CN111752147A - 一种具有持续学习能力改进pca的多工况过程监测方法 - Google Patents
一种具有持续学习能力改进pca的多工况过程监测方法 Download PDFInfo
- Publication number
- CN111752147A CN111752147A CN202010464703.5A CN202010464703A CN111752147A CN 111752147 A CN111752147 A CN 111752147A CN 202010464703 A CN202010464703 A CN 202010464703A CN 111752147 A CN111752147 A CN 111752147A
- Authority
- CN
- China
- Prior art keywords
- pca
- condition
- training
- data
- working
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000513 principal component analysis Methods 0.000 title abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 3
- 239000012467 final product Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007596 consolidation process Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 22
- 238000010298 pulverizing process Methods 0.000 description 11
- 239000003245 coal Substances 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000522652 Ormosia <angiosperm> Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种具有持续学习能力改进PCA的多工况过程监测方法,涉及工业监测和故障诊断领域。该方法包括:依次采集工业***正常工况下的过程数据构成训练集;利用主成分分析对初始工况进行训练,计算初始投影矩阵;根据弹性权重巩固方法和主成分分析原理,构造优化函数,对后续工况进行训练,得到最优投影矩阵;构建监测统计量并计算阈值;采集***实时工况下的过程数据作为测试样本,利用当前训练模型计算该样本的统计量,并与阈值比较,判断是否有故障发生。本发明方法结合***原理和先验知识确定权重矩阵,提高方法的可解释性,算法简单,计算量小,易于实现,可广泛应用于化工、加工制造、大型火力发电厂等领域。
Description
技术领域
本发明涉及工业监测和故障诊断领域,具体涉及一种具有持续学习能力改进PCA的多工况过程监测方法。
背景技术
工业***中,由于对产品质量、经济成本、环保要求、原材料等因素,运行过程的工况会发生变化,使***经常处于多工况过程。研究多工况过程监测,对提高***的安全性和可靠性有重要意义。例如,在大型火力发电机组中,工厂经常会使用更换煤。不同煤的燃烧特性差别大,因此对煤粉的细度和风粉混合物温度的要求差异大。这就导致了制粉***经常处于多工况过程,研究其运行安全性对提高机组安全性和燃烧效率有重大意义。
传统多工况过程监测方法分为单模型和多模型两大类。单模型方法,利用转换函数将多模态数据转化为单峰数据,然后采用单工况的过程监测方法。多模型方法包括工况辨识和监测模型建立两部分,常使用数据聚类方法辨识工况,然后在每个工况中建立监测模型。在多工况过程监测中,主成分分析(principal component analysis,PCA)是最常用的过程监测方法。
当工况顺序出现,如何利用PCA方法快速有效实现多工况过程监测,比如工况和工况依次出现,已经训练工况的监测模型,如何利用工况的数据建立监测模型。对于单模型方法,需要重新利用两个工况的正常数据学习转换函数。对于多模型方法,一个工况的监测模型往往不能对另一个工况进行有效监测,需要单独利用工况数据建立适合的监测模型,甚至需要利用两个工况的数据重新训练工况辨识模型。由此可知,传统基于PCA方法的多工况过程监测方法实时性差,且新工况出现时往往遗忘以前已学习工况知识。因此,亟需一种具有持续学习能力的算法,仅利用单模型就能实现对多个工况的有效监测,且不需要重新利用所有工况数据进行训练。
发明内容
本发明的目的是针对上述不足,通过提出一种具有持续学习能力的改进PCA方法,将该方法应用于多工况过程监测中,利用弹性加权巩固(elastic weight consolidation,EWC)方法解决PCA算法在多工况过程的遗忘问题,方法简记为PCA-EWC。
本发明具体采用如下技术方案:
一种具有持续学习能力改进PCA的多工况过程监测方法,包括如下步骤:
步骤一:离线训练,依次采集正常运行工况的数据构成训练数据集,采用PCA对初始工况进行训练,然后采用PCA-EWC算法对后续的工况依次进行训练,计算投影矩阵,构建监测统计指标并计算阈值。
步骤二:在线监测,采集当前时刻的数据作为测试样本,利用当前PCA-EWC算法的训练模型,计算该测试样本的统计指标,并与步骤一中的阈值进行比较,判断是否有故障发生。
优选地,步骤一包括以下步骤:
e)采用式(1)和(2)计算监测统计指标,
SPE=x(I-PPT)xT (2)
优选地,步骤二包括以下步骤:
优选地,步骤一中PCA-EWC算法具体原理为:
工业过程依次出现正常运行工况和训练数据分别为和其中N1和N2为样本数量,m为变量数目;在正常运行工况过程监测任务中,用PCA训练得到投影矩阵其中l为主成分个数,利用正常运行工况已学习知识和采集数据,通过PCA-EWC方法,寻找投影矩阵P同时实现对工况和的监测;
假设两个正常运行工况下,PCA的主成分数保持不变,构造如式(3)的目标函数:
优选地,步骤一中PCA-EWC算法推广到更一般的多工况过程监测;
本发明具有如下有益效果:
本发明中利用正常数据建立模型,基于***的先验知识确定Fisher信息矩阵Ω,结合数据与先验知识,提高方法的可解释性。
本发明为多工况过程监测提供一种新的框架,利用EWC方法克服PCA在多工况过程的遗忘特性,在学习新工况信息时保留已学习工况的重要信息。
与传统的多模型相比,该方法基于单模型实现对多个工况的同时监测,具有持续学习能力,不需要重新学习新出现的工况。
与传统的单模型方法相比,新工况出现时,不需要利用所有工况的数据训练转换函数,更适合在线监测。
与传统PCA算法相比,利用各工况的部分信息就能提供良好的监测性能;所采用的故障检测算法简单,计算量小,从而易于计算机实现。
附图说明
图1是本发明PCA-EWC方法的多工况过程监测步骤流程图;
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
结合图1所示,具有持续学习能力改进PCA(principal component analysis)的多工况过程监测方法,包括如下步骤:
步骤一:离线训练,依次采集正常运行工况的数据构成训练数据集,采用PCA对初始工况进行训练,然后采用PCA-EWC算法对后续的工况依次进行训练,计算投影矩阵,构建监测统计指标并计算阈值,具体包括以下步骤:
e)采用式(1)和(2)计算监测统计指标,
SPE=x(I-PPT)xT (2)
步骤一中PCA-EWC算法具体原理为:
工业过程依次出现正常运行工况和训练数据分别为和其中N1和N2为样本数量,m为变量数目;在正常运行工况的过程监测任务中,用PCA训练得到投影矩阵其中l为主成分个数,利用正常运行工况已学习知识和采集数据,通过PCA-EWC方法,寻找投影矩阵P同时实现对工况和的监测。
假设两个正常运行工况下,PCA的主成分数保持不变,构造如式(3)的目标函数:
步骤一中PCA-EWC算法推广到更一般的多工况过程监测。
步骤二:在线监测,采集当前时刻的数据作为测试样本,利用当前PCA-EWC算法的训练模型,计算该测试样本的统计指标,并与步骤一中的阈值进行比较,判断是否有故障发生,具体包括以下步骤:
为了帮助理解本发明,同时直观地展示本发明方法用于故障检测的效果,下面结合一示例进行说明。本示例基于多工况过程监测的数值仿真算例进行说明,训练数据和测试数据均来该算例。具体如下:
(1)离线训练
依次采集工况和工况下正常运行状态下各1000个样本,分别记为X1和X2,对数据X1进行标准化处理,并用PCA算法训练得到投影矩阵l为主成分个数,l=3。对数据X2进行标准化处理,根据和工况的数据,利用PCA-EWC方法进行训练,得到最优投影矩阵计算监测统计指标及阈值。
(2)在线检测
在本示例中,异常数据设置为:
对每个故障,工况和工况均产生1000个测试样本,其中前500为正常样本,后500个为异常样本。对该测试数据集包含的每一个测试样本,利用工况的训练模型和参数计算其T2和SPE统计量,并与上述阈值进行比较,判断是否有故障发生。
图2展示了在工况下故障1的检测效果,检测准确率达100%。图3展示了在工况下故障1的检测效果,检测准确率达100%。图4展示了在工况下故障2的检测效果,检测准确率达100%。图5展示了在工况下故障2的检测效果,检测准确率达100%。在不同的工况下,基于PCA-EWC的训练模型能有效对两个工况异常进行有效监测,充分说明了方法的持续学习能力,也为多工况过程监测提供一种新的研究框架。
为了更加直观理解本发明的实际效果,结合另一示例研究火力发电厂中制粉***的过程监测,制粉***由给煤机、磨煤机、旋转分离器、石子煤室等设备组成。将每个煤种的运行过程看成一种工况,训练数据和测试数据均来自于实际电厂运行过程,采样频率为0.2Hz。以制粉***出口温度异常为例,出口温度过高,容易导致制粉***爆燃,出口温度过低,会降低燃烧效率。选择9个变量,包括冷/热一次风挡板位置反馈、一次风温度、一次风压力等。定义工况为印尼煤的运行过程,工况为澳蒙煤的运行过程。
(1)离线训练
依次采集工况正常样本12960个(18小时),工况下正常样本17280个(24小时),分别记为X1和X2,对数据X1进行标准化处理,并用PCA算法训练得到投影矩阵l为主成分个数,l=5。对数据X2进行标准化处理,根据和工况的数据,利用PCA-EWC方法进行训练,得到最优投影矩阵计算监测统计指标及阈值。
(2)在线检测
对制粉***出口温度异常,采集工况下测试样本34560个,其中前10907个为正常样本;采集工况下测试样本17280个,其中前7511个为正常样本。对该测试数据集包含的每一个测试样本,利用工况的训练模型和参数计算其T2和SPE统计量,并与上述阈值进行比较,判断是否有故障发生。
图6展示了在工况下,制粉***出口温度异常的检测效果,检测准确率达100%,提前2个样本检测出异常。图7展示了在工况下,制粉***出口温度异常的检测效果,检测准确率达100%,提前33个样本检测出异常。充分说明,能够用单模型实现对不同工况的连续监测,体现算法的持续学习能力。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种具有持续学习能力改进PCA的多工况过程监测方法,其特征在于,包括如下步骤:
步骤一:离线训练,依次采集正常运行工况的数据构成训练数据集,采用PCA对初始工况进行训练,然后采用PCA-EWC算法对后续的工况依次进行训练,计算投影矩阵,构建监测统计指标并计算阈值;
步骤二:在线监测,采集当前时刻的数据作为测试样本,利用当前PCA-EWC算法的训练模型,计算该测试样本的统计指标,并与步骤一中的阈值进行比较,判断是否有故障发生。
2.如权利要求1所述的一种具有持续学习能力改进PCA的多工况过程监测方法,其特征在于,步骤一包括以下步骤:
e)采用式(1)和(2)计算监测统计指标,
SPE=x(I-PPT)xT (2)
4.如权利要求2所述的一种具有持续学习能力改进PCA的多工况过程监测方法,其特征在于,步骤一中PCA-EWC算法具体原理为:
工业过程依次出现正常运行工况和训练数据分别为和其中N1和N2为样本数量,m为变量数目;在正常运行工况的过程监测任务中,用PCA训练得到投影矩阵其中l为主成分个数,利用正常运行工况已学习知识和采集数据,通过PCA-EWC方法,寻找投影矩阵P同时实现对工况和的监测;
假设两个正常运行工况下,PCA的主成分数保持不变,构造如式(3)的目标函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010464703.5A CN111752147B (zh) | 2020-05-28 | 2020-05-28 | 一种具有持续学习能力改进pca的多工况过程监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010464703.5A CN111752147B (zh) | 2020-05-28 | 2020-05-28 | 一种具有持续学习能力改进pca的多工况过程监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111752147A true CN111752147A (zh) | 2020-10-09 |
CN111752147B CN111752147B (zh) | 2022-04-22 |
Family
ID=72674050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010464703.5A Active CN111752147B (zh) | 2020-05-28 | 2020-05-28 | 一种具有持续学习能力改进pca的多工况过程监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111752147B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529059A (zh) * | 2020-12-04 | 2021-03-19 | 湖南五凌电力科技有限公司 | 机组电磁振动诊断方法、***、计算机设备和存储介质 |
CN112598030A (zh) * | 2020-12-08 | 2021-04-02 | 山东科技大学 | 一种基于递归协整分析和弹性权重巩固的非平稳过程监测方法 |
CN113393211A (zh) * | 2021-06-22 | 2021-09-14 | 柳州市太启机电工程有限公司 | 一种智能化提高自动化生产效率的方法及*** |
CN114326486A (zh) * | 2021-12-13 | 2022-04-12 | 山东科技大学 | 一种基于概率慢特征分析和弹性权重巩固的过程监控方法 |
CN114841295A (zh) * | 2022-07-04 | 2022-08-02 | 矿冶科技集团有限公司 | 工业过程故障检测方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100036529A1 (en) * | 2006-10-18 | 2010-02-11 | Bp Oil International Limited | Abnormal event detection using principal component analysis |
CN102662321A (zh) * | 2012-03-23 | 2012-09-12 | 清华大学 | 一种主元分析监控模型的在线更新方法 |
CN109407652A (zh) * | 2018-12-10 | 2019-03-01 | 中国石油大学(华东) | 基于主辅pca模型的多变量工业过程故障检测方法 |
CN109522948A (zh) * | 2018-11-06 | 2019-03-26 | 山东科技大学 | 一种基于正交局部保持投影的故障检测方法 |
-
2020
- 2020-05-28 CN CN202010464703.5A patent/CN111752147B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100036529A1 (en) * | 2006-10-18 | 2010-02-11 | Bp Oil International Limited | Abnormal event detection using principal component analysis |
CN102662321A (zh) * | 2012-03-23 | 2012-09-12 | 清华大学 | 一种主元分析监控模型的在线更新方法 |
CN109522948A (zh) * | 2018-11-06 | 2019-03-26 | 山东科技大学 | 一种基于正交局部保持投影的故障检测方法 |
CN109407652A (zh) * | 2018-12-10 | 2019-03-01 | 中国石油大学(华东) | 基于主辅pca模型的多变量工业过程故障检测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529059A (zh) * | 2020-12-04 | 2021-03-19 | 湖南五凌电力科技有限公司 | 机组电磁振动诊断方法、***、计算机设备和存储介质 |
CN112598030A (zh) * | 2020-12-08 | 2021-04-02 | 山东科技大学 | 一种基于递归协整分析和弹性权重巩固的非平稳过程监测方法 |
CN112598030B (zh) * | 2020-12-08 | 2023-03-24 | 山东科技大学 | 一种基于递归协整分析和弹性权重巩固的非平稳过程监测方法 |
CN113393211A (zh) * | 2021-06-22 | 2021-09-14 | 柳州市太启机电工程有限公司 | 一种智能化提高自动化生产效率的方法及*** |
CN113393211B (zh) * | 2021-06-22 | 2022-12-09 | 柳州市太启机电工程有限公司 | 一种智能化提高自动化生产效率的方法及*** |
CN114326486A (zh) * | 2021-12-13 | 2022-04-12 | 山东科技大学 | 一种基于概率慢特征分析和弹性权重巩固的过程监控方法 |
CN114326486B (zh) * | 2021-12-13 | 2024-01-19 | 山东科技大学 | 一种基于概率慢特征分析和弹性权重巩固的过程监控方法 |
CN114841295A (zh) * | 2022-07-04 | 2022-08-02 | 矿冶科技集团有限公司 | 工业过程故障检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111752147B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111752147B (zh) | 一种具有持续学习能力改进pca的多工况过程监测方法 | |
Yin et al. | Improved PLS focused on key-performance-indicator-related fault diagnosis | |
US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
EP3055747B1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
JP5538597B2 (ja) | 異常検知方法及び異常検知システム | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
WO2010095314A1 (ja) | 異常検知方法及び異常検知システム | |
EP3055746B1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
CN104390657A (zh) | 一种发电机组运行参数测量传感器故障诊断方法及*** | |
CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
CN112257943A (zh) | 一种基于mset和偏离度的电厂引风机故障预警方法 | |
Wu et al. | Output-relevant common trend analysis for KPI-related nonstationary process monitoring with applications to thermal power plants | |
CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
JP2012230703A (ja) | 異常検知方法及びシステム | |
CN112363462B (zh) | 一种静-动态协同感知的复杂工业过程运行状态评价方法 | |
CN115730191A (zh) | 一种基于注意力机制的磨煤机故障预警方法 | |
CN113588308A (zh) | 基于LSTM与Stacking融合算法的磨煤机爆燃故障预警与诊断方法 | |
CN110942258B (zh) | 一种性能驱动的工业过程异常监测方法 | |
CN110751217B (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
CN114326486B (zh) | 一种基于概率慢特征分析和弹性权重巩固的过程监控方法 | |
CN111898794B (zh) | 一种大型燃煤锅炉热效率的异常监测方法 | |
CN108759479B (zh) | 基于盲源分离单边检测法的烧结机漏风故障在线诊断方法 | |
Deng et al. | Primary-auxiliary statistical local kernel principal component analysis and its application to incipient fault detection of nonlinear industrial processes | |
CN110762081A (zh) | 基于hsmm-svm模型的大型液压机故障诊断方法与装置 |
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 |