CN110308713A - 一种基于k近邻重构的工业过程故障变量识别方法 - Google Patents
一种基于k近邻重构的工业过程故障变量识别方法 Download PDFInfo
- Publication number
- CN110308713A CN110308713A CN201910476970.1A CN201910476970A CN110308713A CN 110308713 A CN110308713 A CN 110308713A CN 201910476970 A CN201910476970 A CN 201910476970A CN 110308713 A CN110308713 A CN 110308713A
- Authority
- CN
- China
- Prior art keywords
- neighbour
- variable
- data
- fault
- variables
- 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
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发公开了一种基于k近邻重构的工业过程故障变量识别方法,属于工业过程监控与诊断技术领域。本发明只需要正常数据用于建模,当在线测量数据显示过程发生故障时,首先,计算故障数据的k近邻变量贡献并对其进行降序排列,将排序的变量逐个用于故障样本的重构过程以加速故障识别过程;最后,对重构的样本重新检测直至识别出所有故障变量。相比于现有的其他方法,本发明方法可以实现对具备非线性、非高斯等特性的工业过程故障变量识别。
Description
技术领域
本发明属于化工过程故障变量识别领域,特别涉及一种基于k近邻重构的工业过程故障变量识别方法。
背景技术
对于过程监控和故障诊断问题,在传统的多元统计过程监控方法的框架下,主要采用贡献图和基于重构的贡献方法进行故障隔离。然而,这两种方法都存在故障干扰现象,即正常变量可能会受到故障变量的影响,使得正常变量对故障的贡献,从而导致误隔离。基于k近邻的变量贡献可以不受故障干扰的影响,但是它仅能给出故障变量大小排序,对于哪几个变量为故障变量的判别精度不高。另外,基于k近邻重构的故障变量识别方法对候选故障变量进行逐个估计并利用估计结果对故障样本完成重构,然后再对重构样本再检测实现故障识别,取得较好的识别效果和精度。但是,该方法识别速度非常慢,特别是对于变量维数较高的工业过程,无法及时给出变量识别结果,影响过程安全运行。本发明方法将解决这些问题。
发明内容
针对现有技术以上缺陷或改进需求,本发明提供一种基于k近邻重构的工业过程故障变量识别方法,在原始测量空间根据样本与近邻之间累计距离定义故障贡献指标,从而避免故障干扰问题,实现故障传感器准确地隔离。
为实现上述目的,本发明通过以下技术方案实现:一种基于k近邻重构的工业过程故障变量识别方法,包括以下步骤:
1)利用多传感器数据采集***收集工业过程正常工况运行下的监测数据,对其进行归一化构成正常数据矩阵其中,m表示监控变量的个数,n表示所总的采样数,表示第i个正常采样,表示实数域;
2)计算每个训练数据在正常数据矩阵X中的k近邻距离,并确定检测阈值:
2.1)从数据矩阵X中找每个采样xi的k个近邻
di,j=||xi-xj||2,j=1,…,n,j≠i (1)
其中,||·||2表示l2范数,即欧式距离,k表示近邻个数,xj表示xi的第j个近邻,di,j表示xi和xj之间的欧式距离;
2.2)计算xi与其k个近邻xj,j=1,…,k之间的平均距离:
2.3)确定检测阈值对共n个数值按升序重新排列,并取第个作为检测阈值其中1-α表示置信水平。
3)对于工业过程在线采集测量数据首先利用X的均值和方差进行归一化处理得到然后根据以下步骤判断过程是否存在故障:
3.1)根据公式(1)从正常数据矩阵X中找在线采样数据x的k个近邻;
3.2)根据公式(2)计算x与其k个近邻之间的平均距离;比较平均距离与检测阈值之间的大小,如果平均距离大于则说明工业过程发生故障;如果平均距离小于则说明工业过程正常运行。
4)将归一化在线采样数据x的k近邻累计距离的形式改写为
其中,表示单位矩阵的第i行。
4.1)将x的k近邻累积距离分解m个分量之和,第i个分量为
4.2)将作为变量i对故障的贡献,对所有变量贡献由大到小进行排列:
其中,vi∈{1,…,m}表示变量vi是第i个贡献最大的。
5)设定循环变量p=1。
6)将候选故障变量vp加入候选变量集合v={vi,i=1,…,p}中。根据集合v中的候选变量,去掉数据矩阵X以及故障数据x中对应集合v中候选变量,得到约简的正常数据矩阵和约简的故障数据
7)从约简的正常数据矩阵X(v)中找x(v)的k个近邻,根据这k个近邻估计集合v中候选故障变量的值:
其中,是归一化的权重,dl是x(v)与其第i个近邻之间的欧式距离。是矩阵X(v)中第Nl(x(v))列采样数据,表示的第vi个分量。
8)利用估计值替换故障数据x对应分量,得到重构样本
9)根据公式(2)计算重构样本的平均k近邻距离如果则集合v中的变量被识别为故障变量;如果令p=p+1并重复步骤2)至8)直至识别出所有故障变量。
本发明所构思的以上技术方案与现有技术相比,有益效果是:本发明提出的工业过程故障变量识别方法不受正常变量对于分析故障变量的干扰影响,同时利用变量贡献的可靠排序加速故障变量识别过程,可以使得故障变量识别速度。另外,所提出方法适用于非线性、非高斯过程故障识别。从而保证了复杂工业过程可靠运行。
附图说明
图1.本发明方法的流程框图。
图2.实施例1中故障数据的k近邻变量贡献。
图3.实施例1中故障重构结果。
图4.实施例2中故障数据的k近邻变量贡献。
图5.实施例2中故障重构结果。
图6.实施例3中故障数据的k近邻变量贡献。
图7.实施例3中单变量故障重构结果。
图8.实施例3中多变量故障重构结果。
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本发明,并不用于限定本发明。
本发明提出的一种基于k近邻重构的工业过程故障变量识别方法,其流程框图如图1所示,包括以下各步骤:
1)采集工业过程正常工况运行下的数据,对其进行归一化构成正常数据矩阵其中,m为变量个数,n为样本个数;
2)计算每个训练数据在正常数据矩阵X中的k近邻距离,并确定检测阈值
3)对于工业过程在线运行采集数据,首先利用X的均值和方差进行归一化处理得到然后从正常数据矩阵X中找在线样本x的k个近邻;计算x与其k个近邻之间的平均距离;比较平均距离与检测阈值之间的大小,如果平均距离大于则说明工业过程发生故障;
4)计算样本x对故障的贡献,对所有变量贡献进行降序排列
5)设定循环变量p=1。
6)将候选故障变量vp加入候选变量集合v={vi,i=1,…,p}中。根据集合v中的候选变量,去掉数据矩阵X以及故障数据x中对应集合v中候选变量,得到约简的正常数据矩阵和约简的故障数据
7)从约简的正常数据矩阵X(v)中找x(v)的k个近邻,根据这k个近邻估计集合v中候选故障变量的值;
8)计算重构样本的平均k近邻距离如果则集合v中的变量被识别为故障变量;如果令p=p+1并重复步骤2)至8)直至识别出所有故障变量。
实施例
采用本发明提供的工业过程k近邻故障变量识别方法,对数值仿真实例以及田纳西-伊斯曼连续化工过程进行故障识别;
实施例1中的,数值仿真实例具体描述为:
其中,ei~N(0,0.012),i=1,…,7为白噪声,七个监控变量xi,i=1,…,7是由两个潜变量s1和s2生成,它们分别服从均匀分布s1~U(-10,-7)和高斯分布s2~N(-15,1);总共500个正常样本产生组成数据矩阵X;另外500个样本用于产生故障样本,故障为变量1和变量2分别从第301时刻施加幅值为4的恒偏差。
采用本实施例提供的故障变量识别方法,对上述数值仿真实例进行故障变量识别的具体过程如下:
1)对正常样本进行归一化,构成正常数据矩阵
2)计算每个训练数据在正常数据矩阵X中的k近邻距离,此例中k=15,并确定检测阈值
3)对故障数据,首先利用X的均值和方差进行归一化处理,然后从正常数据矩阵X中找故障数据的k个近邻;计算x与其k个近邻之间的平均距离;比较平均距离与检测阈值之间的大小,平均距离大于说明工业过程发生故障;
4)计算每个故障样本x对故障的贡献,对所有变量贡献进行降序排列
5)设定循环变量p=1。
6)将候选故障变量vp加入候选变量集合v={vi,i=1,…,p}中。根据集合v中的候选变量,去掉数据矩阵X以及故障数据x中对应集合v中候选变量,得到约简的正常数据矩阵和约简的故障数据
7)从约简的正常数据矩阵X(v)中找x(v)的k个近邻,根据这k个近邻估计集合v中候选故障变量的值;
计算重构样本的平均k近邻距离如果则集合v中的变量被识别为故障变量;如果令p=p+1并重复步骤2)至8)直至识别出所有故障变量。
图2是故障样本的变量贡献图,从图2中可以看到变量2和变量1的贡献明显高于其他变量。图3是重构样本再检测图,从图3的前7个子图中可以看出仅重构7个变量中的某一个是无法使重构样本变为正常,而图3中第8个子图(第三行、第二列)中呈现现有技术方案对变量2和变量1单独估计的结果也仍然有69%故障样本无法被重构恢复为正常,图3右下角最后一图为本发明方法所给出的结果,从子图中可以看出本发明方法可以将99.5%的故障样本通过重构变量2和变量1恢复正常,说明采用本方法提供的故障变量识别方法,可以准确的判定变量2和变量1为故障变量。
实施例2采用与实施例1相同的500个正常样本,改变故障样本的故障类型为缓变故障,从第301采用时刻施加,幅值按照每时刻0.02的大小增长直至结束。对实施例2进行故障变量识别的具体过程与实施例1相同,图4和图5分别展示了变量贡献和故障变量识别结果。
从图4中可以看出,变量2和变量1的贡献逐渐大于其他变量对故障的贡献,这与施加的故障情况一致,说明本发明提供的k近邻变量贡献能够提供可靠准确的变量贡献大小排序。从图5可以看出,现有技术仅重构某一个故障变量无法故障数据重构恢复正常,单独重构变量2和变量1仅能将75%的故障数据恢复正常。而本发明提供的方法可以将99.5%的故障数据恢复正常,可见本发明采用的故障变量识别方法,将变量2和变量1判定为故障变量,和实际情况相符。
实施例3结合田纳西-伊斯曼化工过程数据来说明本发明方法的有效性。该标准测试实验平台由Downs和Vogel根据伊斯曼化学公司的一个实际化工联合反应过程所开发,其过程数据具有复杂非线性、强耦合和时变等特性,为监控方法提供了一个真实的工业过程。该过程由连续搅拌式反应釜、分凝器、汽液分离塔、离心式压缩机和汽提塔五个操作单元组成,包含了八种成分:A,B,C,D,E,F,G和H。其中,A,C,D,E四种气体进料成分和惰性气体成分B一起作为反应物,形成产物G和H,以及副产物F。田纳西-伊斯曼化工过程共有41个测量变量和12个控制变量,这里选取其中33个变量作为监控变量。正常训练样本数为960个,这里选取故障14为例说明本发明方法,与故障14直接相关的监控变量包括变量 9、变量21和变量32。
实施例3进行故障变量识别的具体过程与实施例1相同。图6展示了本发明方法中采用的k近邻变量贡献,从中可见变量9、变量21、变量32的贡献大小明显大于其他变量的贡献。图7和图8展示了故障重构结果,其中图7是仅对单变量重构的结果,从中可见仅重构单变量无法将故障数据恢复正常;图8对贡献最大的3个变量,即变量9、变量21和变量32进行重构,其中图8中上面的子图对这3个变量单独重构,结果显示仍有1.88%的故障数据未能被恢复正常,而本方面提供的方法对这3个变量同时估计并重构故障样本,结果显示仅有1.13%的故障数据未能被恢复正常,本发明提供的方法判定故障变量为变量9、变量21和变量32,这与实际情况相符,本发明仅用3次重构就可以完成故障变量识别,而现有类似技术在最佳情况仍需要529次(最差情况5456次)重构才能完成故障识别。说明了本发明方法具有较好的故障重构效果以及较快的故障变量识别速度。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (4)
1.一种基于k近邻重构的工业过程故障变量识别方法,其特征在于该方法包括以下各步骤:
步骤一:故障检测,收集工业过程正常运行工况的数据,根据正常数据之间的k近邻距离建立检测阈值;对于在线采集数据,计算在线数据与正常数据集的平均k近邻距离,然后与检测阈值比较,超出检测阈值则判定为故障数据;
步骤二:计算k近邻变量贡献,对于步骤一判定的故障数据,将该故障数据的累积k近邻距离进行分解,将每一个分量作为变量贡献并对所有变量贡献进行降序排列;
步骤三:故障变量识别,根据步骤二得到的变量贡献排序逐步对步骤一判定的故障数据进行重构,得到重构数据,回到并步骤一进行故障检测,直至所有故障变量被识别。
2.根据权利要求1所述的一种基于k近邻重构的工业过程故障变量识别方法,其特征在于步骤一所述的故障检测过程如下:
利用多传感器数据采集***收集工业过程正常工况运行下的监测数据,对其进行归一化构成正常数据矩阵其中,m表示监控变量的个数,n表示所总的采样数,i=1,…,n表示第i个正常采样,表示实数域;
第1步:计算每个训练数据在正常数据矩阵X中的k近邻距离,并确定检测阈值:
从数据矩阵X中找每个采样xi的k个近邻
di,j=||xi-xj||2,j=1,…,n,j≠i (1)
其中,||·||2表示l2范数,即欧式距离,k表示近邻个数,xj表示xi的第j个近邻,di,j表示xi和xj之间的欧式距离;
计算xi与其k个近邻xj,j=1,…,k之间的平均距离:
确定检测阈值对i=1,…,n共n个数值按升序重新排列,并取第|n(1-α)|个作为检测阈值其中1-α表示置信水平;
第2步:对于工业过程在线采集测量数据首先利用X的均值和方差进行归一化处理得到然后根据以下步骤判断过程是否存在故障:
根据公式(1)从正常数据矩阵X中找在线采样数据x的k个近邻;
根据公式(2)计算x与其k个近邻之间的平均距离;比较平均距离与检测阈值之间的大小,如果平均距离大于则说明工业过程发生故障;如果平均距离小于则说明工业过程正常运行。
3.根据权利要求1所述的一种基于k近邻重构的工业过程故障变量识别方法,其特征在于步骤二所述的计算k近邻变量贡献过程如下:
第1步:将归一化在线采样数据x的k近邻累计距离的形式改写为
其中,表示单位矩阵的第i行;
第2步:将x的k近邻累积距离分解m个分量之和,第i个分量为:
第3步:将作为变量i对故障的贡献,对所有变量贡献由大到小进行排列:
其中,υi∈{1,…,m}表示变量υi是第i个贡献最大的。
4.根据权利要求1所述的一种基于k近邻重构的工业过程故障变量识别方法,其特征在于步骤三所述的故障变量识别过程如下:
设定循环变量p=1;
将候选故障变量υp加入候选变量集合υ={υi,i=1,…,p}中。根据集合υ中的候选变量,去掉数据矩阵X以及故障数据x中对应集合υ中候选变量,得到约简的正常数据矩阵和约简的故障数据
从约简的正常数据矩阵X(υ)中找x(υ)的k个近邻,根据这k个近邻估计集合υ中候选故障变量的值:
其中,是归一化的权重,di是x(υ)与其第i个近邻之间的欧式距离;是矩阵X(υ)中第Nl(x(υ))列采样数据,表示的第υi个分量;利用估计值替换故障数据x对应分量,得到重构样本
根据公式(2)计算重构样本的平均k近邻距离如果则集合υ中的变量被识别为故障变量;如果令p=p+1并重复步骤2)至8)直至识别出所有故障变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910476970.1A CN110308713A (zh) | 2019-06-03 | 2019-06-03 | 一种基于k近邻重构的工业过程故障变量识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910476970.1A CN110308713A (zh) | 2019-06-03 | 2019-06-03 | 一种基于k近邻重构的工业过程故障变量识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110308713A true CN110308713A (zh) | 2019-10-08 |
Family
ID=68075031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910476970.1A Pending CN110308713A (zh) | 2019-06-03 | 2019-06-03 | 一种基于k近邻重构的工业过程故障变量识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110308713A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112286168A (zh) * | 2020-10-20 | 2021-01-29 | 湖州师范学院 | 一种基于统计量模式分析的k近邻过程监控方法 |
CN114371686A (zh) * | 2021-12-29 | 2022-04-19 | 以萨技术股份有限公司 | 基于局部邻域标准化的多工况过程故障检测方法及*** |
CN115544901A (zh) * | 2022-11-28 | 2022-12-30 | 西南石油大学 | 一种小样本的稠油工况故障智能识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615123A (zh) * | 2014-12-23 | 2015-05-13 | 浙江大学 | 基于k近邻的传感器故障隔离方法 |
CN106649789A (zh) * | 2016-12-28 | 2017-05-10 | 浙江大学 | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 |
CN106843195A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 基于自适应集成半监督费舍尔判别的故障分类方法 |
CN109409425A (zh) * | 2018-10-09 | 2019-03-01 | 宁波大学 | 一种基于近邻成分分析的故障类型识别方法 |
CN109491338A (zh) * | 2018-11-09 | 2019-03-19 | 南通大学 | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 |
CN109716303A (zh) * | 2016-09-19 | 2019-05-03 | 应用材料公司 | 使用k最近邻及逻辑回归方法的时间序列故障检测、故障分类及转变分析 |
-
2019
- 2019-06-03 CN CN201910476970.1A patent/CN110308713A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615123A (zh) * | 2014-12-23 | 2015-05-13 | 浙江大学 | 基于k近邻的传感器故障隔离方法 |
CN109716303A (zh) * | 2016-09-19 | 2019-05-03 | 应用材料公司 | 使用k最近邻及逻辑回归方法的时间序列故障检测、故障分类及转变分析 |
US20200210873A1 (en) * | 2016-09-19 | 2020-07-02 | Applied Materials, Inc. | Time-series fault detection, fault classification, and transition analysis using a k-nearest-neighbor and logistic regression approach |
CN106649789A (zh) * | 2016-12-28 | 2017-05-10 | 浙江大学 | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 |
CN106843195A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 基于自适应集成半监督费舍尔判别的故障分类方法 |
CN109409425A (zh) * | 2018-10-09 | 2019-03-01 | 宁波大学 | 一种基于近邻成分分析的故障类型识别方法 |
CN109491338A (zh) * | 2018-11-09 | 2019-03-19 | 南通大学 | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
GUOZHUWANG: "Fault diagnosis using kNN reconstruction on MRI variables", <JOURNAL OF CHEMOMETRICS> * |
周哲: "基于K邻近的复杂工业过程故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112286168A (zh) * | 2020-10-20 | 2021-01-29 | 湖州师范学院 | 一种基于统计量模式分析的k近邻过程监控方法 |
CN114371686A (zh) * | 2021-12-29 | 2022-04-19 | 以萨技术股份有限公司 | 基于局部邻域标准化的多工况过程故障检测方法及*** |
CN115544901A (zh) * | 2022-11-28 | 2022-12-30 | 西南石油大学 | 一种小样本的稠油工况故障智能识别方法 |
CN115544901B (zh) * | 2022-11-28 | 2023-02-21 | 西南石油大学 | 一种小样本的稠油工况故障智能识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614576B (zh) | 基于多维高斯分布与趋势分段的变压器异常检测方法 | |
CN105700518B (zh) | 一种工业过程故障诊断方法 | |
JP6216242B2 (ja) | 異常検知方法およびその装置 | |
CN106447210B (zh) | 一种计及可信度评价的配网设备健康度动态诊断方法 | |
CN109416531A (zh) | 异常数据的重要度判定装置及异常数据的重要度判定方法 | |
CN106950945B (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN110008253B (zh) | 一种工业数据关联规则挖掘及异常工况预测方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN110308713A (zh) | 一种基于k近邻重构的工业过程故障变量识别方法 | |
CN106845526B (zh) | 一种基于大数据融合聚类分析的关联参数故障分类方法 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN110018670A (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
JP2008198213A (ja) | センサの性能確認装置および方法 | |
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 | |
US7716152B2 (en) | Use of sequential nearest neighbor clustering for instance selection in machine condition monitoring | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
JP2015011027A (ja) | 時系列データにおける異常を検出する方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN109376401A (zh) | 一种自适应多源信息优选与融合的机械剩余寿命预测方法 | |
CN109407649A (zh) | 一种基于故障特征变量选择的故障类型匹配方法 | |
KR20210017651A (ko) | 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법 | |
CN107851294A (zh) | 大型运行***的基于状态的预防维护装置及方法 | |
CN104615123B (zh) | 基于k近邻的传感器故障隔离方法 | |
CN113269327A (zh) | 一种基于机器学习的流量异常预测方法 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |
|
RJ01 | Rejection of invention patent application after publication |