CN117170349A - 应用于氪气充装控制系统的故障诊断方法及系统 - Google Patents
应用于氪气充装控制系统的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117170349A CN117170349A CN202311443659.XA CN202311443659A CN117170349A CN 117170349 A CN117170349 A CN 117170349A CN 202311443659 A CN202311443659 A CN 202311443659A CN 117170349 A CN117170349 A CN 117170349A
- Authority
- CN
- China
- Prior art keywords
- krypton
- training
- control
- feature
- target
- 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
Links
- 229910052743 krypton Inorganic materials 0.000 title claims abstract description 400
- DNNSSWSSYDEUBZ-UHFFFAOYSA-N krypton atom Chemical compound [Kr] DNNSSWSSYDEUBZ-UHFFFAOYSA-N 0.000 title claims abstract description 395
- 238000003745 diagnosis Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000012549 training Methods 0.000 claims abstract description 393
- 239000013068 control sample Substances 0.000 claims description 116
- 238000012512 characterization method Methods 0.000 claims description 97
- 230000008569 process Effects 0.000 claims description 74
- 239000000523 sample Substances 0.000 claims description 66
- 230000006399 behavior Effects 0.000 claims description 63
- 230000007704 transition Effects 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000013643 reference control Substances 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000005429 filling process Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 150000002592 krypton Chemical class 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- 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
- Feedback Control In General (AREA)
Abstract
本申请提供一种应用于氪气充装控制系统的故障诊断方法及系统,涉及故障诊断技术领域,通过采集包含目标控制状态和迁移控制状态的氪气充装控制样例,以及对这些样例进行过程行为级比较训练和控制变量级比较训练,可以学习到在各种不同操作条件下的行为特征和可能出现的异常情况,有助于提高氪气充装故障的诊断精度。基于初步训练信息和深度训练信息对氪气充装控制表达网络进行训练,可以有效地减少对人工专家知识的依赖,并加快故障诊断的速度。此外,通过生成氪气充装故障诊断网络并使用它对任意目标氪气充装控制数据进行故障诊断,实现了氪气充装系统的自动化故障诊断,大大降低了人工干预的需求,有效地提高了氪气充装故障的诊断精度和效率。
Description
技术领域
本申请涉及故障诊断技术领域,具体而言,涉及一种应用于氪气充装控制系统的故障诊断方法及系统。
背景技术
氪气充装过程是现代工业生产中常见的一种操作,尤其在灯泡制造等领域有广泛应用。然而,由于涉及到高压气体和精密设备,氪气充装过程中可能出现各种故障,如泄漏、压力异常、流速异常等,这些故障可能导致产品质量下降甚至设备损坏。因此,对氪气充装过程进行有效的监控和故障诊断显得至关重要。
传统的故障诊断方法主要依赖于人工检查和经验判断,这不仅效率低下,而且可能受到个体差异的影响,导致诊断结果的准确性不足。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种应用于氪气充装控制系统的故障诊断方法及系统。
第一方面,本申请提供一种应用于氪气充装控制系统的故障诊断方法,应用于故障诊断系统,所述方法包括:
采集氪气充装控制表达网络的目标特征学习样本,所述目标特征学习样本包括多个氪气充装控制样例,每个氪气充装控制样例包括目标控制状态的氪气充装控制数据和迁移控制状态的氪气充装控制数据,同一个氪气充装控制样例中的各个氪气充装控制数据之间存在控制特征一致性,所述每个氪气充装控制样例均配置有一个控制变量集合,任一控制变量集合包括相应氪气充装控制样例在系统运行事件发生的所有控制变量;
运行所述氪气充装控制表达网络,提取所述每个氪气充装控制样例中的各个氪气充装控制数据的表征特征,并分别对所述每个氪气充装控制样例中的各个氪气充装控制数据的表征特征进行过程行为级比较训练,生成初步训练信息;
运行所述氪气充装控制表达网络提取所述每个氪气充装控制样例的表征特征,并分别对所述每个氪气充装控制样例的表征特征和相应控制变量集合中的各个控制变量的表征特征进行控制变量级比较训练,生成深度训练信息;
基于所述初步训练信息和所述深度训练信息,对所述氪气充装控制表达网络进行训练,并基于所述训练完成的氪气充装控制表达网络生成氪气充装故障诊断网络后,调用所述氪气充装故障诊断网络对任意目标氪气充装控制数据进行氪气充装故障诊断。
在第一方面的一种可能的实施方式中,所述初步训练信息包括:所述每个氪气充装控制样例所对应的过程行为级比较训练误差;
所述分别对所述每个氪气充装控制样例中的各个氪气充装控制数据的表征特征进行过程行为级比较训练,生成初步训练信息,包括:
游走第x个氪气充装控制样例中的各个氪气充装控制数据,并将当前游走的氪气充装控制数据的表征特征作为标的导向特征;x不大于所述目标特征学习样本中的氪气充装控制样例的全局数量;
将所述第x个氪气充装控制样例中除所述当前游走的氪气充装控制数据以外的其它氪气充装控制数据的表征特征,确定为所述标的导向特征的目标有效训练数据,并从其它氪气充装控制样例中的各个氪气充装控制数据的表征特征中,提取出所述标的导向特征的至少一个目标干扰训练数据;所述其它氪气充装控制样例包括:所述目标特征学习样本中除所述第x个氪气充装控制样例以外的氪气充装控制样例;
基于所述标的导向特征和所述目标有效训练数据之间的匹配度,以及所述标的导向特征和每个目标干扰训练数据之间的匹配度,计算所述当前游走的氪气充装控制数据所对应的过程行为级比较训练误差;
在所述第x个氪气充装控制样例中的各个氪气充装控制数据均被游走后,对所述第x个氪气充装控制样例中的各个氪气充装控制数据所对应的过程行为级比较训练误差进行加权计算,生成所述第x个氪气充装控制样例所对应的过程行为级比较训练误差。
在第一方面的一种可能的实施方式中,所述目标干扰训练数据为所述标的导向特征的难判别干扰训练数据;
所述从其它氪气充装控制样例中的各个氪气充装控制数据的表征特征中,提取出所述标的导向特征的至少一个目标干扰训练数据,包括:
在其它氪气充装控制样例中的各个氪气充装控制数据的表征特征中执行至少一轮选择流程;
每选定到一个表征特征,则将当前选定到的表征特征作为所述标的导向特征的基础干扰训练数据;
计算所述基础干扰训练数据和所述标的导向特征之间的偏离度,生成第一偏离度;
计算所述目标有效训练数据和所述标的导向特征之间的偏离度,生成第二偏离度;
基于所述第一偏离度和所述第二偏离度之间的比较结果,对所述基础干扰训练数据进行难判别干扰训练数据的解析,生成所述标的导向特征的难判别干扰训练数据。
在第一方面的一种可能的实施方式中,所述基于所述第一偏离度和所述第二偏离度之间的比较结果,对所述基础干扰训练数据进行难判别干扰训练数据的解析,生成所述标的导向特征的难判别干扰训练数据,包括:
如果所述第一偏离度大于所述第二偏离度,则计算所述第一偏离度和所述第二偏离度之间的比较权重,基于所述第一偏离度和所述第二偏离度之间的比较权重,确定训练复杂度更新参数,通过对所述基础干扰训练数据和所述标的导向特征进行特征距离计算,生成所述基础干扰训练数据和所述标的导向特征之间的特征距离,基于所述训练复杂度更新参数,对所述特征距离进行降低,生成降低后的特征距离,在所述标的导向特征上叠加所述降低后的特征距离,生成所述标的导向特征的难判别干扰训练数据,所述训练复杂度更新参数大于所述比较权重且小于基础参数值;
如果所述第一偏离度不大于所述第二偏离度,则将所述基础干扰训练数据作为所述标的导向特征的难判别干扰训练数据。
在第一方面的一种可能的实施方式中,所述氪气充装控制表达网络通过使用多个训练分组的特征学习样本进行参数更新,所述目标特征学习样本是所述多个训练分组中的非首个训练分组的特征学习样本;
所述基于所述第一偏离度和所述第二偏离度之间的比较权重,确定训练复杂度更新参数,包括:
从所述多个训练分组的特征学习样本中确定出先验特征学习样本,所述先验特征学习样本用于表示:在调用所述目标特征学习样本之前在先调用过的特征学习样本;
基于各个先验特征学习样本所对应的过程行为级比较训练误差,以及所述第一偏离度和所述第二偏离度之间的比较权重,确定训练复杂度更新参数。
在第一方面的一种可能的实施方式中,所述深度训练信息包括:所述每个氪气充装控制样例所对应的控制变量级比较训练误差;
所述分别对所述每个氪气充装控制样例的表征特征和相应控制变量集合中的各个控制变量的表征特征进行控制变量级比较训练,生成深度训练信息,包括:
将第x个氪气充装控制样例的表征特征作为初始导向特征,x不大于所述目标特征学习样本中的氪气充装控制样例的全局数量;
将所述第x个氪气充装控制样例所对应的控制变量集合中的各个控制变量的表征特征,确定为所述初始导向特征的初始有效训练数据;
获取先验控制特征库,所述先验控制特征库中包括至少一个控制状态的控制变量,并依据所述第x个氪气充装控制样例所对应的控制变量集合,从所述先验控制特征库中的各个控制变量的表征特征中,提取出所述初始导向特征的至少一个初始干扰训练数据;
基于所述初始导向特征和每个初始有效训练数据之间的匹配度,以及所述初始导向特征和每个初始干扰训练数据之间的匹配度,确定所述第x个氪气充装控制样例所对应的控制变量级比较训练误差。
在第一方面的一种可能的实施方式中,所述初始干扰训练数据为所述初始导向特征的难判别干扰训练数据;
所述依据所述第x个氪气充装控制样例所对应的控制变量集合,从所述先验控制特征库中的各个控制变量的表征特征中,提取出所述初始导向特征的至少一个初始干扰训练数据,包括:
依据所述第x个氪气充装控制样例所对应的控制变量集合,从所述先验控制特征库中提取到参考控制变量;所述参考控制变量用于表示:处于所述先验控制特征库中,且未处于所述第x个氪气充装控制样例所对应的控制变量集合发生的所有控制变量;
从提取到的各个参考控制变量的表征特征中选定到K个表征特征,并依次游走所述K个表征特征,将当前游走的第k个表征特征作为所述初始导向特征的参考干扰训练数据;k属于[1,K];
基于所述参考干扰训练数据和所述初始导向特征之间的偏离度,以及所述初始有效训练数据和所述初始导向特征之间的偏离度,对所述参考干扰训练数据进行难判别干扰训练数据的解析,生成所述初始导向特征的难判别干扰训练数据。
在第一方面的一种可能的实施方式中,所述初步训练信息包括:所述每个氪气充装控制样例所对应的过程行为级比较训练误差;所述深度训练信息包括:所述每个氪气充装控制样例所对应的控制变量级比较训练误差;
所述基于所述初步训练信息和所述深度训练信息,对所述氪气充装控制表达网络进行训练,包括:
加权计算所述初步训练信息中的各个过程行为级比较训练误差,生成所述目标特征学习样本对应的过程行为级比较训练误差;
加权计算所述深度训练信息中的各个控制变量级比较训练误差,生成所述目标特征学习样本对应的控制变量级比较训练误差;
对所述目标特征学习样本对应的过程行为级比较训练误差,和所述目标特征学习样本对应的控制变量级比较训练误差进行相加,生成所述氪气充装控制表达网络的网络训练误差参数;
基于最小化所述网络训练误差参数的训练目标,更新所述氪气充装控制表达网络的网络功能层信息。
在第一方面的一种可能的实施方式中,所述氪气充装控制表达网络包括控制状态迁移网络;
所述对所述目标特征学习样本对应的过程行为级比较训练误差,和所述目标特征学习样本对应的控制变量级比较训练误差进行相加,生成所述氪气充装控制表达网络的网络训练误差参数,包括:
对所述目标特征学习样本对应的过程行为级比较训练误差,和所述目标特征学习样本对应的控制变量级比较训练误差进行相加,生成目标比较训练误差;
运行所述氪气充装控制表达网络中的控制状态迁移网络,分别基于每个氪气充装控制样例中的目标控制状态的氪气充装控制数据的表征特征,将相应的目标控制状态的氪气充装控制数据表示为迁移控制状态的氪气充装控制数据,生成每个氪气充装控制样例所对应的控制状态迁移结果;
基于每个氪气充装控制样例所对应的控制状态迁移结果和相应氪气充装控制样例中的迁移控制状态的氪气充装控制数据,确定所述氪气充装控制表达网络的控制状态迁移误差;
对所述目标比较训练误差和所述控制状态迁移误差进行相加,生成所述氪气充装控制表达网络的网络训练误差参数。
譬如,在第一方面的一种可能的实施方式中,训练完成的氪气充装控制表达网络被作为氪气充装故障诊断网络中的特征提取器,所述氪气充装故障诊断网络还包括分类器;
所述基于所述训练完成的氪气充装控制表达网络生成氪气充装故障诊断网络后,调用所述氪气充装故障诊断网络对任意目标氪气充装控制数据进行氪气充装故障诊断的步骤,包括:
获取所述氪气充装故障诊断网络的故障学习数据序列,所述故障学习数据序列中包括:M个第一故障学习数据以及L个第二故障学习数据,M和L均为正整数,且M>L;
基于所述M个第一故障学习数据循环优化所述氪气充装故障诊断网络中的分类器,并在每次优化所述分类器时,锁定所述特征提取器;
在使用了所述M个第一故障学习数据后,基于所述L个第二故障学习数据循环优化所述氪气充装故障诊断网络中的分类器和特征提取器,生成训练完成的氪气充装故障诊断网络;
调用所述氪气充装故障诊断网络对任意目标氪气充装控制数据进行氪气充装故障诊断;
训练完成的氪气充装控制表达网络包括控制状态迁移网络,每个第一故障学习数据均包括目标控制状态的氪气充装控制数据以及相应氪气充装控制数据的故障标注属性;所述基于所述M个第一故障学习数据循环优化所述氪气充装故障诊断网络中的分类器,包括:
运行所述氪气充装故障诊断网络中的特征提取器,对第m个第一故障学习数据中的目标控制状态的氪气充装控制数据进行控制状态迁移处理,生成迁移控制状态的目标氪气充装控制数据,m∈[1,M];
获取所述目标氪气充装控制数据的表征特征,以及运行所述氪气充装故障诊断网络中的分类器对所述目标氪气充装控制数据进行故障诊断,生成多个故障诊断表征特征,一个故障诊断表征特征用于确定一个故障诊断结果;
基于特征遍历融合操作,将所述目标氪气充装控制数据的表征特征分别融合到每个故障诊断表征特征上,生成多个融合后的故障诊断表征特征,所述特征遍历融合操作用于表示:将两个表征特征中处于同一特征节点处的特征矢量进行融合的操作;
基于所述多个融合后的故障诊断表征特征,生成等待生成的多个故障诊断结果,一个故障诊断结果为一个氪气充装控制数据对应的故障预测属性;
基于每个故障诊断结果的表征特征和所述目标氪气充装控制数据的表征特征之间的匹配度,分别确定所述每个故障诊断结果的分类置信度;
基于所述每个故障诊断结果的分类置信度,从所述多个故障诊断结果中选取一个故障诊断结果进行输出;
依据输出的故障诊断结果和所述第m个第一故障学习数据中的故障标注属性,优化所述氪气充装故障诊断网络中的分类器。
第二方面,本申请实施例还提供一种故障诊断系统,所述故障诊断系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有计算机程序,所述计算机程序结合该处理器加载并执行以实现以上第一方面的应用于氪气充装控制系统的故障诊断方法。
采用以上任意方面的技术方案,通过采集包含目标控制状态和迁移控制状态的氪气充装控制样例,以及对这些样例进行过程行为级比较训练和控制变量级比较训练,可以学习到在各种不同操作条件下的行为特征和可能出现的异常情况,有助于提高氪气充装故障的诊断精度。基于初步训练信息和深度训练信息对氪气充装控制表达网络进行训练,可以有效地减少对人工专家知识的依赖,并加快故障诊断的速度。由于采用了基于实际操作数据的训练方式,所生成的氪气充装故障诊断网络可以适应多种不同的操作条件和故障模式,具有很好的泛化能力。此外,通过生成氪气充装故障诊断网络并使用它对任意目标氪气充装控制数据进行故障诊断,实现了氪气充装系统的自动化故障诊断,大大降低了人工干预的需求,提高了设备的运行效率。该方法不仅能够基于初步训练信息和深度训练信息对氪气充装控制表达网络进行初始训练,还可以在新的操作数据或故障模式出现时,对模型进行进一步的优化和调整,以适应新的情况。因此,本申请有效地提高了氪气充装故障的诊断精度和效率,增强了模型的泛化能力和自动化程度,并且具有很好的可持续优化性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的应用于氪气充装控制系统的故障诊断方法的流程示意图;
图2为本申请实施例提供的用于实现上述的应用于氪气充装控制系统的故障诊断方法的故障诊断系统的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围时,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
参见图1所示,本申请提供一种应用于氪气充装控制系统的故障诊断方法,包括以下步骤。
步骤S110,采集氪气充装控制表达网络的目标特征学习样本。
本实施例中,所述目标特征学习样本包括多个氪气充装控制样例,每个氪气充装控制样例包括目标控制状态的氪气充装控制数据和迁移控制状态的氪气充装控制数据,同一个氪气充装控制样例中的各个氪气充装控制数据之间存在控制特征一致性,所述每个氪气充装控制样例均配置有一个控制变量集合,任一控制变量集合包括相应氪气充装控制样例在系统运行事件发生的所有控制变量。
例如,假设当前正在管理一个工厂,这个工厂专门负责为一种特殊的灯泡充装氪气。每次充装操作都会记录下来,生成一组氪气充装控制数据,其中包括充装的氪气量、压力、温度等因素。并且,当更换新的灯泡批次或者调整生产线速度时,此时的充装控制数据也会被记录下来,成为迁移控制状态的氪气充装控制数据。这些数据信息可以构成一个氪气充装控制样例。
也即,本实施例中,目标特征学习样本可以是期望氪气充装控制表达网络学习和理解的训练数据集,包含了多个氪气充装控制样例。目标控制状态的氪气充装控制数据是值在正常工作条件下(例如,工作温度、工作压力等在预设范围内)进行氪气充装时记录的数据。迁移控制状态的氪气充装控制数据是在某些特定变化发生时(例如更换新的灯泡批次,或者调整生产线速度)记录的数据。控制特征一致性意味着在同一个氪气充装控制样例中,不论是目标控制状态还是迁移控制状态,其控制数据具有一致的特征。比如,如果在一个样例中,目标控制状态下的氪气充装压力是5bar,那么在迁移控制状态下的氪气充装压力也应该接近5bar(如果环境条件允许)。
控制变量集合是一个包含所有与氪气充装过程相关的参数或因素的集合。例如,灯泡批次、生产线速度、氪气压力和温度等都可以作为控制变量。每个氪气充装控制样例都有一组与之对应的控制变量集合,这些变量在样例所代表的实际操作过程中可能发生改变。
步骤S120,运行所述氪气充装控制表达网络,提取所述每个氪气充装控制样例中的各个氪气充装控制数据的表征特征,并分别对所述每个氪气充装控制样例中的各个氪气充装控制数据的表征特征进行过程行为级比较训练,生成初步训练信息。
例如,在搜集到一系列的氪气充装控制样例后,可以输入到一个特殊设计的神经网络(氪气充装控制表达网络)中。这个氪气充装控制表达网络能够自动识别和提取出各个氪气充装控制数据的核心特征,如氪气压力、充装速度等。然后,氪气充装控制表达网络开始进行过程行为级比较训练,即比较目标控制状态和迁移控制状态的数据,以理解系统状态改变时,如何影响充装过程。
步骤S130,运行所述氪气充装控制表达网络提取所述每个氪气充装控制样例的表征特征,并分别对所述每个氪气充装控制样例的表征特征和相应控制变量集合中的各个控制变量的表征特征进行控制变量级比较训练,生成深度训练信息。
例如,接下来,氪气充装控制表达网络将进一步分析目标控制状态和迁移控制状态下的每个控制变量(例如灯泡批次、生产线速度、氪气压力和温度等)之间的差异,以此生成深度训练信息。
步骤S140,基于所述初步训练信息和所述深度训练信息,对所述氪气充装控制表达网络进行训练,并基于所述训练完成的氪气充装控制表达网络生成氪气充装故障诊断网络后,调用所述氪气充装故障诊断网络对任意目标氪气充装控制数据进行氪气充装故障诊断。
例如,在获得所述初步训练信息和所述深度训练信息后,可以对网络进行深度训练,使其能够更准确地预测氪气充装过程在不同条件下的行为。训练完成后,就得到了一个可以用来诊断故障的氪气充装故障诊断网络。这样,在某个时间节点发现一批灯泡的亮度不足,可以立即收集这批灯泡充装氪气时的控制数据,然后输入到氪气充装故障诊断网络中。经过分析,氪气充装故障诊断网络可以告诉问题可能出在氪气压力过低,于是立即调整了氪气压力,灯泡的亮度也恢复正常。
基于以上步骤,通过采集包含目标控制状态和迁移控制状态的氪气充装控制样例,以及对这些样例进行过程行为级比较训练和控制变量级比较训练,可以学习到在各种不同操作条件下的行为特征和可能出现的异常情况,有助于提高氪气充装故障的诊断精度。基于初步训练信息和深度训练信息对氪气充装控制表达网络进行训练,可以有效地减少对人工专家知识的依赖,并加快故障诊断的速度。由于采用了基于实际操作数据的训练方式,所生成的氪气充装故障诊断网络可以适应多种不同的操作条件和故障模式,具有很好的泛化能力。此外,通过生成氪气充装故障诊断网络并使用它对任意目标氪气充装控制数据进行故障诊断,实现了氪气充装系统的自动化故障诊断,大大降低了人工干预的需求,提高了设备的运行效率。该方法不仅能够基于初步训练信息和深度训练信息对氪气充装控制表达网络进行初始训练,还可以在新的操作数据或故障模式出现时,对模型进行进一步的优化和调整,以适应新的情况。因此,本申请有效地提高了氪气充装故障的诊断精度和效率,增强了模型的泛化能力和自动化程度,并且具有很好的可持续优化性。
在一种可能的实施方式中,所述初步训练信息包括:所述每个氪气充装控制样例所对应的过程行为级比较训练误差。
步骤S120可以包括:
步骤S121,游走第x个氪气充装控制样例中的各个氪气充装控制数据,并将当前游走的氪气充装控制数据的表征特征作为标的导向特征。x不大于所述目标特征学习样本中的氪气充装控制样例的全局数量。
本实施例中,氪气充装控制数据的表征特征可以包括:
1. 氪气压力:在充装过程中,氪气的压力会直接影响到充装效果。如果压力过高,可能会导致灯泡破裂;如果压力过低,则可能导致灯泡亮度不足。
2. 充装速度:充装速度是指在单位时间内向灯泡中充入氪气的速度。过快的充装速度可能会引发灯泡的压力超标,而过慢的充装速度则可能降低生产效率。
3. 充装时间:充装时间是从开始充装氪气到结束充装氪气所经历的时间。它可以反映出充装设备的性能以及操作员的技术水平。
4. 环境温度:氪气的充装过程会受到环境温度的影响。在低温环境下,氪气的压力可能会降低,进而影响充装效果。
5. 灯泡批次:不同批次的灯泡可能有不同的设计参数,如尺寸、材质等。这些参数会影响氪气充装过程的效果和效率。
6. 氪气纯度:氪气的纯度也是一个重要的表征特征,不同纯度的氪气对灯泡的亮度和寿命有直接影响。
以上就是一些可能的氪气充装控制数据的表征特征。在实际操作中,可能还需要根据具体情况来选择和使用其它特征。
步骤S122,将所述第x个氪气充装控制样例中除所述当前游走的氪气充装控制数据以外的其它氪气充装控制数据的表征特征,确定为所述标的导向特征的目标有效训练数据,并从其它氪气充装控制样例中的各个氪气充装控制数据的表征特征中,提取出所述标的导向特征的至少一个目标干扰训练数据。所述其它氪气充装控制样例包括:所述目标特征学习样本中除所述第x个氪气充装控制样例以外的氪气充装控制样例。
步骤S123,基于所述标的导向特征和所述目标有效训练数据之间的匹配度,以及所述标的导向特征和每个目标干扰训练数据之间的匹配度,计算所述当前游走的氪气充装控制数据所对应的过程行为级比较训练误差。
步骤S124,在所述第x个氪气充装控制样例中的各个氪气充装控制数据均被游走后,对所述第x个氪气充装控制样例中的各个氪气充装控制数据所对应的过程行为级比较训练误差进行加权计算,生成所述第x个氪气充装控制样例所对应的过程行为级比较训练误差。
例如,假设在一个大型灯泡工厂中,专门有一条生产线负责将氪气充装到灯泡中。在正常运行条件下(例如,环境温度25℃,氪气压力5bar),这个生产线的各项参数如充装速度、充装时间等都被记录下来。然而,当生产线需要对新的灯泡批次进行充装或者生产线速度发生改变时,相应的参数也会被记录下来。所有这些数据构成了的氪气充装控制样例。
现在,假设有100个这样的氪气充装控制样例,并且正在处理第10个氪气充装控制样例。在这个氪气充装控制样例中,有50个不同的数据点,每个数据点代表一次充装过程。
从第一个数据点开始,将其表征特征(可能包括充装速度、氪气压力等)作为标的导向特征。然后,将这个氪气充装控制样例中的其他49个数据点的表征特征视为“目标有效训练数据”。
接着,从剩余的90个样例中选取一些与当前标的导向特征类似的数据点,它们被视为目标干扰训练数据。
然后,会计算标的导向特征与每个目标有效训练数据之间的匹配度,以及标的导向特征与每个目标干扰训练数据之间的匹配度。比如,如果发现一个目标有效训练数据的充装速度与标的导向特征相差无几,那么它们的匹配度就很高。反之,如果一个目标干扰训练数据的充装速度远低于标的导向特征,那么它们的匹配度就较低。通过这些匹配度,可以计算出第一个数据点的过程行为级比较训练误差。假设得到的误差值是0.05。然后,会重复上述步骤,对第10个样例中剩下的49个数据点进行同样的处理,并得到它们各自的过程行为级比较训练误差。
例如,在神经网络训练中,误差通常是指网络预测的输出和实际值之间的差异。过程行为级比较训练误差则可能是指在训练过程中,根据当前样例(标的导向特征)与目标有效训练数据以及目标干扰训练数据之间的匹配度来计算出的误差。
具体计算过程可能如下:
首先,需要定义一个匹配度的度量方式。这可以通过各种方式实现,例如使用欧氏距离、余弦相似性等方法来衡量特征向量之间的相似度。假设选择余弦相似性,其计算公式如下:
cos(θ) =A·B/ (||A|| ||B||)
其中,A和B是两个特征向量,θ是这两个向量之间的夹角。余弦相似性的取值范围是-1到1,值越大表示匹配度越高。
然后,计算标的导向特征与每个目标有效训练数据之间的匹配度。如果有n个目标有效训练数据,将得到n个匹配度值。
接着,同样计算标的导向特征与每个目标干扰训练数据之间的匹配度。如果有m个目标干扰训练数据,将得到m个匹配度值。
最后,计算过程行为级比较训练误差。这个过程行为级比较训练误差可以通过多种方式来计算,一个可能的方法是计算标的导向特征与所有目标有效训练数据的平均匹配度,然后减去它与所有目标干扰训练数据的平均匹配度。即:
过程行为级比较训练误差=(Σ匹配度(标的导向特征,目标有效训练数据[i])/n)-(Σ匹配度(标的导向特征,目标干扰训练数据[j])/m)
其中,i是目标有效训练数据的索引,j是目标干扰训练数据的索引。
这只是一种可能的理解和计算方式,具体的实现可能会根据实际的应用场景和需求进行调整。
最后,当完成了所有50个数据点的处理后,会对这50个误差值进行加权求和,得到第10个样例的总误差。例如,假设得到的总误差值是2.5,那么这个总误差值就代表了第10个氪气充装控制样例所对应的过程行为级比较训练误差。
例如,具体的计算过程可能如下:
首先,有第x个氪气充装控制样例,它包含n个氪气充装控制数据。对于每一个氪气充装控制数据,已经根据前面的步骤计算出了它的过程行为级比较训练误差,假设分别为E1, E2, ..., En。
然后,需要确定每个误差的权重。这些权重可以根据实际情况确定,例如,可以认为所有误差的权重相同,也可以认为某些特定的误差更重要,因此给予它们更大的权重。假设权重分别为w1, w2, ..., wn。
最后,将每个误差与其对应的权重相乘,然后求和,得到第x个氪气充装控制样例的过程行为级比较训练误差。即:
第x个氪气充装控制样例的过程行为级比较训练误差 = Σ (wi x Ei),其中i从1到n。
这就是一种可能的加权计算方式。实际的计算方式可能会根据具体的应用场景和需求进行调整。
这样,就完成了针对一个样例的处理。接下来,会依次处理剩余的90个样例,并得到它们各自的过程行为级比较训练误差。这些误差值都将作为初步训练信息,用于后续的神经网络训练。
在一种可能的实施方式中,所述目标干扰训练数据为所述标的导向特征的难判别干扰训练数据。
步骤S122可以包括:
步骤S1221,在其它氪气充装控制样例中的各个氪气充装控制数据的表征特征中执行至少一轮选择流程。
步骤S1222,每选定到一个表征特征,则将当前选定到的表征特征作为所述标的导向特征的基础干扰训练数据。
步骤S1223,计算所述基础干扰训练数据和所述标的导向特征之间的偏离度,生成第一偏离度。
步骤S1224,计算所述目标有效训练数据和所述标的导向特征之间的偏离度,生成第二偏离度。
步骤S1225,基于所述第一偏离度和所述第二偏离度之间的比较结果,对所述基础干扰训练数据进行难判别干扰训练数据的解析,生成所述标的导向特征的难判别干扰训练数据。
下面是一个具体的场景来说明这个过程:
假设在灯泡工厂中,已经收集了大量的氪气充装控制样例,并且正在处理第10个氪气充装控制样例。在这个氪气充装控制样例中,已经选定了一个氪气充装控制数据作为标的导向特征。
然后,开始从剩余的90个氪气充装控制样例中选取一些数据作为基础干扰训练数据。可能会执行多轮选择流程,每轮都会选定一个数据的表征特征作为基础干扰训练数据。
对于每一个选定的基础干扰训练数据,会计算它与标的导向特征之间的偏离度,生成第一偏离度。这个偏离度可以通过各种方式来计算,例如使用欧氏距离或余弦相似性等方法。
接着,也会计算目标有效训练数据(即第10个样例中除了标的导向特征以外的其他数据)和标的导向特征之间的偏离度,生成第二偏离度。
例如,在计算第一偏离度和第二偏离度时,以下是其中一种可能的计算方式:
设标的导向特征为A,基础干扰训练数据为B,目标有效训练数据为C。
计算第一偏离度:这是基础干扰训练数据B与标的导向特征A之间的偏离度。可以使用欧氏距离来衡量它们之间的差异,其计算公式如下:
第一偏离度 = sqrt(Σ(Ai - Bi)^2),其中Ai和Bi分别是A和B的各个特征值。
计算第二偏离度:这是目标有效训练数据C与标的导向特征A之间的偏离度。同样可以使用欧氏距离来衡量它们之间的差异,其计算公式如下:
第二偏离度 = sqrt(Σ(Ai - Ci)^2),其中Ai和Ci分别是A和C的各个特征值。
以上只是一种可能的计算方式。实际上,可以根据具体需求选择其他的度量方法,例如曼哈顿距离、马氏距离、余弦相似性等。
最后,可以比较第一偏离度和第二偏离度。如果第一偏离度接近或者大于第二偏离度,那么这个基础干扰训练数据就被认为是难判别的,因为它与标的导向特征的差异不小于目标有效训练数据与标的导向特征的差异。这样的数据将被视为难判别干扰训练数据。
通过以上步骤,就从其他氪气充装控制样例中选取出了一些难判别干扰训练数据。这些数据将在后续的训练过程中起到重要作用,帮助模型更好地理解氪气充装过程的复杂性,并提高其预测精度。
在一种可能的实施方式中,在步骤S1225中,如果所述第一偏离度大于所述第二偏离度,则计算所述第一偏离度和所述第二偏离度之间的比较权重,基于所述第一偏离度和所述第二偏离度之间的比较权重,确定训练复杂度更新参数,通过对所述基础干扰训练数据和所述标的导向特征进行特征距离计算,生成所述基础干扰训练数据和所述标的导向特征之间的特征距离,基于所述训练复杂度更新参数,对所述特征距离进行降低,生成降低后的特征距离,在所述标的导向特征上叠加所述降低后的特征距离,生成所述标的导向特征的难判别干扰训练数据,所述训练复杂度更新参数大于所述比较权重且小于基础参数值。
例如,如果第一偏离度(基础干扰训练数据与标的导向特征之间的偏离度)大于第二偏离度(目标有效训练数据与标的导向特征之间的偏离度),这意味着基础干扰训练数据与标的导向特征之间的差异更大。在这种情况下,可以计算第一偏离度和第二偏离度之间的比较权重(例如比值)。然后,基于这个比较权重,确定训练复杂度更新参数。接着,通过对基础干扰训练数据和标的导向特征进行特征距离计算,生成特征距离。基于训练复杂度更新参数,对特征距离进行降低,生成降低后的特征距离。最后,在标的导向特征上叠加降低后的特征距离,生成难判别干扰训练数据。
例如,在这个场景中,基于训练复杂度更新参数对特征距离进行降低,生成降低后的特征距离是为了使网络更难区分标的导向特征和基础干扰训练数据。在此基础上,以上实施例的计算过程如下。
先比较第一偏离度与第二偏离度,得到两者之间的比例。这个比例可以通过直接相除或使用其他方法来计算。
比如偏离度比例 = 第一偏离度 / 第二偏离度
接下来,使用上述的比例来确定训练复杂度更新参数。这可能涉及到使用某种函数或规则,但是在这里暂时假设这个参数等于偏离度比例。
比如:训练复杂度更新参数 = 偏离度比例
现在计算特征距离,并用训练复杂度更新参数来降低它。具体的降低方式可能有多种,但是这里假设通过乘以(1 - 训练复杂度更新参数)来实现。
比如:降低后的特征距离 = 特征距离 x (1 - 训练复杂度更新参数)
最后,在标的导向特征上叠加降低后的特征距离。这可能意味着将降低后的特征距离添加到标的导向特征中。
比如:难判别干扰训练数据 = 标的导向特征 + 降低后的特征距离
以上只是一个基于假设的计算过程,具体的方法可能会因为具体问题的需求和环境而有所不同。
此外,如果所述第一偏离度不大于所述第二偏离度,则将所述基础干扰训练数据作为所述标的导向特征的难判别干扰训练数据。例如,这意味着基础干扰训练数据与标的导向特征之间的差异并不比目标有效训练数据大。在这种情况下,可以直接将基础干扰训练数据作为难判别干扰训练数据。
在一种可能的实施方式中,所述氪气充装控制表达网络通过使用多个训练分组的特征学习样本进行参数更新,所述目标特征学习样本是所述多个训练分组中的非首个训练分组的特征学习样本。
所述基于所述第一偏离度和所述第二偏离度之间的比较权重,确定训练复杂度更新参数,包括:从所述多个训练分组的特征学习样本中确定出先验特征学习样本,所述先验特征学习样本用于表示:在调用所述目标特征学习样本之前在先调用过的特征学习样本。然后,基于各个先验特征学习样本所对应的过程行为级比较训练误差,以及所述第一偏离度和所述第二偏离度之间的比较权重,确定训练复杂度更新参数。
假设在氪气充装控制的环境中,已经收集了一批氪气充装控制样例,并且已经将这些样例分成了五个训练分组。每个训练分组包含多个特征学习样本。
首先,非首个训练分组的特征学习样本被称为目标特征学习样本。例如,如果正在处理第三个训练分组,那么这个分组的所有特征学习样本都是目标特征学习样本。
其次,先于目标特征学习样本调用的样本被定义为先验特征学习样本。在这个例子中,第一和第二训练分组的所有特征学习样本就是先验特征学习样本。
对于每一个先验特征学习样本,已经计算出了它们与标的导向特征之间的过程行为级比较训练误差(假设为E1, E2...)。
然后,已经计算出了基础干扰训练数据与标的导向特征之间的第一偏离度,以及目标有效训练数据与标的导向特征之间的第二偏离度。
接下来,需要确定训练复杂度更新参数。这个参数可能会影响到模型训练过程中的学习率、正则化强度等因素。具体的确定方式可能根据实际需求有所不同,但一个可能的方法是基于第一偏离度和第二偏离度之间的比较权重(假设为W),以及各个先验特征学习样本的过程行为级比较训练误差。例如,可以通过以下公式计算:
训练复杂度更新参数 = Σ(Wi x Ei),其中i从1到n。
在这个公式中,Wi表示第一偏离度和第二偏离度之间的比较权重,Ei表示各个先验特征学习样本的过程行为级比较训练误差。
在一种可能的实施方式中,所述深度训练信息包括:所述每个氪气充装控制样例所对应的控制变量级比较训练误差。
步骤S130可以包括:
步骤S131,将第x个氪气充装控制样例的表征特征作为初始导向特征,x不大于所述目标特征学习样本中的氪气充装控制样例的全局数量。
步骤S132,将所述第x个氪气充装控制样例所对应的控制变量集合中的各个控制变量的表征特征,确定为所述初始导向特征的初始有效训练数据。
步骤S133,获取先验控制特征库,所述先验控制特征库中包括至少一个控制状态的控制变量,并依据所述第x个氪气充装控制样例所对应的控制变量集合,从所述先验控制特征库中的各个控制变量的表征特征中,提取出所述初始导向特征的至少一个初始干扰训练数据。
步骤S134,基于所述初始导向特征和每个初始有效训练数据之间的匹配度,以及所述初始导向特征和每个初始干扰训练数据之间的匹配度,确定所述第x个氪气充装控制样例所对应的控制变量级比较训练误差。
本实施例中,控制变量指的是系统操作过程中可以调节的参数。表征特征则可能是从这些控制变量或者整个系统的行为中提取出来用于描述其状态的特征。
设想正在管理一个氪气充装系统,收集了一些氪气充装控制样例进行训练。每个氪气充装控制样例都有一组控制变量,如氪气压力、温度和流速等,并且这些控制变量的某种组合形态或者说表征特征被记录下来。
首先,选择第x个氪气充装控制样例的表征特征作为初始导向特征。例如,假设选择的是第三个氪气充装控制样例(x=3),那么这个氪气充装控制样例的表征特征就是初始导向特征。
接着,将第x个氪气充装控制样例所对应的控制变量集合的表征特征确定为初始有效训练数据。例如,这可能包括氪气压力为1.5 bar、温度为300 K和流速为2 m/s这样的一组表征特征。
获取先验控制特征库,这个先验控制特征库包含至少一个控制状态的控制变量的表征特征。然后,根据第x个氪气充装控制样例所对应的控制变量集合,从先验控制特征库中提取出初始导向特征的至少一个初始干扰训练数据。
最后,基于初始导向特征和每个初始有效训练数据之间的匹配度,以及初始导向特征和每个初始干扰训练数据之间的匹配度,确定第x个氪气充装控制样例所对应的控制变量级比较训练误差。这可能是通过计算它们之间的相似性或者距离来得到的。
在这个过程中,控制变量级比较训练就是要找到最佳的控制变量设置(即最优的表征特征),使得系统的实际输出尽可能接近目标输出。而深度训练信息就是在这个过程中产生的,包括每个氪气充装控制样例所对应的控制变量级比较训练误差。
假设有初始导向特征A,初始有效训练数据B,和初始干扰训练数据C。可以计算A与B之间以及A与C之间的欧氏距离:
A与B之间的欧氏距离:D1 = sqrt(Σ(Ai - Bi)^2),其中Ai和Bi分别是A和B的各个特征值。
A与C之间的欧氏距离:D2 = sqrt(Σ(Ai - Ci)^2),其中Ai和Ci分别是A和C的各个特征值。
然后,可以将这些距离的倒数作为匹配度:
A与B之间的匹配度:M1 = 1 / D1
A与C之间的匹配度:M2 = 1 / D2
最后,可以使用A与B之间的匹配度M1减去A与C之间的匹配度M2作为第x个氪气充装控制样例所对应的控制变量级比较训练误差:E = M1 - M2。
在一种可能的实施方式中,所述初始干扰训练数据为所述初始导向特征的难判别干扰训练数据。
步骤S133可以包括:
步骤S1331,依据所述第x个氪气充装控制样例所对应的控制变量集合,从所述先验控制特征库中提取到参考控制变量。所述参考控制变量用于表示:处于所述先验控制特征库中,且未处于所述第x个氪气充装控制样例所对应的控制变量集合发生的所有控制变量。
步骤S1332,从提取到的各个参考控制变量的表征特征中选定到K个表征特征,并依次游走所述K个表征特征,将当前游走的第k个表征特征作为所述初始导向特征的参考干扰训练数据。k属于[1,K]。
步骤S1333,基于所述参考干扰训练数据和所述初始导向特征之间的偏离度,以及所述初始有效训练数据和所述初始导向特征之间的偏离度,对所述参考干扰训练数据进行难判别干扰训练数据的解析,生成所述初始导向特征的难判别干扰训练数据。
以下是一个具体场景来说明这个过程:
假设已经选择了编号为3的氪气充装控制样例作为初始导向特征。
首先,根据第3个氪气充装控制样例所对应的控制变量集合,例如氪气压力、温度和流速等,从先验控制特征库中提取出参考控制变量。这些参考控制变量代表那些存在于先验控制特征库中,但并未出现在第3个样例所对应的控制变量集合中的所有控制变量。
然后,从提取到的各个参考控制变量的表征特征中选定K个表征特征,然后依次游走这K个表征特征。将当前游走的第k个表征特征(k属于[1,K])作为初始导向特征的参考干扰训练数据。例如,可能会选择那些与初始导向特征最相近或最不相近的K个表征特征。
基于参考干扰训练数据和初始导向特征之间的偏离度,以及初始有效训练数据和初始导向特征之间的偏离度,对参考干扰训练数据进行难判别干扰训练数据的解析。例如,可能会计算参考干扰训练数据与初始导向特征之间的欧氏距离作为偏离度,然后根据某种规则(如偏离度大于某个阈值)来确定是否将这个参考干扰训练数据标记为难判别干扰训练数据。
在一种可能的实施方式中,所述初步训练信息包括:所述每个氪气充装控制样例所对应的过程行为级比较训练误差。所述深度训练信息包括:所述每个氪气充装控制样例所对应的控制变量级比较训练误差。
步骤S140可以包括:
步骤S141,加权计算所述初步训练信息中的各个过程行为级比较训练误差,生成所述目标特征学习样本对应的过程行为级比较训练误差。
步骤S142,加权计算所述深度训练信息中的各个控制变量级比较训练误差,生成所述目标特征学习样本对应的控制变量级比较训练误差。
步骤S143,对所述目标特征学习样本对应的过程行为级比较训练误差,和所述目标特征学习样本对应的控制变量级比较训练误差进行相加,生成所述氪气充装控制表达网络的网络训练误差参数。
步骤S144,基于最小化所述网络训练误差参数的训练目标,更新所述氪气充装控制表达网络的网络功能层信息。
例如,以下是一个具体场景来说明这个过程:
在灯泡工厂的背景下,已经收集了一批氪气充装控制样例进行训练。每个样例都有相应的过程行为级比较训练误差(作为初步训练信息)和控制变量级比较训练误差(作为深度训练信息)。
首先,加权计算初步训练信息中的各个过程行为级比较训练误差。例如,如果有三个样例,它们的过程行为级比较训练误差分别为E1, E2, E3,且它们的权重分别为W1, W2,W3,那么目标特征学习样本对应的过程行为级比较训练误差可以计算为:E_behavior =W1xE1 + W2xE2 + W3xE3。
然后,同样地,加权计算深度训练信息中的各个控制变量级比较训练误差。假设这三个样例的控制变量级比较训练误差分别为E4, E5, E6,那么目标特征学习样本对应的控制变量级比较训练误差可以计算为:E_control = W1xE4 + W2xE5 + W3xE6。
接下来,将目标特征学习样本对应的过程行为级比较训练误差和控制变量级比较训练误差进行相加,生成氪气充装控制表达网络的网络训练误差参数:E_total = E_behavior + E_control。
最后,基于最小化网络训练误差参数的训练目标,更新氪气充装控制表达网络的网络功能层信息。具体的更新方式可能依赖于选择的优化算法,例如梯度下降或者Adam等。在每一步更新中,都会根据网络训练误差参数的梯度来调整网络功能层的参数,以使得网络训练误差参数尽可能地减小。
在一种可能的实施方式中,所述氪气充装控制表达网络包括控制状态迁移网络。
步骤S143还可以包括:
步骤S1431,对所述目标特征学习样本对应的过程行为级比较训练误差,和所述目标特征学习样本对应的控制变量级比较训练误差进行相加,生成目标比较训练误差。
步骤S1432,运行所述氪气充装控制表达网络中的控制状态迁移网络,分别基于每个氪气充装控制样例中的目标控制状态的氪气充装控制数据的表征特征,将相应的目标控制状态的氪气充装控制数据表示为迁移控制状态的氪气充装控制数据,生成每个氪气充装控制样例所对应的控制状态迁移结果。
例如,在这个步骤中,通过运行氪气充装控制表达网络中的一个特殊组件——控制状态迁移网络,可以模拟系统状态的迁移变化,将目标控制状态的氪气充装控制数据表示为迁移控制状态的氪气充装控制数据。
那么,对于每个氪气充装控制样例,首先需要获取其目标控制状态的氪气充装控制数据的表征特征。例如,如果目标控制状态是氪气压力为1.5 bar、温度为300 K和流速为2 m/s,那么这些数值就构成了输入数据。
然后将这些输入数据传入控制状态迁移网络。这个网络可以是任何能够处理这种类型数据的模型,例如神经网络、随机森林等。该网络的输出应该是对应的迁移控制状态的氪气充装控制数据,也就是系统在经过一段时间后,预计会达到的控制状态。
得到网络输出后,即得到了每个氪气充装控制样例所对应的控制状态迁移结果。这个结果是网络预测的,表示如果按照目标控制状态操作氪气充装系统,系统在经过一段时间后会达到的状态。
步骤S1433,基于每个氪气充装控制样例所对应的控制状态迁移结果和相应氪气充装控制样例中的迁移控制状态的氪气充装控制数据,确定所述氪气充装控制表达网络的控制状态迁移误差。
步骤S1434,对所述目标比较训练误差和所述控制状态迁移误差进行相加,生成所述氪气充装控制表达网络的网络训练误差参数。
譬如,在一种可能的实施方式中,训练完成的氪气充装控制表达网络被作为氪气充装故障诊断网络中的特征提取器,所述氪气充装故障诊断网络还包括分类器。
步骤S140还可以包括:
步骤S145,获取所述氪气充装故障诊断网络的故障学习数据序列,所述故障学习数据序列中包括:M个第一故障学习数据以及L个第二故障学习数据,M和L均为正整数,且M>L。
步骤S146,基于所述M个第一故障学习数据循环优化所述氪气充装故障诊断网络中的分类器,并在每次优化所述分类器时,锁定所述特征提取器。
步骤S147,在使用了所述M个第一故障学习数据后,基于所述L个第二故障学习数据循环优化所述氪气充装故障诊断网络中的分类器和特征提取器,生成训练完成的氪气充装故障诊断网络。
步骤S148,调用所述氪气充装故障诊断网络对任意目标氪气充装控制数据进行氪气充装故障诊断。
在这个过程中,已经训练完成的氪气充装控制表达网络被用作氪气充装故障诊断网络中的特征提取器,然后通过使用故障学习数据对其进行进一步训练。以下是具体实现的一个可能场景:
假设正在管理一个灯泡工厂的氪气充装系统,为了更好地检测和预防故障,决定建立一个氪气充装故障诊断网络。
首先,会获取故障学习数据序列。这些故障学习数据序列包括M个第一故障学习数据和L个第二故障学习数据,其中第一故障学习数据可能是正常操作下的数据,而第二故障学习数据可能是系统出现故障时的数据。
接着,基于M个第一故障学习数据,开始循环优化氪气充装故障诊断网络中的分类器,例如支持向量机或者神经网络。在这个阶段,保持特征提取器(即之前训练完成的氪气充装控制表达网络)参数不变,只优化分类器的参数。
完成上述步骤后,开始基于L个第二故障学习数据,循环优化氪气充装故障诊断网络中的分类器和特征提取器。这一步旨在让网络更好地理解和捕获出现故障时的特征。
经过上述步骤后,得到了训练完成的氪气充装故障诊断网络。接下来,可以调用这个网络对任意目标氪气充装控制数据进行氪气充装故障诊断。例如,当新的氪气充装数据来临时,可以将其输入到网络中,然后网络会输出一个预测结果,告诉系统是否可能存在故障。
这就是如何基于训练完成的氪气充装控制表达网络生成氪气充装故障诊断网络,以及如何调用这个网络对任意目标氪气充装控制数据进行氪气充装故障诊断的过程。
训练完成的氪气充装控制表达网络包括控制状态迁移网络,每个第一故障学习数据均包括目标控制状态的氪气充装控制数据以及相应氪气充装控制数据的故障标注属性。故障标注属性可以用于表示相应氪气充装控制数据的故障类别。
步骤S146可以包括:
步骤S1461,运行所述氪气充装故障诊断网络中的特征提取器,对第m个第一故障学习数据中的目标控制状态的氪气充装控制数据进行控制状态迁移处理,生成迁移控制状态的目标氪气充装控制数据,m∈[1,M]。
例如,如果第一个第一故障学习数据表示的目标控制状态是氪气压力为1.5 bar、温度为300 K和流速为2 m/s,那么特征提取器可能会预测出,在这样的操作条件下,系统在经过一段时间后会达到的状态(即迁移控制状态的目标氪气充装控制数据)。
步骤S1462,获取所述目标氪气充装控制数据的表征特征,以及运行所述氪气充装故障诊断网络中的分类器对所述目标氪气充装控制数据进行故障诊断,生成多个故障诊断表征特征,一个故障诊断表征特征用于确定一个故障诊断结果。
例如,这些故障诊断表征特征可能包括氪气压力、温度和流速等在预期故障模式下可能出现的异常变化。每一个故障诊断表征特征都对应一个可能的故障诊断结果。
步骤S1463,基于特征遍历融合操作,将所述目标氪气充装控制数据的表征特征分别融合到每个故障诊断表征特征上,生成多个融合后的故障诊断表征特征,所述特征遍历融合操作用于表示:将两个表征特征中处于同一特征节点处的特征矢量进行融合的操作。
例如,如果目标氪气充装控制数据的表征特征表示氪气压力为1.5 bar、温度为300 K和流速为2 m/s,而某个故障诊断表征特征表示氪气压力降低、温度升高和流速增加,那么融合后的故障诊断表征特征可能会包含这两种信息。
步骤S1464,基于所述多个融合后的故障诊断表征特征,生成等待生成的多个故障诊断结果,一个故障诊断结果为一个氪气充装控制数据对应的故障预测属性。
步骤S1465,基于每个故障诊断结果的表征特征和所述目标氪气充装控制数据的表征特征之间的匹配度,分别确定所述每个故障诊断结果的分类置信度。
例如,如果某个故障诊断结果的表征特征与目标氪气充装控制数据的表征特征非常接近,那么这个故障诊断结果的分类置信度可能会很高。
步骤S1466,基于所述每个故障诊断结果的分类置信度,从所述多个故障诊断结果中选取一个故障诊断结果进行输出。
步骤S1461,依据输出的故障诊断结果和所述第m个第一故障学习数据中的故障标注属性,优化所述氪气充装故障诊断网络中的分类器。
例如,如果输出的故障诊断结果与故障标注属性不一致,可能会调整分类器的参数以减小这种差异。
基于以上步骤,通过基于实际操作数据(即第一故障学习数据)进行训练和优化,氪气充装故障诊断网络能更准确地诊断出潜在的故障,从而提早发现问题,避免可能导致的设备损坏或生产中断。通过融合多个表征特征和利用分类置信度来选择最终的故障诊断结果,该方法可以有效地减少误判,提高故障诊断的精度。由于使用了控制状态迁移网络和特征提取器,这个系统能够适应不同的操作条件,具有很好的泛化能力。同时,由于对分类器进行了持续优化,该系统也能适应新的故障模式。依据输出的故障诊断结果和真实的故障标注属性进行优化,使得该系统能够持续学习和改进。此外,如果需要处理新的故障类型或者新的操作条件,只需要收集相应的数据并进行训练即可。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的故障诊断系统100。
对于一个实施例,图2示出了故障诊断系统100,该故障诊断系统100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中,故障诊断系统100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中,故障诊断系统100可包括具有指令114的多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为故障诊断系统100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DKAM。一些可替代的实施方式中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例,控制模块104可包括多个输入/输出控制器,以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为故障诊断系统100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为故障诊断系统100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为故障诊断系统100提供接口以依据多个网络通信,故障诊断系统100可依据多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信,例如接入依据通信标准的无线网络,如WxFx、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上系统。
在各个实施例中,故障诊断系统100可以但不限于是:台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,故障诊断系统100可具有更多或更少的组件和/或不同的架构。例如,一些可替代的实施方式中,故障诊断系统100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种应用于氪气充装控制系统的故障诊断方法,其特征在于,应用于故障诊断系统,所述方法包括:
采集氪气充装控制表达网络的目标特征学习样本,所述目标特征学习样本包括多个氪气充装控制样例,每个氪气充装控制样例包括目标控制状态的氪气充装控制数据和迁移控制状态的氪气充装控制数据,同一个氪气充装控制样例中的各个氪气充装控制数据之间存在控制特征一致性,所述每个氪气充装控制样例均配置有一个控制变量集合,任一控制变量集合包括相应氪气充装控制样例在系统运行事件发生的所有控制变量;
运行所述氪气充装控制表达网络,提取所述每个氪气充装控制样例中的各个氪气充装控制数据的表征特征,并分别对所述每个氪气充装控制样例中的各个氪气充装控制数据的表征特征进行过程行为级比较训练,生成初步训练信息;
运行所述氪气充装控制表达网络提取所述每个氪气充装控制样例的表征特征,并分别对所述每个氪气充装控制样例的表征特征和相应控制变量集合中的各个控制变量的表征特征进行控制变量级比较训练,生成深度训练信息;
基于所述初步训练信息和所述深度训练信息,对所述氪气充装控制表达网络进行训练,并基于训练完成的氪气充装控制表达网络生成氪气充装故障诊断网络后,调用所述氪气充装故障诊断网络对任意目标氪气充装控制数据进行氪气充装故障诊断。
2.根据权利要求1所述的应用于氪气充装控制系统的故障诊断方法,其特征在于,所述初步训练信息包括:所述每个氪气充装控制样例所对应的过程行为级比较训练误差;
所述分别对所述每个氪气充装控制样例中的各个氪气充装控制数据的表征特征进行过程行为级比较训练,生成初步训练信息,包括:
游走第x个氪气充装控制样例中的各个氪气充装控制数据,并将当前游走的氪气充装控制数据的表征特征作为标的导向特征;x不大于所述目标特征学习样本中的氪气充装控制样例的全局数量;
将所述第x个氪气充装控制样例中除所述当前游走的氪气充装控制数据以外的其它氪气充装控制数据的表征特征,确定为所述标的导向特征的目标有效训练数据,并从其它氪气充装控制样例中的各个氪气充装控制数据的表征特征中,提取出所述标的导向特征的至少一个目标干扰训练数据;所述其它氪气充装控制样例包括:所述目标特征学习样本中除所述第x个氪气充装控制样例以外的氪气充装控制样例;
基于所述标的导向特征和所述目标有效训练数据之间的匹配度,以及所述标的导向特征和每个目标干扰训练数据之间的匹配度,计算所述当前游走的氪气充装控制数据所对应的过程行为级比较训练误差;
在所述第x个氪气充装控制样例中的各个氪气充装控制数据均被游走后,对所述第x个氪气充装控制样例中的各个氪气充装控制数据所对应的过程行为级比较训练误差进行加权计算,生成所述第x个氪气充装控制样例所对应的过程行为级比较训练误差。
3.根据权利要求2所述的应用于氪气充装控制系统的故障诊断方法,其特征在于,所述目标干扰训练数据为所述标的导向特征的难判别干扰训练数据;
所述从其它氪气充装控制样例中的各个氪气充装控制数据的表征特征中,提取出所述标的导向特征的至少一个目标干扰训练数据,包括:
在其它氪气充装控制样例中的各个氪气充装控制数据的表征特征中执行至少一轮选择流程;
每选定到一个表征特征,则将当前选定到的表征特征作为所述标的导向特征的基础干扰训练数据;
计算所述基础干扰训练数据和所述标的导向特征之间的偏离度,生成第一偏离度;
计算所述目标有效训练数据和所述标的导向特征之间的偏离度,生成第二偏离度;
基于所述第一偏离度和所述第二偏离度之间的比较结果,对所述基础干扰训练数据进行难判别干扰训练数据的解析,生成所述标的导向特征的难判别干扰训练数据。
4.根据权利要求3所述的应用于氪气充装控制系统的故障诊断方法,其特征在于,所述基于所述第一偏离度和所述第二偏离度之间的比较结果,对所述基础干扰训练数据进行难判别干扰训练数据的解析,生成所述标的导向特征的难判别干扰训练数据,包括:
如果所述第一偏离度大于所述第二偏离度,则计算所述第一偏离度和所述第二偏离度之间的比较权重,基于所述第一偏离度和所述第二偏离度之间的比较权重,确定训练复杂度更新参数,通过对所述基础干扰训练数据和所述标的导向特征进行特征距离计算,生成所述基础干扰训练数据和所述标的导向特征之间的特征距离,基于所述训练复杂度更新参数,对所述特征距离进行降低,生成降低后的特征距离,在所述标的导向特征上叠加所述降低后的特征距离,生成所述标的导向特征的难判别干扰训练数据,所述训练复杂度更新参数大于所述比较权重且小于基础参数值;
如果所述第一偏离度不大于所述第二偏离度,则将所述基础干扰训练数据作为所述标的导向特征的难判别干扰训练数据。
5.根据权利要求4所述的应用于氪气充装控制系统的故障诊断方法,其特征在于,所述氪气充装控制表达网络通过使用多个训练分组的特征学习样本进行参数更新,所述目标特征学习样本是所述多个训练分组中的非首个训练分组的特征学习样本;
所述基于所述第一偏离度和所述第二偏离度之间的比较权重,确定训练复杂度更新参数,包括:
从所述多个训练分组的特征学习样本中确定出先验特征学习样本,所述先验特征学习样本用于表示:在调用所述目标特征学习样本之前在先调用过的特征学习样本;
基于各个先验特征学习样本所对应的过程行为级比较训练误差,以及所述第一偏离度和所述第二偏离度之间的比较权重,确定训练复杂度更新参数。
6.根据权利要求1所述的应用于氪气充装控制系统的故障诊断方法,其特征在于,所述深度训练信息包括:所述每个氪气充装控制样例所对应的控制变量级比较训练误差;
所述分别对所述每个氪气充装控制样例的表征特征和相应控制变量集合中的各个控制变量的表征特征进行控制变量级比较训练,生成深度训练信息,包括:
将第x个氪气充装控制样例的表征特征作为初始导向特征,x不大于所述目标特征学习样本中的氪气充装控制样例的全局数量;
将所述第x个氪气充装控制样例所对应的控制变量集合中的各个控制变量的表征特征,确定为所述初始导向特征的初始有效训练数据;
获取先验控制特征库,所述先验控制特征库中包括至少一个控制状态的控制变量,并依据所述第x个氪气充装控制样例所对应的控制变量集合,从所述先验控制特征库中的各个控制变量的表征特征中,提取出所述初始导向特征的至少一个初始干扰训练数据;
基于所述初始导向特征和每个初始有效训练数据之间的匹配度,以及所述初始导向特征和每个初始干扰训练数据之间的匹配度,确定所述第x个氪气充装控制样例所对应的控制变量级比较训练误差。
7.根据权利要求6所述的应用于氪气充装控制系统的故障诊断方法,其特征在于,所述初始干扰训练数据为所述初始导向特征的难判别干扰训练数据;
所述依据所述第x个氪气充装控制样例所对应的控制变量集合,从所述先验控制特征库中的各个控制变量的表征特征中,提取出所述初始导向特征的至少一个初始干扰训练数据,包括:
依据所述第x个氪气充装控制样例所对应的控制变量集合,从所述先验控制特征库中提取到参考控制变量;所述参考控制变量用于表示:处于所述先验控制特征库中,且未处于所述第x个氪气充装控制样例所对应的控制变量集合发生的所有控制变量;
从提取到的各个参考控制变量的表征特征中选定到K个表征特征,并依次游走所述K个表征特征,将当前游走的第k个表征特征作为所述初始导向特征的参考干扰训练数据;k属于[1,K];
基于所述参考干扰训练数据和所述初始导向特征之间的偏离度,以及所述初始有效训练数据和所述初始导向特征之间的偏离度,对所述参考干扰训练数据进行难判别干扰训练数据的解析,生成所述初始导向特征的难判别干扰训练数据。
8.根据权利要求1所述的应用于氪气充装控制系统的故障诊断方法,其特征在于,所述初步训练信息包括:所述每个氪气充装控制样例所对应的过程行为级比较训练误差;所述深度训练信息包括:所述每个氪气充装控制样例所对应的控制变量级比较训练误差;
所述基于所述初步训练信息和所述深度训练信息,对所述氪气充装控制表达网络进行训练,包括:
加权计算所述初步训练信息中的各个过程行为级比较训练误差,生成所述目标特征学习样本对应的过程行为级比较训练误差;
加权计算所述深度训练信息中的各个控制变量级比较训练误差,生成所述目标特征学习样本对应的控制变量级比较训练误差;
对所述目标特征学习样本对应的过程行为级比较训练误差,和所述目标特征学习样本对应的控制变量级比较训练误差进行相加,生成所述氪气充装控制表达网络的网络训练误差参数;
基于最小化所述网络训练误差参数的训练目标,更新所述氪气充装控制表达网络的网络功能层信息。
9.根据权利要求8所述的应用于氪气充装控制系统的故障诊断方法,其特征在于,所述氪气充装控制表达网络包括控制状态迁移网络;
所述对所述目标特征学习样本对应的过程行为级比较训练误差,和所述目标特征学习样本对应的控制变量级比较训练误差进行相加,生成所述氪气充装控制表达网络的网络训练误差参数,包括:
对所述目标特征学习样本对应的过程行为级比较训练误差,和所述目标特征学习样本对应的控制变量级比较训练误差进行相加,生成目标比较训练误差;
运行所述氪气充装控制表达网络中的控制状态迁移网络,分别基于每个氪气充装控制样例中的目标控制状态的氪气充装控制数据的表征特征,将相应的目标控制状态的氪气充装控制数据表示为迁移控制状态的氪气充装控制数据,生成每个氪气充装控制样例所对应的控制状态迁移结果;
基于每个氪气充装控制样例所对应的控制状态迁移结果和相应氪气充装控制样例中的迁移控制状态的氪气充装控制数据,确定所述氪气充装控制表达网络的控制状态迁移误差;
对所述目标比较训练误差和所述控制状态迁移误差进行相加,生成所述氪气充装控制表达网络的网络训练误差参数。
10.一种故障诊断系统,其特征在于,所述故障诊断系统包括处理器和机器可读存储介质,该机器可读存储介质中存储有机器可执行指令,该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项所述的应用于氪气充装控制系统的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443659.XA CN117170349B (zh) | 2023-11-02 | 2023-11-02 | 应用于氪气充装控制系统的故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443659.XA CN117170349B (zh) | 2023-11-02 | 2023-11-02 | 应用于氪气充装控制系统的故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117170349A true CN117170349A (zh) | 2023-12-05 |
CN117170349B CN117170349B (zh) | 2024-02-27 |
Family
ID=88941569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311443659.XA Active CN117170349B (zh) | 2023-11-02 | 2023-11-02 | 应用于氪气充装控制系统的故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117170349B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117519052A (zh) * | 2023-12-12 | 2024-02-06 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040094579A1 (en) * | 2001-05-10 | 2004-05-20 | Tatsuo Tsutsui | Gas injection valve, and injection jig used for gas injection |
JP2005309616A (ja) * | 2004-04-19 | 2005-11-04 | Mitsubishi Electric Corp | 設備機器故障診断システム及び故障診断ルール作成方法 |
CN109341887A (zh) * | 2018-11-27 | 2019-02-15 | 国网重庆市电力公司电力科学研究院 | 一种gis隔离开关外壳温度监测试验装置 |
CN111207294A (zh) * | 2020-01-08 | 2020-05-29 | 上海正帆科技股份有限公司 | 一种气体增压充装系统及增压充装方法 |
US20200189898A1 (en) * | 2017-05-22 | 2020-06-18 | Alexandra Theopold | Container handling machine, such as a container filling machine or container closing machine, and a method of operation thereof |
CN210885314U (zh) * | 2019-09-25 | 2020-06-30 | 博纯材料股份有限公司 | 一种氪气提纯用压缩装置 |
US20220016571A1 (en) * | 2020-07-16 | 2022-01-20 | Invacare Corporation | System and Method for Concentrating Gas |
-
2023
- 2023-11-02 CN CN202311443659.XA patent/CN117170349B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040094579A1 (en) * | 2001-05-10 | 2004-05-20 | Tatsuo Tsutsui | Gas injection valve, and injection jig used for gas injection |
JP2005309616A (ja) * | 2004-04-19 | 2005-11-04 | Mitsubishi Electric Corp | 設備機器故障診断システム及び故障診断ルール作成方法 |
US20200189898A1 (en) * | 2017-05-22 | 2020-06-18 | Alexandra Theopold | Container handling machine, such as a container filling machine or container closing machine, and a method of operation thereof |
CN109341887A (zh) * | 2018-11-27 | 2019-02-15 | 国网重庆市电力公司电力科学研究院 | 一种gis隔离开关外壳温度监测试验装置 |
CN210885314U (zh) * | 2019-09-25 | 2020-06-30 | 博纯材料股份有限公司 | 一种氪气提纯用压缩装置 |
CN111207294A (zh) * | 2020-01-08 | 2020-05-29 | 上海正帆科技股份有限公司 | 一种气体增压充装系统及增压充装方法 |
US20220016571A1 (en) * | 2020-07-16 | 2022-01-20 | Invacare Corporation | System and Method for Concentrating Gas |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117519052A (zh) * | 2023-12-12 | 2024-02-06 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
CN117519052B (zh) * | 2023-12-12 | 2024-05-28 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117170349B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210110262A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
CN117170349B (zh) | 应用于氪气充装控制系统的故障诊断方法及系统 | |
US11099486B2 (en) | Generating predicted data for control or monitoring of a production process | |
Kim et al. | Machine learning-based novelty detection for faulty wafer detection in semiconductor manufacturing | |
CN109991951B (zh) | 多源故障检测与诊断方法和装置 | |
US7953577B2 (en) | Method and apparatus for improved fault detection in power generation equipment | |
US11448570B2 (en) | Method and system for unsupervised anomaly detection and accountability with majority voting for high-dimensional sensor data | |
US9934351B2 (en) | Wafer point by point analysis and data presentation | |
CN108958226A (zh) | 基于生存信息势—主成分分析算法的te过程故障检测方法 | |
KR20210085315A (ko) | 딥러닝 기반 발전소의 출력 값 예측 방법 및 이를 수행하는 시스템 | |
CN115453356A (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
CN111832693A (zh) | 神经网络层运算、模型训练方法、装置及设备 | |
US20230384770A1 (en) | Calculation device and method for extracting feature of measurement data by using same | |
US9852371B2 (en) | Using radial basis function networks and hyper-cubes for excursion classification in semi-conductor processing equipment | |
CN113392857B (zh) | 基于yolo网络的目标检测方法、装置和设备终端 | |
EP4068137B1 (en) | Apparatus and method for optimizing control parameter of solder printing apparatus | |
CN117572159B (zh) | 基于大数据分析的电力故障检测方法及系统 | |
CN117556331B (zh) | 基于ai增强的空压机维护决策方法及系统 | |
CN115908574B (zh) | 基于无人机监测的河堤侵占定位推送方法及系统 | |
CN117420809B (zh) | 基于人工智能的曲轴加工优化决策方法及系统 | |
CN116541794B (zh) | 一种基于自适应图注意网络的传感器数据异常检测方法 | |
CN113094351B (zh) | 一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质 | |
EP4379671A1 (en) | Assessment of input-output datasets using local complexity values and associated data structure | |
KR20240058139A (ko) | 에러 요인 추정 장치, 에러 요인 추정 방법 및 컴퓨터 가독 매체 | |
JP2023033141A (ja) | データ探索方法及び装置 |
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 |