CN106934560A - 一种废旧导轨再制造过程质量异常识别方法 - Google Patents
一种废旧导轨再制造过程质量异常识别方法 Download PDFInfo
- Publication number
- CN106934560A CN106934560A CN201710227681.9A CN201710227681A CN106934560A CN 106934560 A CN106934560 A CN 106934560A CN 201710227681 A CN201710227681 A CN 201710227681A CN 106934560 A CN106934560 A CN 106934560A
- Authority
- CN
- China
- Prior art keywords
- formula
- matrix
- sigma
- guide rail
- theta
- 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 70
- 239000002699 waste material Substances 0.000 title claims abstract description 30
- 230000005856 abnormality Effects 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 230000002547 anomalous effect Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 3
- 238000005253 cladding Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000005187 foaming Methods 0.000 claims description 2
- 240000007594 Oryza sativa Species 0.000 claims 1
- 235000007164 Oryza sativa Nutrition 0.000 claims 1
- 235000009566 rice Nutrition 0.000 claims 1
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种废旧导轨再制造过程质量异常识别方法,尤其是小样本条件下再制造过程质量异常识别方法,主要解决由于再制造过程质量样本少而导致的过程质量异常识别不准确的问题。首先,收集不同故障类型的少量再制造质量数据,并进行建模,求得各自的特征子空间矩阵;其次,采集废旧导轨再制造过程实时的质量数据;最后,检测到再制造过程质量异常时,提取故障数据,通过实时的再制造过程质量异常数据与不同异常类型的特征子空间矩阵进行比较,与哪种异常数据相似最高,说明为哪一种质量异常类型。本发明通过将CS贝叶斯分布空间思想,将特征子空间矩阵引入传统的PCA的方法,从而能实现在小样本条件下废旧导轨再制造过程质量异常识别。
Description
技术领域
本发明涉及一种废旧导轨再制造过程质量异常识别方法,尤其是小样本条件下再制造过程质量异常识别方法。
背景技术
废旧机床是一种典型的废旧机电产品,具有极高的回收价值,机床再制造可实现设备材料资源循环利用率为80%左右,机床能效提升平均为20%左右,可降低噪声10%以上,油雾、油污、粉尘等现场环境污染排放减少90%以上。我国机床保有量世界第一,达到800多万台,60%以上的机床的使用期超过10年,机床加工性能和信息化水平比较落后,未来十年内一大批机床将报废或者淘汰。
机床再制造基本都是根据客户要求定制的产品或者是机床集团回收一部分废旧机床进行再制造,最终将再制造租赁出去。所以,每一批次生产的数量有限,再制造过程的数据样本较少。因此,如何在小样本条件下,选取一种合适的方法,实现废旧导轨再制造过程质量异常识别对于再制造过程至关重要。
发明内容
针对废旧导轨再制造过程样本少的问题,本发明的目的在于提供一种废旧导轨再制造过程质量异常识别方法,实现其再制造过程质量异常识别,保证再制造过程的顺利进行,从而提高再制造过程的质量水平。
本发明解决其技术问题所采用的技术方案如下:
一种废旧导轨再制造过程质量异常识别方法,首先,收集不同故障类型的少量再制造质量数据,并进行建模,求得各自的特征子空间矩阵;其次,采集废旧导轨再制造过程实时的质量数据;最后,检测到再制造过程质量异常时,提取故障数据,通过实时的再制造过程质量异常数据与不同异常类型的特征子空间矩阵进行比较,与哪种异常数据相似最高,说明为哪一种质量异常类型;其中,质量异常识别模型的建立与实现,包括如下步骤:
步骤1:废旧导轨再制造过程质量异常识别模型的构建
对于多变量的***,用n维数据描述如式(1):
X=[x(1),x(2),…,x(m)] (1)
式中x(t)=[x1(t),x2(t),…,xn(t)]T(t=1,2,…,m)为x的第t次采样值,n为再制造***变量的个数,m为样本个数;
随机矩阵X∈Rn×m的协方差矩阵ΣX如式(2):
通过求解式(3):
(λi-ΣX)Bi=0,i=1,2,…,n (3)
求得矩阵ΣX的特征值λi和特征矩阵Bi=[Bi1,Bi2,…,Bin],且有式(4):
假定n个特征值满足λ1≥λ2≥…≥λn,同时得随机矩阵M=BTX;由于矩阵B是为正交矩阵,所以求解X的统计特征就转化成求解M的统计特征;
选取前s个主元来代表数据中的主要变化,分解后如式(5):
式中:表示主元模型;E表示建模误差;
从主元分析法中公式(5)中的由***噪声引起的建模误差E满足高斯分布,因此得到在条件B和M下X的概率密度函数如式(6)所示:
因为随机矩阵M满足统一的先验分布,即π(M)∝1,所以由式(6)得到式(7),即得到在条件B下X的概率密度函数:
由式(7)得出,X的概率密度此时主要受映射矩阵W=BBT的影响,假设矩阵W满足冯·米塞斯-费舍尔分布;
由于矩阵B是正交矩阵,对其进行CS贝叶斯分解,具体模型如式(8):
式中:V1和Z为s×s正交矩阵,V2为(n-s)×s半正交矩阵(V2 TV2=IS)
C=diag{cosθ1,cosθ2,…,cosθS} (9)
s=diag{sinθ1,sinθ2,…,sinθS} (10)
θi表示主元坐标与空间基坐标之间主元的角度,空间基坐标为由式(8)、式(9)、式(10)看出,各主元与基坐标之间的角度决定特征子空间矩阵B所在的空间位置,这点恰恰符合主元分析法的几何意义;
将CS分解贝叶斯空间思想概念引入主元分析法中,将式(8)代入式(7)得到式(11):
矩阵X分解成由式(7)得到式(12):
由式(6)、式(11)以及式(12)求得V1、V2和θ的后验概率分布函数如式(13):
式中,θ=[θ1,θ2,…,θS];σ由信噪比求得,即
V1、V2和θ的边缘概率分布由式(13)求得,分别如式(14)、式(15)、式(16)所示:
式(14)、式(15)满足冯·米塞斯-费舍尔分布,式(16)中:θmac表示主元与基坐标的所有夹角的最大值;αi表示βi表示γi表示式(16)不属于目前已知的任何分布,很难求得;所以,将其转化为已知的分布,设将式(16)转化为式(17):
式中,此时的式(17)类似于贝塔分布:
此时,ci和di分别取
ci=0.5+0.25max{0,βi}-0.25min{0,αi-γi}
di=0.5+0.25max{0,βi}+0.25min{0,αi-γi}
式(17)取得近似值;
步骤2:废旧导轨再制造过程质量异常识别的实现
基于上述的算法与条件,通过下述的算法来计算随机抽样所得的特征子空间矩阵B(n);
输入:任意初始变量V1 (0),V2 (0),θ(0)
(1):for n=1,2,…,Nb+Ni;
(2):根据式(14),通过吉布斯采样获得V1 (n);
(3):根据式(15),通过吉布斯采样获得V2 (n);
(4):通过吉布斯采样获得角度θ(n);
(5):for i=1,2,…,s;
(6):在中的值,令为初始值,设
(7):for u=1,2,…,q;
(8):从中获得
(9):当时,其概率分布如式(17)所示;
(10):end for;
(11):
(12):end for;
(13):end for;
输出:计算得出一组随机矩阵
由上述的矩阵B(n)估计特征子空间矩阵:
式中,Ps表示s个主元向量;
采用特征子空间矩阵的相似性对异常类型进行识别,矩阵相似度函数如式(18):
式中,ζu表示加权系数,代表不同方向主元的重要性,且 相似度函数表示两个矩阵在s个投影方向夹角余弦值的加权和;因为ζu<1,所以0<di≤1;所得值越接近1,说明两个矩阵相似度越好。
所述的废旧导轨再制造过程质量异常识别方法,导轨再制造过程中有四类质量异常类型,分别为起泡、镀层部分剥离、拱曲形状或凹状以及砂眼。
本发明的优点及有益效果是:
本发明废旧导轨再制造过程质量异常识别方法,主要解决由于再制造过程质量样本少而导致的过程质量异常识别不准确的问题,通过将CS贝叶斯分布空间思想,将特征子空间矩阵引入传统主成分分析(Principal Component Analysis,PCA)的方法,解决传统PCA需要大样本的问题,从而能实现在小样本条件下废旧导轨再制造过程质量异常识别。
附图说明
图1为再制造过程异常源识别图。
具体实施方式
在具体实施过程中,本发明废旧导轨再制造过程质量异常识别方法,从废旧导轨再制造过程质量样本少的问题出发,构造了基于改进PCA的再制造过程质量异常识别方法,质量异常识别模型的建立与实现具体步骤如下:
步骤1:废旧导轨再制造过程质量异常识别模型的构建
对于多变量的***,用n维数据描述如式(1):
X=[x(1),x(2),…,x(m)] (1)
式中x(t)=[x1(t),x2(t),…,xn(t)]T(t=1,2,…,m)为x的第t次采样值,n为再制造***变量的个数,m为样本个数;
随机矩阵X∈Rn×m的协方差矩阵ΣX如式(2):
通过求解式(3):
(λi-ΣX)Bi=0,i=1,2,…,n (3)
求得矩阵ΣX的特征值λi和特征矩阵Bi=[Bi1,Bi2,…,Bin],且有式(4):
假定n个特征值满足λ1≥λ2≥…≥λn,同时得随机矩阵M=BTX;由于矩阵B是为正交矩阵,所以求解X的统计特征就转化成求解M的统计特征;
选取前s个主元来代表数据中的主要变化,分解后如式(5):
式中:表示主元模型;E表示建模误差;
从主元分析法中公式(5)中的由***噪声引起的建模误差E满足高斯分布,因此得到在条件B和M下X的概率密度函数如式(6)所示:
因为随机矩阵M满足统一的先验分布,即π(M)∝1,所以由式(6)得到式(7),即得到在条件B下X的概率密度函数:
由式(7)得出,X的概率密度此时主要受映射矩阵W=BBT的影响,假设矩阵W满足冯·米塞斯-费舍尔分布;
由于矩阵B是正交矩阵,对其进行CS贝叶斯分解,具体模型如式(8):
式中:V1和Z为s×s正交矩阵,V2为(n-s)×s半正交矩阵(V2 TV2=IS)
C=diag{cosθ1,cosθ2,…,cosθS} (9)
S=diag{sinθ1,sinθ2,…,siBθS} (10)
θi表示主元坐标与空间基坐标之间主元的角度,空间基坐标为由式(8)、式(9)、式(10)看出,各主元与基坐标之间的角度决定特征子空间矩阵B所在的空间位置,这点恰恰符合主元分析法的几何意义;
将CS分解贝叶斯空间思想概念引入主元分析法中,将式(8)代入式(7)得到式(11):
矩阵X分解成由式(7)得到式(12):
由式(6)、式(11)以及式(12)求得V1、V2和θ的后验概率分布函数如式(13):
式中,θ=[θ1,θ2,…,θS];σ由信噪比求得,即
V1、V2和θ的边缘概率分布由式(13)求得,分别如式(14)、式(15)、式(16)所示:
式(14)、式(15)满足冯·米塞斯-费舍尔分布,式(16)中:θmax表示主元与基坐标的所有夹角的最大值;αi表示βi表示γi表示式(16)不属于目前已知的任何分布,很难求得,所以,将其转化为已知的分布,设将式(16)转化为式(17):
式中,此时的式(17)类似于贝塔分布:
此时,ci和di分别取
ci=0.5+0.25max{0,βi}-0.25min{0,αi-γi}
di=0.5+0.25max{0,βi}+0.25min{0,αi-γi}
式(17)取得近似值;
步骤2:废旧导轨再制造过程质量异常识别的实现
基于上述的算法与条件,通过下述的算法来计算随机抽样所得的特征子空间矩阵B(n);
输入:任意初始变量V1 (0),V2 (0),θ(0)
(1):for n=1,2,…,Nb+Ni;
(2):根据式(14),通过吉布斯采样获得V1 (n);
(3):根据式(15),通过吉布斯采样获得V2 (n);
(4):通过吉布斯采样获得角度θ(n);
(5):for i=1,2,…,s;
(6):在中的值,令为初始值,设
(7):for u=1,2,…,q;
(8):从中获得
(9):当时,其概率分布如式(17)所示;
(10):end for;
(11):
(12):end for;
(13):end for;
输出:计算得出一组随机矩阵
由上述的矩阵B(n)估计特征子空间矩阵:
式中,Ps表示s个主元向量;
采用特征子空间矩阵的相似性对异常类型进行识别,矩阵相似度函数如式(18):
式中,ζu表示加权系数,代表不同方向主元的重要性,且 相似度函数表示两个矩阵在s个投影方向夹角余弦值的加权和;因为ζu<1,所以0<di≤1;所得值越接近1,说明两个矩阵相似度越好。
下面,以废旧TPX6113镗床的导轨再制造过程为例。
首先,收集不同故障类型的少量再制造质量数据,并进行建模,求得各自的特征子空间矩阵;其次,采集废旧导轨再制造过程实时的质量数据;最后,检测到再制造过程质量异常时,提取故障数据,通过实时的再制造过程质量异常数据与不同异常类型的特征子空间矩阵进行比较,与哪种异常数据相似最高,说明为哪一种质量异常类型。导轨再制造过程中主要有四类质量异常类型,分别为起泡(定义为质量异常类型1)、镀层部分剥离(定义为质量异常类型2)、拱曲形状或凹状(定义为质量异常类型3)以及砂眼(定义为质量异常类型4)。
为了进一步说明该方法的有效性与优越性,与传统的PCA以及小样本协方差估计的方法进行对比分析。小样本协方差估计的方法的具体计算过程参考文献,本文就不再赘述。应用MATLAB软件进行编程计算,得出结果如表所示,
如图1所示,由结果生成再制造过程异常源识别图可以看出,三种方法求得的特征子空间矩阵的相似度,CS分解贝叶斯方法求特征子空间矩阵与故障3的特征子空间矩阵的相似度最高,达到0.8092,识别出再制造废旧导轨的异常类型,为质量异常类型3。
Claims (2)
1.一种废旧导轨再制造过程质量异常识别方法,其特征在于:首先,收集不同故障类型的少量再制造质量数据,并进行建模,求得各自的特征子空间矩阵;其次,采集废旧导轨再制造过程实时的质量数据;最后,检测到再制造过程质量异常时,提取故障数据,通过实时的再制造过程质量异常数据与不同异常类型的特征子空间矩阵进行比较,与哪种异常数据相似最高,说明为哪一种质量异常类型;其中,质量异常识别模型的建立与实现,包括如下步骤:
步骤1:废旧导轨再制造过程质量异常识别模型的构建
对于多变量的***,用n维数据描述如式(1):
X=[x(1),x(2),…,x(m)] (1)
式中x(t)=[x1(t),x2(t),…,xn(t)]T(t=1,2,…,m)为x的第t次采样值,n为再制造***变量的个数,m为样本个数;
随机矩阵X∈Rn×m的协方差矩阵ΣX如式(2):
通过求解式(3):
(λi-ΣX)Bi=0,i=1,2,…,n (3)
求得矩阵ΣX的特征值λi和特征矩阵Bi=[Bi1,Bi2,…,Bin],且有式(4):
假定n个特征值满足λ1≥λ2≥…≥λn,同时得随机矩阵M=BTX;由于矩阵B是为正交矩阵,所以求解X的统计特征就转化成求解M的统计特征;
选取前s个主元来代表数据中的主要变化,分解后如式(5):
式中:表示主元模型;E表示建模误差;
从主元分析法中公式(5)中的由***噪声引起的建模误差E满足高斯分布,因此得到在条件B和M下X的概率密度函数如式(6)所示:
因为随机矩阵M满足统一的先验分布,即π(M)∝1,所以由式(6)得到式(7),即得到在条件B下X的概率密度函数:
由式(7)得出,X的概率密度此时主要受映射矩阵W=BBT的影响,假设矩阵W满足冯·米塞斯-费舍尔分布;
由于矩阵B是正交矩阵,对其进行CS贝叶斯分解,具体模型如式(8):
式中:V1和Z为s×s正交矩阵,V2为(n-s)×s半正交矩阵(V2 TV2=IS)
C=diag{cosθ1,cosθ2,…,cosθS} (9)
S=diag{sinθ1,sinθ2,…,sinθS} (10)
θi表示主元坐标与空间基坐标之间主元的角度,空间基坐标为由式(8)、式(9)、式(10)看出,各主元与基坐标之间的角度决定特征子空间矩阵B所在的空间位置,这点恰恰符合主元分析法的几何意义;
将CS分解贝叶斯空间思想概念引入主元分析法中,将式(8)代入式(7)得到式(11):
矩阵X分解成由式(7)得到式(12):
由式(6)、式(11)以及式(12)求得V1、V2和θ的后验概率分布函数如式(13):
式中,θ=[θ1,θ2,…,θS];σ由信噪比求得,即
V1、V2和θ的边缘概率分布由式(13)求得,分别如式(14)、式(15)、式(16)所示:
式(14)、式(15)满足冯·米塞斯-费舍尔分布,式(16)中:θmax表示主元与基坐标的所有夹角的最大值;αi表示βi表示γi表示式(16)不属于目前已知的任何分布,很难求得;所以,将其转化为已知的分布,设将式(16)转化为式(17):
式中,此时的式(17)类似于贝塔分布:
此时,Ci和di分别取
ci=0.5+0.25max{0,βi}-0.25min{0,αi-γi}
di=0.5+0.25max{0,βi}+0.25min{0,αi-γi}
式(17)取得近似值;
步骤2:废旧导轨再制造过程质量异常识别的实现
基于上述的算法与条件,通过下述的算法来计算随机抽样所得的特征子空间矩阵B(n);
输入:任意初始变量V1 (0),V2 (0),θ(0)
(1):for n=1,2,…,Nb+Ni;
(2):根据式(14),通过吉布斯采样获得V1 (n);
(3):根据式(15),通过吉布斯采样获得V2 (n);
(4):通过吉布斯采样获得角度θ(n);
(5):for i=1,2,…,s;
(6):在中的值,令为初始值,设
(7):for u=1,2,…,q;
(8):从中获得
(9):当时,其概率分布如式(17)所示;
(10):end for;
(11):
(12):end for;
(13):end for;
输出:计算得出一组随机矩阵
由上述的矩阵B(n)估计特征子空间矩阵:
式中,Ps表示s个主元向量;
采用特征子空间矩阵的相似性对异常类型进行识别,矩阵相似度函数如式(18):
式中,ζu表示加权系数,代表不同方向主元的重要性,且 相似度函数表示两个矩阵在s个投影方向夹角余弦值的加权和;因为ζu<1,所以0<di≤1;所得值越接近1,说明两个矩阵相似度越好。
2.按照权利要求1所述的废旧导轨再制造过程质量异常识别方法,其特征在于:导轨再制造过程中有四类质量异常类型,分别为起泡、镀层部分剥离、拱曲形状或凹状以及砂眼。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710227681.9A CN106934560A (zh) | 2017-04-10 | 2017-04-10 | 一种废旧导轨再制造过程质量异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710227681.9A CN106934560A (zh) | 2017-04-10 | 2017-04-10 | 一种废旧导轨再制造过程质量异常识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106934560A true CN106934560A (zh) | 2017-07-07 |
Family
ID=59425148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710227681.9A Pending CN106934560A (zh) | 2017-04-10 | 2017-04-10 | 一种废旧导轨再制造过程质量异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934560A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108762228A (zh) * | 2018-05-25 | 2018-11-06 | 江南大学 | 一种基于分布式pca的多工况故障监测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447047A (zh) * | 2016-01-17 | 2017-02-22 | 沈阳工业大学 | 一种废旧机床可再制造质量评估方法 |
-
2017
- 2017-04-10 CN CN201710227681.9A patent/CN106934560A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447047A (zh) * | 2016-01-17 | 2017-02-22 | 沈阳工业大学 | 一种废旧机床可再制造质量评估方法 |
Non-Patent Citations (1)
Title |
---|
侯彦东 等: "小样本下基于特征子空间估计的故障诊断算法", 《上海交通大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108762228A (zh) * | 2018-05-25 | 2018-11-06 | 江南大学 | 一种基于分布式pca的多工况故障监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Rotating machinery fault diagnosis using long-short-term memory recurrent neural network | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN104657744B (zh) | 一种基于非确定主动学习的多分类器训练方法及分类方法 | |
CN107038167A (zh) | 基于模型评估的大数据挖掘分析***及其分析方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN103901880A (zh) | 基于多分类器和d-s证据融合的工业过程故障检测方法 | |
CN105335752A (zh) | 一种基于主成分分析多变量决策树的接线方式识别方法 | |
CN109359662B (zh) | 面向百万千瓦超超临界机组的非平稳分析与因果诊断方法 | |
CN101826090A (zh) | 基于最优模型的web舆情趋势预测方法 | |
CN106950945A (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN106709816A (zh) | 基于非参数回归分析的电力负荷异常数据识别与修正方法 | |
CN101620619A (zh) | 一种基于聚类方法的测量数据粗大误差处理***及处理方法 | |
WO2023273249A1 (zh) | 基于tsvm模型的智能电能表自动化检定***异常检测方法 | |
WO2022171788A1 (de) | Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten | |
CN111428201A (zh) | 基于经验模态分解和前馈神经网络对时序数据的预测方法 | |
CN115659665A (zh) | 一种基于野马优化算法的电压暂降源信号降噪与识别的方法 | |
CN111414943B (zh) | 一种基于混合隐朴素贝叶斯模型的异常检测方法 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN109594967A (zh) | 一种基于录井大数据的卡钻事故检测预警方法 | |
CN106934560A (zh) | 一种废旧导轨再制造过程质量异常识别方法 | |
CN107609216B (zh) | 一种基于概率盒模型修正的机械故障诊断方法 | |
Oprime et al. | X-bar control chart design with asymmetric control limits and triple sampling | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供***负荷预测方法 | |
CN112947649A (zh) | 一种基于互信息矩阵投影的多变量过程监控方法 | |
Li et al. | Online course learning outcome evaluation method based on big data analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170707 |
|
RJ01 | Rejection of invention patent application after publication |