过程，间歇过程有其固有的特点：
每个批次的处理时间是有限的，并且严格遵守配方；
同一批次当中的生产工况在持续变化，通常会被划分为多个阶段；
根据配方的不同，同一套生产设备可以被用来生产不同牌号的产品。
因为存在这些差别，对于间歇过程的分析和监控也与连续过程的方式有所不同。连续过程监控中常用的数值分析方法无法被直接使用在间歇过程的监控上。为了应对这个问题，很多针对于间歇过程的监控方法在近些年被陆续提出，如：多阶段主元分析（MPCA）、多阶段偏最小二乘（MPLS）、基于动态时间规整（DTW）的方法等。这些方法虽然可以解决对间歇生产过程监控的需要，但却无法给出非常直观且容易被理解的监控结果展示，不利于现场人员的使用。
本发明是为了克服现有技术存在的不足之处，提供一种基于主元分析与核密度估计的间歇过程可视化监控方法、装置。
下面结合附图对本发明实施例提供的技术方案进行描述。
图1是本发明提供的一种基于主元分析与核密度估计的间歇过程可视化监控方法的流程示意图，如图1所示，基于主元分析与核密度估计的间歇过程可视化监控方法可以包括：
S101：对目标设备的DCS控制系统、实时数据库、实验分析系统以及生产经营系统中的历史数据进行采集；
S102：对采集的历史数据，基于目标设备运行的历史工况、数据中存在的缺失值、异常值进行清洗；
S103：对清洗后的数据基于一阶滤波对数据进行平滑处理以及标准化处理；
S104：对平滑处理以及标准化处理后的数据依次进行主元分析建模、核密度估计建模、时间序列置信区间建模；
S105：对目标设备的数据进行实时数据采集、数据处理、主元分析模型推理计算、核密度估计模型推理计算、基于时间序列置信区间的状态推理计算。
需要说明的是，S101-S104为离线建模的过程，S105为在线实时分析的过程。
图2是本发明提供的另一种基于主元分析与核密度估计的间歇过程可视化监控方法的流程示意图。
结合图1和图2对本发明进行进一步描述。
在一些实施例中，S101中，历史数据包括温度、压力、流量、液位过程数据，浓度、组分在线仪数据，原料牌号、原料价格经营类数据中的至少一个。历史数据来源于DCS控制系统、实时数据库、实验分析系统、生产经营系统等。采集的变量包括温度、压力、流量、液位等过程数据，也包括浓度、组分等在线仪数据，还包括原料牌号、原料价格等经营类数据。数据传输采用国际通用的标准协议，例如OPC协议、ODBC协议、MODBUS协议等。数据的采集传输是通过现有成熟软件实现。采集到的历史数据通常以EXCEL或CSV格式进行存储保存。
在一些实施例中，S102中，对采集的历史数据，基于目标设备运行的历史工况、数据中存在的缺失值、异常值进行清洗的过程中，具体可以包括：
步骤一：基于装置运行的历史工况、数据中存在的缺失值、异常值（如bad、timeout）等，在历史数据表格中标记出需要删除的时间段或对应的行数。
步骤二：通过查看变量趋势图，找到异常数据（长时间不变化，没有波动的某段趋势），并在历史数据表格中标记出需要删除的时间段或对应的行数。
步骤三：删除所标记的行。
在一些实施例中，还可以对S102中清洗后的数据进行批次标记，具体可以包括：
通过查看变量趋势图，找到每个批次的开始时刻，如图3所示，在历史数据表格对每个批次的开始时刻做出标记，其中，图3的横坐标为批次，纵坐标为开始时刻。
在S103中，对对清洗后的数据基于一阶滤波对数据进行平滑处理以及标准化处理，具体可以包括：
基于公式对清洗后的数据进行平滑处理，其中，中滑动平均处理后时刻的数据点，为时刻的原始数据点，为滤波窗口大小；
数据清洗后得到的建模数据为，其中为采样点个数，为变量个数，对按列进行标准化得到，使得中每一列的分布满足标准正态分布，标准化过程满足公式，其中为权重矩阵，且满足实对称，为偏置矩阵，通过自定义得到。
在一些实施例中，S104中对平滑处理以及标准化处理后的数据进行主元分析建模，包括：
主元分析建模的数据满足公式，其中为模型的负荷参数矩阵；为降维后的数据；降维后的两坐标轴分别为PC-1，PC-2，主元分析过程中对应两坐标轴PC-1，PC-2的两个特征值，；其中，PC-1为主元1，PC-2为主元2。
将降维后的数据通过散点图的形式，基于横、纵坐标轴分别为PC-1、PC-2，中的二维数据点，每个批次的反应起始点以及每个批次的反应终点进行可视化展示。
也就是说步骤一：主元分析有特征分解法、奇异矩阵分解法（Singular ValueDecomposition, SVD）、非线性迭代偏最小二乘（Non-linear Iterative Partial LeastSquares, NIPALS）共三种方法。三种方法计算过程不同但结果相同，最终都可表示为如下形式：
，
其中为模型的负荷参数矩阵；为降维后的数据；降维后的两坐标轴分别为PC-1，PC-2。除此之外，主元分析过程中还会得到对应两坐标轴PC-1，PC-2的两个特征值，。
步骤二：将降维后的数据通过散点图的形式可视化展示，如图4所示。其中横、纵坐标轴分别为PC-1、PC-2，Samples点为中的二维数据点，Starts点为每个批次的反应起始点，Ends点为每个批次的反应终点。
在一些实施例中，S104中对主元分析建模后的数据进行核密度估计建模，包括：
对于一维数据，其中的为数据样本数，假设该样本数据的累积分布函数为，概率密度函数为，则有：
，
，
累计分布函数的经验分布函数：
，
即使用的次观测中出现的次数与的比值来描述，将该函数带入中，有：
，
当为自定义的带宽时，的表达式为：
，
其中，这里上均匀分布。进一步推广，核函数为满足以下三条性质的任意函数：
1) 非负性，，
2) 对称性，，
3) 归一性，，
选定核函数后，取得核密度估计模型：
，
推广到多维空间：
，
其中，为范数。
步骤二：将建模得到的概率密度函数通过热力图形式可视化展示，如图5所示。其中横、纵坐标轴分别为PC-1、PC-2；黑色点为主元分析步骤中得到的二维数据点；深灰点为每个批次的反应起始点，浅灰点为每个批次的反应终点；底图颜色深浅代表相应位置的核密度估计的大小，颜色越浅核密度估计的数值越高，反之越低；右侧标尺给出底图颜色深浅代表相应位置的核密度估计的具体数值对应情况。
在一些实施例中，S104中对核密度估计建模后的数据进行时间序列置信区间建模，包括：
步骤一：对主元分析步骤中得到的二维数据点按照生产批次进行划分后得到：，其中为一个完整批次的数据采样点个数, 为批次编号，其中为采样数据中包含的批次总数。
步骤二：根据以下公式计算与：
，
，
继而得到批次生产中第个采样点在PC-1坐标轴上的置信区间为：
，
将批次中所有采样点在PC-1坐标轴上的置信区间通过点线图可视化展示，如图6所示。其中阴影区域为区域边界，区域边界为置信区间的上、下界；各曲线为每个批次在PC-1轴上的趋势，不同灰度的连线为每个批次在PC-1轴上的趋势，纵坐标轴为PC-1轴，横坐标轴为时间轴。
步骤三：根据以下公式计算与：
，
，
继而得到批次生产中第个采样点在PC-2坐标轴上的置信区间为：
，
将批次中所有采样点在PC-2坐标轴上的置信区间通过点线图可视化展示，如图7所示。其中阴影区域为区域边界，区域边界为置信区间的上、下界；各曲线为每个批次在PC-2轴上的趋势，不同灰度的连线为每个批次在PC-2轴上的趋势，纵坐标轴为PC-2轴，横坐标轴为时间轴。
在一些实施例中，在S105中，对目标设备的数据进行实时数据采集，包括：
步骤一：历史数据来源于DCS控制系统、实时数据库、实验分析系统、生产经营系统等。采集的变量包括温度、压力、流量、液位等过程数据，也包括浓度、组分等在线仪数据，还包括原料牌号、原料价格等经营类数据。
步骤二：数据传输采用国际通用的标准协议，例如OPC协议、ODBC协议、MODBUS协议等。数据的采集传输是通过现有成熟软件实现。
步骤三：生产网和管理网通过防火墙等网络设备隔离，保证数据传输的安全稳定，数据最终存储到实时数据库。数据库使用的是国内和国外成熟的实时数据库产品。
在一些实施例中，在S105中，对目标设备的数据进行数据处理，包括：
数据预处理在模型运行之前进行，主要包括坏点标记、坏点替换、Last GoodValue缓存更新和一阶滤波和个性化计算；流程图如图8所示。
步骤一：采集得到对应模型的实时数据后，首先判断数据中是否存在坏点，并将其标记。
坏点判断原则1：如果实时数据集为空，则所有数据被标记为坏点；
坏点判断原则2：如果实时数据点数少于模型变量数，则所有数据被标记为坏点；
坏点判断原则3：如果实时数据点中包含非浮点值，则将对应值标记为坏值。
步骤二：获取Last Good Value：在程序初次运行时，从数据库中采集获得最近的无坏点实时数据，并作为Last Good Value缓存。在程序之后的运行中，用无坏点实时数据更新Last Good Value。数据库为国内外成熟实时数据库产品。
步骤三：用Last Good Value 缓存中的数值替换标记出来的坏点。
步骤四：采用一阶滤波对数据进行平滑处理，公式如下
，
其中与分别为当前时间点处的预处理后和无坏点实时数据；为上一个时间点处的预处理后数据；为人工输入的滤波系数，数值类型为浮点型，取值范围在 [0, 1]；当程序首次开始运行时进行初始化。
步骤五：无坏点实时数据与预处理后的数据都会被送入数据库进行存储。
在一些实施例中，在S105中，对处理后的数据进行主元分析模型推理计算，包括：
步骤一：将离线建模步骤中得到的模型的负荷参数矩阵与当前时刻预处理后数据带入下式计算，得到降维后数据：
，
其中为权重矩阵，且满足实对称，在离线建模阶段通过自定义得到；为偏置矩阵，在离线建模阶段通过自定义得到。
步骤二：将降维后的数据通过散点图的形式可视化展示，如图9所示。其中横、纵坐标轴分别为PC-1、PC-2。虚线框内为核密度估计值大于0.7的区域；反应起始点和反应终点位置由文字标出；黑色点为当前状态点所处的位置，灰色点为过去15分钟内状态点所处过的位置。
在一些实施例中，在S105中，对主元分析模型推理计算的数据进行基于时间序列置信区间的状态推理计算，包括：
步骤一：将主元分析模型推理计算中得到的与离线建模阶段得到的PC-1与PC-2坐标轴上的置信区间
，
，
相比较，如且，则不产生报警；反之则产生报警。
步骤二：将降维后的数据通过点图的形式可视化展示，如图10所示。其中阴影区域为置信区间的上、下界。黑色曲线为当前批次生产所经过的状态路径；黑色圆点为当前批次在当前时刻的状态位置，纵坐标轴为PC-2轴，横坐标轴为时间轴。
本发明涉及一种基于主元分析与核密度估计的间歇过程可视化监控方法，包括离线建模与在线实时分析两个阶段。离线建模包括以下步骤：历史数据采集、数据清洗、批次标记、数据处理、主元分析建模、核密度估计建模、时间序列置信区间建模。在线实时分析所涵盖的步骤包括：实时数据采集、数据处理、主元分析模型推理计算、核密度估计模型推理计算、基于时间序列置信区间的状态推理计算。本发明创新的将主元分析与核密度估计方法相结合，并应用在了间歇过程的实时监控当中，在给出工况运行评价指数的同时还通过监控画面呈现直观的实时工况，从而弥补了现有间歇过程数值分析监控方法在可视化展示方面的不足。
与图1所示的基于主元分析与核密度估计的间歇过程可视化监控方法相对应，本发明还公开了一种基于主元分析与核密度估计的间歇过程可视化监控装置。
如图11所示，基于主元分析与核密度估计的间歇过程可视化监控装置可以包括：
历史数据采集模块1301，用于对目标设备的DCS控制系统、实时数据库、实验分析系统以及生产经营系统中的历史数据进行采集；
数据清洗模块1302，用于对采集的历史数据，基于目标设备运行的历史工况、数据中存在的缺失值、异常值进行清洗；
数据处理模块1303，用于对清洗后的数据基于一阶滤波对数据进行平滑处理以及标准化处理；
建模模块1304，用于对平滑处理以及标准化处理后的数据依次进行主元分析建模、核密度估计建模、时间序列置信区间建模；
数据处理模块1303，还用于对目标设备的数据进行实时数据采集、数据处理、主元分析模型推理计算、核密度估计模型推理计算、基于时间序列置信区间的状态推理计算。
在一些实施例中，所述历史数据包括温度、压力、流量、液位过程数据，浓度、组分在线仪数据，原料牌号、原料价格经营类数据中的至少一个。
在一些实施例中，所述对清洗后的数据基于一阶滤波对数据进行平滑处理，包括：
基于公式对清洗后的数据进行平滑处理，其中，中滑动平均处理后时刻的数据点，为时刻的原始数据点，为滤波窗口大小；
数据清洗后得到的建模数据为，其中为采样点个数，为变量个数，对按列进行标准化得到，使得中每一列的分布满足标准正态分布，标准化过程满足公式，其中为权重矩阵，且满足实对称，为偏置矩阵。
在一些实施例中，对平滑处理以及标准化处理后的数据进行主元分析建模，包括：
主元分析建模的数据满足公式，其中为模型的负荷参数矩阵；为降维后的数据；降维后的两坐标轴分别为PC-1，PC-2，主元分析过程中对应两坐标轴PC-1，PC-2的两个特征值，；
将降维后的数据通过散点图的形式，基于横、纵坐标轴分别为PC-1、PC-2，中的二维数据点，每个批次的反应起始点以及每个批次的反应终点进行可视化展示。
在一些实施例中，对进行主元分析建模后的数据进行核密度估计建模，包括：
对于一维数据，其中为数据样本数，假设该样本数据的累积分布函数为，概率密度函数为，则有：
，
，
累计分布函数的经验分布函数：
，
使用次观测中出现的次数与的比值来描述，将该函数带入中，有：
，
当为自定义的带宽时，的表达式为：
，
其中，上均匀分布；
核函数为满足非负性，，对称性，，归一性，三条性质的任意函数；
选定核函数后，取得核密度估计模型：
，
推广到多维空间：
，
其中，为范数；
将建模得到的概率密度函数通过热力图形式，基于横、纵坐标轴分别为PC-1、PC-2，主元分析步骤中得到的二维数据点，每个批次的反应起始点，每个批次的反应终点，相应位置的核密度估计的大小以及核密度估计的具体数值对应情况进行可视化展示。
在一些实施例中，对进行核密度估计建模后的数据进行时间序列置信区间建模，包括：
对主元分析中得到的二维数据点按照生产批次进行划分后得到：，其中为一个完整批次的数据采样点个数, 为批次编号，其中为采样数据中包含的批次总数。
根据公式，计算与，得到批次生产中第个采样点在PC-1坐标轴上的置信区间为：
，
根据以下公式，计算与，得到批次生产中第个采样点在PC-2坐标轴上的置信区间为：
，
将批次中采样点在PC-2坐标轴上的置信区间通过点线图可视化展示。
在一些实施例中，对目标设备的数据进行数据处理，包括：
若实时数据集为空，则所有数据被标记为坏点；
若实时数据点数少于模型变量数，则所有数据被标记为坏点；
若实时数据点中包含非浮点值，则将对应值标记为坏值；
获取Last Good Value：在程序初次运行时，从数据库中采集获得最近的无坏点实时数据，并作为Last Good Value缓存，在程序之后的运行中，用无坏点实时数据更新LastGood Value；
用Last Good Value 缓存中的数值替换标记出来的坏点；
采用一阶滤波对数据进行平滑处理，满足公式，
其中与分别为当前时间点处的预处理后和无坏点实时数据；为上一个时间点处的预处理后数据；为人工输入的滤波系数，数值类型为浮点型，取值范围在 [0, 1]；当程序首次开始运行时进行初始化；
无坏点实时数据与预处理后的数据都会被送入数据库进行存储。
在一些实施例中，对处理后的数据进行主元分析模型推理计算，包括：
将离线建模步骤中得到的模型的负荷参数矩阵与当前时刻预处理后数据带入公式，得到降维后数据，其中为权重矩阵，且满足实对称，在离线建模阶段通过自定义得到；为偏置矩阵，在离线建模阶段通过自定义得到；
将降维后的数据通过散点图的形式，基于横、纵坐标轴分别为PC-1、PC-2，核密度估计值大于0.7的区域，当前状态点所处的位置，过去15分钟内状态点所处过的位置进行可视化展示。
在一些实施例中，对主元分析模型推理计算的数据进行基于时间序列置信区间的状态推理计算，包括：
将主元分析模型推理计算中得到的与离线建模阶段得到的PC-1与PC-2坐标轴上的置信区间
，
，
若且，则不产生报警，否则产生报警；
将降维后的数据，基于置信区间的上、下界，当前批次生产所经过的状态路径以及当前批次在当前时刻的状态位置通过点图的形式可视化展示。
本发明涉及的基于主元分析与核密度估计的间歇过程可视化监控装置，包括离线建模与在线实时分析两个阶段。离线建模包括以下步骤：历史数据采集、数据清洗、批次标记、数据处理、主元分析建模、核密度估计建模、时间序列置信区间建模。在线实时分析所涵盖的步骤包括：实时数据采集、数据处理、主元分析模型推理计算、核密度估计模型推理计算、基于时间序列置信区间的状态推理计算。本发明创新的将主元分析与核密度估计方法相结合，并应用在了间歇过程的实时监控当中，在给出工况运行评价指数的同时还通过监控画面呈现直观的实时工况，从而弥补了现有间歇过程数值分析监控方法在可视化展示方面的不足。
图12是本发明实施例提供的一种计算设备的硬件架构的结构图。如图12所示，计算设备1400包括输入接口1401、中央处理器1402以及存储器1403。其中，输入接口1401、中央处理器1402以及存储器1403通过总线1410相互连接。
图12所示的计算设备也可以被实现为基于多媒体服务器内容列表容错机制的农产品溯源设备，该设备可以包括：处理器以及存储有计算机可执行指令的存储器；该处理器在执行计算机可执行指令时可以实现本发明实施例提供的基于主元分析与核密度估计的间歇过程可视化监控方法。
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的基于主元分析与核密度估计的间歇过程可视化监控方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器（Read-Only Memory，ROM）、闪存、可消除的只读存储器（ErasableRead Only Memory，EROM）、软盘、只读光盘（Compact Disc Read-Only Memory，CD-ROM）、光盘、硬盘、光纤介质、射频（Radio Frequency ，RF）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本发明的具体实施方式，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，上述描述的系统、模块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。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于主元分析与核密度估计的间歇过程可视化监控方法，其特征在于，所述方法包括：
对目标设备的DCS控制系统、实时数据库、实验分析系统以及生产经营系统中的历史数据进行采集；
对采集的历史数据，基于目标设备运行的历史工况、数据中存在的缺失值、异常值进行清洗；
对清洗后的数据基于一阶滤波对数据进行平滑处理以及标准化处理；
对平滑处理以及标准化处理后的数据依次进行主元分析建模、核密度估计建模、时间序列置信区间建模；
对目标设备的数据进行实时数据采集、数据处理、主元分析模型推理计算、核密度估计模型推理计算、基于时间序列置信区间的状态推理计算；
其中，对平滑处理以及标准化处理后的数据进行主元分析建模，包括：
主元分析建模的数据满足公式(XW-A)P＝T，其中Pm×2为模型的负荷参数矩阵；Tn×2为降维后的数据；降维后的两坐标轴分别为PC-1，PC-2，主元分析过程中对应两坐标轴PC-1，PC-2的两个特征值λ1，λ2；
将降维后的数据T_(n×2)通过散点图的形式，基于横、纵坐标轴分别为PC-1、PC-2，T_(n×2)中的二维数据点，每个批次的反应起始点以及每个批次的反应终点进行可视化展示；
对进行主元分析建模后的数据进行核密度估计建模，包括：
对于一维数据x1,x2,x3,…,xn，其中n为数据样本数，假设该样本数据的累积分布函数为F(x)，概率密度函数为f(x)，则有：
累计分布函数的经验分布函数：
使用n次观测中xi≤t出现的次数与n的比值来近似描述P(x≤t)，将该函数带入f(xi)中，有：
当h为自定义的带宽时，f(x；h)的表达式为：
其中K在(-1,1)上均匀分布；
核函数为满足非负性，K(x)≥0，对称性，K(x)＝K(-x)，归一性，三条性质的任意函数K(x)；
选定核函数K(x)后，取得核密度估计模型f(x)：
推广到多维空间f(x)：
其中，||·||为L2范数；
将建模得到的概率密度函数f(x；h)通过热力图形式，基于横、纵坐标轴分别为PC-1、PC-2，主元分析步骤中得到的Tn×2二维数据点，每个批次的反应起始点，每个批次的反应终点，相应位置的核密度估计的大小以及核密度估计的具体数值对应情况进行可视化展示。
2.根据权利要求1所述的基于主元分析与核密度估计的间歇过程可视化监控方法，其特征在于，所述历史数据包括温度、压力、流量、液位过程数据，浓度、组分在线仪数据，原料牌号、原料价格经营类数据中的至少一个。
3.根据权利要求1所述的基于主元分析与核密度估计的间歇过程可视化监控方法，其特征在于，所述对清洗后的数据基于一阶滤波对数据进行平滑处理，包括：
基于公式对清洗后的数据进行平滑处理，其中，中yk滑动平均处理后k时刻的数据点，xj为k时刻的原始数据点，M∈N*为滤波窗口大小；
数据清洗后得到的建模数据为Xn×m，其中n为采样点个数，m为变量个数，对X按列进行标准化得到使得中每一列的分布满足标准正态分布n(0,1)，标准化过程满足公式其中Wm×m为权重矩阵，且满足实对称，An×m为偏置矩阵。
4.根据权利要求1所述的基于主元分析与核密度估计的间歇过程可视化监控方法，其特征在于，对进行核密度估计建模后的数据进行时间序列置信区间建模，包括：
对主元分析中得到的Tn×2二维数据点按照生产批次进行划分后得到： 其中m为一个完整批次的数据采样点个数,j＝1,2,3,…,J为批次编号，其中J为采样数据中包含的批次总数；
根据公式计算μx1,μx2,μx3,…μxi,…,μxm与σx1,σx2,σx3,…,σxi,…,σxm，得到批次生产中第i个采样点在PC-1坐标轴上的置信区间为：
根据以下公式计算μy1,μy2,μy3,…,μyi,…,μym与σy1,σy2,σy3,…,σyi,…,σym，得到批次生产中第i个采样点在PC-2坐标轴上的置信区间为：
将批次中采样点在PC-2坐标轴上的置信区间通过点线图可视化展示。
5.根据权利要求1所述的基于主元分析与核密度估计的间歇过程可视化监控方法，其特征在于，对目标设备的数据进行数据处理，包括：
若实时数据集为空，则所有数据被标记为坏点；
若实时数据点数少于模型变量数，则所有数据被标记为坏点；
若实时数据点中包含非浮点值，则将对应值标记为坏值；
获取Last Good Value：在程序初次运行时，从数据库中采集获得最近的无坏点实时数据，并作为Last Good Value缓存，在程序之后的运行中，用无坏点实时数据更新Last GoodValue；
用Last Good Value缓存中的数值替换标记出来的坏点；
采用一阶滤波对数据进行平滑处理，满足公式
Xp,k＝μXp,k-1+(1-μ)Xr,k，
其中Xp,k与Xr,k分别为当前时间点k处的预处理后和无坏点实时数据；Xp,k-1为上一个时间点k-1处的预处理后数据；μ为人工输入的滤波系数，数值类型为浮点型，取值范围在[0,1]；当程序首次开始运行时进行初始化Xp,0＝Xr,0；
无坏点实时数据与预处理后的数据都会被送入数据库进行存储。
6.根据权利要求5所述的基于主元分析与核密度估计的间歇过程可视化监控方法，其特征在于，对处理后的数据进行主元分析模型推理计算，包括：
将离线建模步骤中得到的模型的负荷参数矩阵Pm×2与当前时刻预处理后数据Xp,k带入公式(Xp,kW-A)P＝Tk，得到降维后数据Tk，其中Wm×m为权重矩阵，且满足实对称，在离线建模阶段通过自定义得到；An×m为偏置矩阵，在离线建模阶段通过自定义得到；
将降维后的数据Tk通过散点图的形式，基于横、纵坐标轴分别为PC-1、PC-2，核密度估计值大于0.7的区域，当前状态点Tk所处的位置，过去15分钟内状态点T所处过的位置进行可视化展示。
7.根据权利要求6所述的基于主元分析与核密度估计的间歇过程可视化监控方法，其特征在于，对主元分析模型推理计算的数据进行基于时间序列置信区间的状态推理计算，包括：
将主元分析模型推理计算中得到的Tk＝(txk,tyk)与离线建模阶段得到的PC-1与PC-2坐标轴上的置信区间
若且则不产生报警，否则产生报警；
将降维后的数据Tk，基于置信区间的上、下界，当前批次生产所经过的状态路径以及当前批次在当前时刻的状态位置通过点图的形式可视化展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310579287.7A CN116300774B (zh) | 2023-05-23 | 2023-05-23 | 基于主元分析与核密度估计的间歇过程可视化监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310579287.7A CN116300774B (zh) | 2023-05-23 | 2023-05-23 | 基于主元分析与核密度估计的间歇过程可视化监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116300774A CN116300774A (zh) | 2023-06-23 |
| CN116300774B true CN116300774B (zh) | 2023-08-08 |
Family
ID=86820784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310579287.7A Active CN116300774B (zh) | 2023-05-23 | 2023-05-23 | 基于主元分析与核密度估计的间歇过程可视化监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116300774B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116861224B (zh) * | 2023-09-04 | 2023-12-01 | 鲁东大学 | 基于间歇过程软测量建模方法的间歇过程软测量建模系统 |
| CN118196267A (zh) * | 2024-04-02 | 2024-06-14 | 国家气象中心(中央气象台) | 全球气象数据3d可视化显示系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2579658A1 (en) * | 2004-09-10 | 2006-03-16 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to olefins recovery trains |
| CN101899563A (zh) * | 2009-06-01 | 2010-12-01 | 上海宝钢工业检测公司 | 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法 |
| CN103777627A (zh) * | 2014-01-24 | 2014-05-07 | 浙江大学 | 一种基于少量批次的批次过程在线监测方法 |
| CN106710653A (zh) * | 2016-12-05 | 2017-05-24 | 浙江大学 | 一种用于核电机组运行监控的实时数据异常诊断方法 |
| CN109657411A (zh) * | 2019-01-18 | 2019-04-19 | 华东理工大学 | 一种基于数据驱动的溶剂脱沥青装置建模及优化方法 |
| CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
| CN110083860A (zh) * | 2019-03-13 | 2019-08-02 | 东北大学 | 一种基于相关变量选择的工业故障诊断方法 |
| CN112418577A (zh) * | 2019-08-22 | 2021-02-26 | 北京蓝星清洗有限公司 | 一种工业产品生产过程的可视化监控方法及系统 |
| WO2023035564A1 (zh) * | 2021-09-08 | 2023-03-16 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
-
2023
- 2023-05-23 CN CN202310579287.7A patent/CN116300774B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2579658A1 (en) * | 2004-09-10 | 2006-03-16 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to olefins recovery trains |
| CN101899563A (zh) * | 2009-06-01 | 2010-12-01 | 上海宝钢工业检测公司 | 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法 |
| CN103777627A (zh) * | 2014-01-24 | 2014-05-07 | 浙江大学 | 一种基于少量批次的批次过程在线监测方法 |
| CN106710653A (zh) * | 2016-12-05 | 2017-05-24 | 浙江大学 | 一种用于核电机组运行监控的实时数据异常诊断方法 |
| CN109657411A (zh) * | 2019-01-18 | 2019-04-19 | 华东理工大学 | 一种基于数据驱动的溶剂脱沥青装置建模及优化方法 |
| CN110083860A (zh) * | 2019-03-13 | 2019-08-02 | 东北大学 | 一种基于相关变量选择的工业故障诊断方法 |
| CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
| CN112418577A (zh) * | 2019-08-22 | 2021-02-26 | 北京蓝星清洗有限公司 | 一种工业产品生产过程的可视化监控方法及系统 |
| WO2023035564A1 (zh) * | 2021-09-08 | 2023-03-16 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116300774A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116300774B (zh) | 基于主元分析与核密度估计的间歇过程可视化监控方法 | |
| CN109459993B (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
| CN116129366B (zh) | 基于数字孪生的园区监测方法及相关装置 | |
| CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
| CN111222798B (zh) | 一种复杂工业过程关键性指标软测量方法 | |
| US12007745B2 (en) | Apparatus for predicting equipment damage | |
| CN111258984B (zh) | 工业大数据环境下的产品质量端-边-云协同预报方法 | |
| CN117270482A (zh) | 基于数字孪生的汽车工厂控制系统 | |
| CN113110403B (zh) | 一种基于稀疏约束的工业过程离群点检测与故障诊断方法和系统 | |
| CN112232591A (zh) | 基于气象因素的覆冰厚度智能预警方法 | |
| CN117993613A (zh) | 针对数字化工厂运行数据的人工智能分析方法及系统 | |
| CN116340796A (zh) | 时序数据分析方法、装置、设备及存储介质 | |
| CN101446828A (zh) | 一种非线性过程质量预报方法 | |
| CN112418577A (zh) | 一种工业产品生产过程的可视化监控方法及系统 | |
| CN201035376Y (zh) | 工业生产过程小样本条件下的故障诊断装置 | |
| CN111061252A (zh) | 一种基于数据驱动的精馏塔智能看板 | |
| CN117974212A (zh) | 供应链管理方法、系统、电子设备及存储介质 | |
| CN112947649A (zh) | 一种基于互信息矩阵投影的多变量过程监控方法 | |
| CN114192583B (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和系统 | |
| CN107220705A (zh) | 常减压装置常压塔顶干点预测方法 | |
| CN112508320B (zh) | 一种批生产的自动过程阶段划分工作流 | |
| CN115203905A (zh) | 一种融合专家经验及智能算法的设备健康评估方法 | |
| Boaventura et al. | Prediction Control Charts: A New and Flexible Artificial Intelligence-Based Statistical Process Control Approach | |
| Slišković et al. | Data preprocessing in data based process modeling | |
| CN117314705B (zh) | 一种基于遥感影像的环境综合评估预测方法 |
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 |