CN112000081B - 基于多块信息提取和马氏距离的故障监测方法及*** - Google Patents
基于多块信息提取和马氏距离的故障监测方法及*** Download PDFInfo
- Publication number
- CN112000081B CN112000081B CN202010897994.7A CN202010897994A CN112000081B CN 112000081 B CN112000081 B CN 112000081B CN 202010897994 A CN202010897994 A CN 202010897994A CN 112000081 B CN112000081 B CN 112000081B
- Authority
- CN
- China
- Prior art keywords
- data set
- sample
- sub
- block information
- fault
- 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 129
- 238000012544 monitoring process Methods 0.000 title claims abstract description 99
- 238000000605 extraction Methods 0.000 title claims abstract description 35
- 230000008569 process Effects 0.000 claims description 42
- 238000013178 mathematical model Methods 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 4
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000010355 oscillation Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 25
- 238000004088 simulation Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training 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
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
技术领域
本发明涉及复杂工业过程建模和故障诊断领域,尤其涉及一种基于多块信息提取和马氏距离的故障监测方法及***。
背景技术
故障监测是通过统计学方法对生产过程中的数据进行定量分析,不仅可以改善产品质量还可以提升过程的安全性。随着生产过程工艺复杂性及自动化程度的提高,过程变量逐渐增多,生产过程数据量也成倍地增加。在这样的背景下,基于过程数据的多变量统计分析故障监测算法被广泛应用于过程监控领域。其中常见的多元统计过程监控方法主要有主元分析法(PCA)、偏最小二乘法 (PLS)、独立元分析法(ICA)及kNN故障监测方法。kNN故障监测方法根据故障样本与正常样本相比会产生偏移量的特性,寻找故障样本的前k个最近邻样本,构造统计量进行过程监控。
寻找故障样本的前k个最近邻样本,也可称为K近邻集,经常采用的距离计算方法有欧式距离计算法和马氏距离计算法。欧式距离计算法比较简单,但存在着赋予样本偏移量相同权重的弊端,同时如果在计算距离之前没有对故障样本数据进行标准化处理,最终结果会在很大程度上受量纲影响。马氏距离在计算过程中会考虑数据集分布特性即数据集内变量和变量的相关性。因此,选取不同距离公式计算的相同两点间的距离是不同的,从而也会影响kNN故障监测方法的监测结果。He等首先基于k近邻规则,采用样本与其最近邻的k个样本欧氏距离的平方和作为统计量,提出了kNN故障监测方法;Ferreira等在kNN 故障监测方法的基础上,将近邻样本搜寻与统计量计算中的欧式距离换为马氏距离,提升了kNN故障监测方法的性能。
由于在现代复杂工业过程中,过程变量经常来自许多不同的操作单元,导致全局建模策略存在统计量计算困难且不易解释等问题。基于多块建模策略的监测方法越来越多地得到应用,多块建模中数据的分块对监测结果会产生很大的影响。Song等通过局部异常因子对数据分块;Wang等利用KL散度对数据进行分块;王振雷等首先通过J-B监测将数据分成高斯子块与非高斯子块,接着利用Hellinger距离对子块进一步划分;Ge等将原始非线性空间近似为多个线性子空间。这些多块建模方法都在原始数据集上进行子块划分,在某种意义上忽略了原始数据集中隐含的部分有效信息,而提取这部分隐含的有效信息有利于提高监测算法的性能。因此在kNN故障监测模型中,选用何种距离公式寻找近邻样本、计算统计量以及如何提取数据集中隐含的有效信息构造子块从而达到较准确地监测故障,成为本领域的一大难题。
发明内容
针对传统kNN故障检测仅考虑近邻样本观测信息的问题,提出一种基于多块信息提取和马氏距离的故障监测方法。
第一方面,根据本发明实施例提供一种基于多块信息提取和马氏距离的故障监测方法,用于对TE过程中的故障进行监测,包括如下步骤:
步骤S16、分别求取原始正常工况标准数据集第一子块信息数据集、第二子块信息数据集、待测标准样本xμ、第三子块信息和第四子块信息的统计量,并求取原始正常工况标准数据集第一子块信息数据集和第二子块信息数据集的控制限;
其中,x表示原始正常工况数据集X0∈Rm×n中的一个样本,x*表示样本x经过标准化后处理后得到的原始正常工况标准数据集中对应的样本, mean(X0)表示原始正常工况数据集X0按行求均值得到的均值向量,std(X0)表示原始正常工况数据集X0按行求标准差得到的标准差向量,m代表样本维数,n代表样本个数;所述原始正常工况数据集X0为矩阵。
其中,为累计信息数据集DInt中的第i个样本,由于累计信息数据集DInt的获取需要前置样本,前T个样本点无法提取出累计信息数据集,故DtnI∈R(m×n)T-。为变化率信息数据集DDif中第i个样本,DDif∈Rm×(n-T)。
第二方面,根据本发明实施例提供一种基于多块信息提取和马氏距离的故障监测***,用于对TE过程中的故障进行监测,包括:
统计量求取模块,用于分别求取原始正常工况标准数据集第一子块信息数据集和第二子块信息数据集、待测标准样本xμ、第三子块信息和第四子块信息的统计量,并求取原始正常工况标准数据集第一子块信息数据集和第二子块信息数据集的控制限;
本发明实施例提供的基于多块信息提取和马氏距离的kNN故障监测方法及***,一方面可以提高对微小偏移和脉冲振荡类型故障的检出率,另一方面相较于PCA方法对于非线性非高斯数据有一定的监测优势,同时改善了传统kNN 故障监测方法的监测性能。
附图说明
图1为本发明实施例提供的基于多块信息提取和马氏距离的kNN故障监测方法的流程图;
图2为本发明实施例提供的方法生成控制限的示意图;
图3为本发明实施例提供的方法确定样本是否故障的结构示意图;
图4a为本发明实施例提供的方法在数值仿真采用kNN故障监测(FD-kNN) 方法的故障检测方法监测结果示意图;
图4b为本发明实施例提供的方法在数值仿真采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法的监测结果示意图;
图5a为kNN故障监测(FD-kNN)方法对数值仿真的诊断结果示意图;
图5b为基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法对数值仿真的诊断结果示意图;
图6b为采用本发明实施例的方法监测到的原始正常工况标准数据集的第一子块信息数据集中故障变量x2的曲线图;
图6c为采用本发明实施例的方法监测到的原始正常工况标准数据集的第二子块信息数据集中故障变量x2的曲线图;
图6d为采用本发明实施例的方法监测到的原始正常工况标准数据集中故障变量x3的曲线图;
图6e为采用本发明实施例的方法监测到的原始正常工况标准数据集的第一子块信息数据集中故障变量x3的曲线图;
图6f为采用本发明实施例的方法监测到的原始正常工况标准数据集的第二子块信息数据集中故障变量x3的曲线图;
图7为采用本发明实施例的方法监测到的TE过程故障11的诊断结果示意图;
图8为TE过程对于故障11,原始正常工况标准数据集的第一子块信息数据集、原始正常工况标准数据集的第二子块信息数据集中变量9和32的曲线图;
图9a为FD-kNN方法对TE过程中的故障11的监测结果示意图;
图9b为MD-kNN方法对TE过程中故障11的监测结果示意图;
图9c为采用本发明实施例的监测方法对TE过程中的故障11的监测结果示意图;
图10为本发明实施例提供的基于多块信息提取和马氏距离的kNN故障监测***的模块图。
具体实施方式
本发明实施例公开一种基于多块信息提取和马氏距离的故障监测方法,用于对TE过程中的故障进行监测,参见图1所示,包括如下步骤:
步骤S16、分别求取原始正常工况标准数据集第一子块信息数据集、第二子块信息数据集、待测标准样本xμ、第三子块信息和第四子块信息的统计量,并求取原始正常工况标准数据集第一子块信息数据集和第二子块信息数据集的控制限;
其中,x表示原始正常工况数据集X0∈Rm×n中的一个样本,x*表示样本x经过标准化后处理后得到的原始正常工况标准数据集中对应的样本, mean(X0)表示原始正常工况数据集X0按行求均值得到的均值向量,std(X0)表示原始正常工况数据集X0按行求标准差得到的标准差向量,m代表样本维数,n代表样本个数;所述原始正常工况数据集X0为矩阵。
其中,为累计信息数据集DInt中的第i个样本,由于累计信息数据集DInt的获取需要前置样本,前T个样本点无法提取出累计信息数据集,故DtnI∈R(m×n)T-。为变化率信息数据集DDif中第i个样本,DDif∈Rm×(n-T)。
其中,分别为待测标准样本xμ、第三子块信息及第四子块信息 为故障样本条件下数据集的似然函数,为正常样本条件下数据集的似然函数,是正常样本的先验概率,是故障样本的先验概率;在此指出,是正常样本的先验概率,表示的是任意采样一定数量的样本(这批样本中有正常的也有故障的,可以理解成未知的生产工况数据),其中正常工况的样本出现的概率。
如下,列举一个具体实施例进行阐述:
以一个数值例子及TE过程为例,对数值例子中设定的2种故障及TE过程的21种故障进行了监测,其中,TE过程是Tenessee Eastman化学公司基于某实际化工生产过程提出的一个仿真***,在过程***工程领域的研究中,TE过程是一个常用的标准问题(Benchmark problem),其较好的模拟了实际复杂工业过程***的许多典型特征,因此被作为仿真示例广泛应用于控制、优化、过程监控与故障诊断的研究中。TE过程主要有反应器、冷凝器、压缩机、分离器和汽提塔五个主要单元组成。该过程包含22个过程测量变量、19个成分测量变量以及12个操作变量。本发明实施例选取22个过程测量变量以及除搅拌速度外的11个操作变量用于建模与监测。TE过程共包含21种故障,本发明实施例采集正常工况下的960个样本作为训练数据集,各种故障工况时的960个样本用作故障测试集,其中故障均从第161个样本点处加入,但由于累计信息会丢失前T个样本(仿真中T取5),故后续故障监测图中实际故障发生点都位于第156 个样本处。
首先,获取正常工况下的960个样本作为原始正常工况数据集,并采用第一数学模型进行标准化处理,得到原始正常工况标准数据集;然后采用第二数学模型对原始正常工况标准数据集、待测标准样本进行多块信息提取得到个子对应的累计信息数据集和变化率信息数据集,并根据原始正常工况标准数据集、原始正常工况标准数据集的累计信息数据集及原始正常工况标准数据集的变化率信息数据集生成控制限,参见图2所示。及,根据生成的控制限、待测标准样本的累计信息数据集及待测标准样本的变化率信息数据集融合成BIC统计量,当BIC统计量大于控制限时,确定该样本发生故障,具体流程参见图3所示。
图4a为数值仿真采用kNN故障监测(FD-kNN)方法的故障检测方法监测结果对比示意图,图4b为数值仿真采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法的监测结果对比示意图;可以看出,采用MBI-MDkNN 方法相较于kNN故障检测方法,对于数值仿真中构造的微小偏移和脉冲振荡类型的故障具有更早且更准确的监测结果。
图5a为kNN故障监测(FD-kNN)方法对数值仿真的诊断结果示意图,图 5b为基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法对数值仿真的诊断结果示意图。通过对比图5a与图5b可以看出,本发明实施例的基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法相较于kNN故障监测(FD-kNN)方法而言,诊断出故障的时间比较早,且诊断出的故障更准确。
采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到的原始正常工况标准样本集中的故障变量x2的曲线图参见图6a所示,采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到的原始正常工况标准样本集的累计信息数据集中的故障变量x2的曲线图参见图6b所示,采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到的原始正常工况标准样本集的变化率信息数据集中的故障变量x2的曲线图参见图6c所示;而采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到的原始正常工况标准数据集中的故障变量x3的曲线图参见图6d所示,采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到的原始正常工况标准样本集的累计信息数据集中的故障变量x3的曲线图参见图6e所示,采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到的原始正常工况标准样本集的变化率信息数据集中的故障变量x3的曲线图参见图6f所示;采用多块信息提取的方法,明显地放大了故障放生前后样本变量的差异,同时不同的信息提取方法对于不同变量差异放大效果不同。
采用本发明实施例的基于多块信息提取和马氏距离的故障监测 (MBI-MDkNN)方法监测到的TE过程故障11的诊断结果示意图参见图7所示,通过提取累计信息,原始正常工况标准数据集的累计信息数据集对于故障 11有着优于原始正常工况标准数据集、原始正常工况标准数据集的变化率信息数据集的故障监测和诊断效果。
采用本发明实施例的方法监测到TE过程对于故障11,原始正常工况标准样本集的累计信息数据集、原始正常工况标准样本集的变化率信息数据集中变量9和32的曲线图参见图8所示,可以看出,从原始正常工况标准数据集中提取的累计信息数据集放大了变量9和变量32在故障11发生前后的差异性,从而解释了从原始正常工况标准数据集中提取的累计信息数据集故障监测和诊断结果好的原因。
进一步,对TE过程中的故障11,采用本发明实施例的基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到TE过程中原始正常工况标准样本集中9号变量x9及32号变量x32故障,原始正常工况标准样本集的累计信息数据集中9号变量x9及32号变量x32的变量曲线图分别参见图8a、图8b所示;同理监测到原始正常工况标准样本集的变化率信息数据集中9号变量x9及32号变量x32故障,原始正常工况标准样本集的变化率信息数据集中9号变量x9及32 号变量x32的曲线图参见图8c-8d所示。
图9a为FD-kNN方法对TE过程中的故障11的监测结果示意图,图9b为 MD-kNN方法对TE过程中故障11的监测结果示意图,图9c为采用本发明实施例的监测方法对TE过程中的故障11的监测结果示意图,通过比对可以得出,采用本发明实施例的故障监测方法针对微小偏移和脉冲震荡类型故障具有较高的检出率,且本方法对非线性高斯数据具有一定的监测优势,同时改善了传统 kNN故障监测方法的监测性能。
第二方面,本发明实施例还提供一种基于多块信息提取和马氏距离的故障监测***,用于对TE过程中的故障进行监测,参见图10所示,包括:
统计量求取模块103,用于分别求取原始正常工况标准数据集第一子块信息数据集和第二子块信息数据集、待测标准样本xμ、第三子块信息和第四子块信息的统计量,并求取原始正常工况标准数据集第一子块信息数据集和第二子块信息数据集的控制限;
本发明实施例提供的基于多块信息提取和马氏距离的kNN故障监测***,针对微小偏移和脉冲震荡类型故障具有较高的检出率,且本***对非线性高斯数据具有一定的监测优势,同时改善了传统kNN故障监测方法的监测性能。需要说明的是,以上是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰,均属于发明技术方案的范围内。
还需要说明的是,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、商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、商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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅以一较佳实施例对本发明的技术方案进行介绍,但是对于本领域的一般技术人员,依据本发明实施例的思想,应能在具体实施方式上及应用范围上进行改变,故而,综上所述,本说明书内容部不应该理解为本发明的限制,凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (8)
1.基于多块信息提取和马氏距离的故障监测方法,用于对TE过程中的故障进行监测,包括如下步骤:
步骤S16、分别求取原始正常工况标准数据集第一子块信息数据集和、第二子块信息数据集、待测标准样本xμ、第三子块信息和第四子块信息的统计量,并求取原始正常工况标准数据集第一子块信息数据集和第二子块信息数据集的控制限;
其中,所述步骤S18具体包括:
8.基于多块信息提取和马氏距离的故障监测***,用于对TE过程中的故障进行监测,包括:
统计量求取模块,用于分别求取原始正常工况标准数据集第一子块信息数据集和第二子块信息数据集、待测标准样本xμ、第三子块信息和第四子块信息的统计量,并求取原始正常工况标准数据集第一子块信息数据集和第二子块信息数据集的控制限;
其中,故障诊断模块的作用具体包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010897994.7A CN112000081B (zh) | 2020-08-31 | 2020-08-31 | 基于多块信息提取和马氏距离的故障监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010897994.7A CN112000081B (zh) | 2020-08-31 | 2020-08-31 | 基于多块信息提取和马氏距离的故障监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112000081A CN112000081A (zh) | 2020-11-27 |
CN112000081B true CN112000081B (zh) | 2021-10-08 |
Family
ID=73466065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010897994.7A Active CN112000081B (zh) | 2020-08-31 | 2020-08-31 | 基于多块信息提取和马氏距离的故障监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112000081B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095402B (zh) * | 2021-04-12 | 2023-06-13 | 江南大学 | 一种基于编码输入的生成对抗网络故障检测方法及*** |
CN113359665B (zh) * | 2021-05-31 | 2022-11-18 | 上海工程技术大学 | 一种基于加权关键主元的工业过程故障检测方法及*** |
CN113865873B (zh) * | 2021-12-02 | 2022-02-18 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种轴承组的健康监测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6610987B2 (ja) * | 2015-02-18 | 2019-11-27 | 株式会社Ihi | 異常診断方法及び異常診断システム |
JP2019023771A (ja) * | 2015-12-16 | 2019-02-14 | 三菱電機株式会社 | 故障診断装置 |
CN106354125A (zh) * | 2016-11-09 | 2017-01-25 | 上海电机学院 | 一种利用分块pca检测化工过程故障的方法 |
CN109189028A (zh) * | 2018-10-15 | 2019-01-11 | 江南大学 | 基于多块信息提取的pca故障诊断方法 |
CN109947076B (zh) * | 2019-03-14 | 2020-06-02 | 华中科技大学 | 一种基于贝叶斯信息准则的工业过程故障诊断方法 |
CN110794797A (zh) * | 2019-11-27 | 2020-02-14 | 江南大学 | 一种基于互信息和多块信息提取的pca故障监测方法 |
-
2020
- 2020-08-31 CN CN202010897994.7A patent/CN112000081B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112000081A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112000081B (zh) | 基于多块信息提取和马氏距离的故障监测方法及*** | |
US8682616B2 (en) | Identifying failures in an aeroengine | |
Tong et al. | Decentralized monitoring of dynamic processes based on dynamic feature selection and informative fault pattern dissimilarity | |
CA2931624A1 (en) | Systems and methods for event detection and diagnosis | |
EP3876056A1 (en) | Abnormality detection device, abnormality detection method, and program | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN110083593B (zh) | 电站运行参数清洗及修复方法、修复*** | |
Zhong et al. | Multimode non‐Gaussian process monitoring based on local entropy independent component analysis | |
CN105117550A (zh) | 一种面向产品多维相关性退化失效的建模方法 | |
CN109240276B (zh) | 基于故障敏感主元选择的多块pca故障监测方法 | |
Li et al. | Canonical variate residuals-based contribution map for slowly evolving faults | |
CN111639304B (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
Fullen et al. | Semi-supervised case-based reasoning approach to alarm flood analysis | |
JP2009070834A (ja) | 基板分類方法および装置、異常設備推定方法および装置、基板分類方法または異常設備推定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
CN116627116B (zh) | 一种流程工业故障定位方法、***及电子设备 | |
Jobi-Taiwo et al. | Mahalanobis-Taguchi system for multiclass classification of steel plates fault | |
CN116641941A (zh) | 一种基于典型变量分析的液压***早期故障动态检测方法 | |
TWI639908B (zh) | 製程偵錯與診斷方法 | |
CN114371677B (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
Buschmann et al. | Data-driven decision support for process quality improvements | |
CN112104340B (zh) | 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法 | |
CN112184034A (zh) | 基于互信息的多块k近邻故障监测方法及*** | |
CN109523195B (zh) | 基于样本多模态分类的分层式非高斯算法的故障检测方法 | |
Li et al. | A similarity-based and model-based fusion prognostics framework for remaining useful life prediction |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240122 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Country or region after: China Address before: No. 1800 road 214122 Jiangsu Lihu Binhu District City of Wuxi Province Patentee before: Jiangnan University Country or region before: China |
|
TR01 | Transfer of patent right |