CN113092907B - 一种基于分块慢特征分析的***故障检测方法 - Google Patents
一种基于分块慢特征分析的***故障检测方法 Download PDFInfo
- Publication number
- CN113092907B CN113092907B CN202110361636.9A CN202110361636A CN113092907B CN 113092907 B CN113092907 B CN 113092907B CN 202110361636 A CN202110361636 A CN 202110361636A CN 113092907 B CN113092907 B CN 113092907B
- Authority
- CN
- China
- Prior art keywords
- data
- block
- fault
- monitoring
- traction system
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims description 78
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000000903 blocking effect Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 101100346171 Arabidopsis thaliana MORC3 gene Proteins 0.000 description 2
- 101100168604 Candida albicans (strain SC5314 / ATCC MYA-2876) CRH12 gene Proteins 0.000 description 2
- 101100168607 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) UTR2 gene Proteins 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
-
- 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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种基于分块慢特征分析的***故障检测方法,它属于故障诊断领域。本发明解决了已有方法不能够对牵引***中的强噪声干扰与故障状态进行有效辨识的问题。根据牵引***的结构特点,本发明通过互信息分析变量间的高阶统计特性,有助于降低计算复杂度,利用动态慢特征分析方法对各子块的性能进行有效监控,并且设计的两个检验统计量分别具有时间序列特征和一阶差分特征,能够监测牵引***中的强噪声情况,再根据设计的逻辑决策,可以有效地分离牵引***中的强噪声干扰与故障状态。本发明可以应用于故障诊断领域。
Description
技术领域
本发明属于故障诊断领域,具体涉及一种基于分块慢特征分析的***故障检测方法。
背景技术
目前,牵引***作为高速列车的复杂机电***之一,可以提供负载功率和调节列车速度。牵引***一旦发生故障,故障可能通过多个子***之间的连接路径传播。这些故障将影响各级子***的运行性能,严重时甚至导致运行故障。
由于对低能耗、***性能和安全运行的要求越来越高,牵引***变得越来越复杂。以牵引电机为例,CRH2列车最早的异步牵引电机逐渐被永磁(同步)牵引电机取代,更加节能高效。为了提高***的稳定性,牵引***的监控方法受到了广泛的关注。其中,基于模型的监测方法需要建立牵引***的数学模型,通过构造观测器或参数矩阵来检测***故障。已有方法多根据牵引***机理,通过采集数据与机理辨识方式分析***故障,这类方式大多是离线的,需要导出数据进行集中式计算,之后再与机理结合分析故障,因此具有较高的计算复杂度,并大大影响了监测效率。并且现有牵引***故障诊断技术对于强噪声干扰与故障状态无法进行有效辨识。
与已有方法相比,数据驱动方法具有更明显的优势。从工程角度看,CRH2共有16节车厢安装了近3000个传感器,其中测量电压和电流的传感器有300多个,采样频率最快可达微秒级,随着各种传感器的使用,为牵引***的性能监控管理生成了大量的数据。因此,为数据驱动方法在牵引***故障诊断技术中的应用提供了可能。
发明内容
本发明的目的是为解决已有方法不能够对牵引***中的强噪声干扰与故障状态进行有效辨识的问题,而提出了一种基于分块慢特征分析的***故障检测方法。
本发明为解决上述技术问题所采取的技术方案是:一种基于分块慢特征分析的***故障检测方法,所述方法具体包括以下步骤:
步骤一、在线采集牵引***的M0个传感器的监测数据;
步骤二、对于步骤一中所采集的每个传感器的监测数据,均进行分块处理;
步骤三、分别对每个传感器的监测数据进行时序滞后处理,得到经过时序滞后处理后的各分块数据;
步骤四、采用慢特征分析方法分别计算经过时序滞后处理后的各分块数据的慢度映射矩阵;
步骤五、根据各分块数据的慢度映射矩阵计算各分块数据的检验统计量,再根据各分块数据的检验统计量进行牵引***局部的故障判断;若判断结果为有故障,则继续执行步骤六,否则结束整个流程;
步骤六、对各分块数据的检验统计量进行整合,获得全局监测检验统计量;再根据获得的全局监测检验统计量判断牵引***全局是否存在故障。
本发明的有益效果是:本发明提出了一种基于分块慢特征分析的***故障检测方法,根据牵引***的结构特点,本发明通过互信息分析变量间的高阶统计特性,有助于降低计算复杂度,利用动态慢特征分析方法对各子块的性能进行有效监控,并且设计的两个检验统计量分别具有时间序列特征和一阶差分特征,能够监测牵引***中的强噪声情况,再根据设计的逻辑决策,可以有效地分离牵引***中的强噪声干扰与故障状态。
而且,本发明的监测方法实现了电力传动***的局部和全局并行监控,有效地避免了局部故障向全局故障演化的可能性,大大提高了***监测的效率。
附图说明
图1为本发明方法的流程图;
图2a)为牵引***传感器采集的故障数据1;
图2b)为牵引***传感器采集的故障数据2;
图2c)为牵引***传感器采集的故障数据3;
图2d)为牵引***传感器采集的故障数据4;
图2e)为牵引***传感器采集的故障数据5;
图2f)为牵引***传感器采集的故障数据6;
图2g)为牵引***传感器采集的故障数据7;
图2h)为牵引***传感器采集的故障数据8;
图3a)为牵引***T2统计量的局部监测结果图1;
图3b)为牵引***T2统计量的局部监测结果图2;
图3c)为牵引***T2统计量的局部监测结果图3;
图4a)为牵引***Q统计量的局部监测结果图1;
图4b)为牵引***Q统计量的局部监测结果图2;
图4c)为牵引***Q统计量的局部监测结果图3;
图5b)为牵引***BICQ统计量的全局监测结果图。
具体实施方式
具体实施方式一、本实施方式所述的一种基于分块慢特征分析的***故障检测方法,所述方法具体包括以下步骤:
步骤一、在线采集牵引***的M0个传感器的监测数据;所述采集的监测数据均为耦合电气原件相关的数据;
步骤二、对于步骤一中所采集的每个传感器的监测数据,均进行分块处理;
步骤三、分别对每个传感器的监测数据进行时序滞后处理,得到经过时序滞后处理后的各分块数据;
步骤四、采用慢特征分析方法分别计算经过时序滞后处理后的各分块数据的慢度映射矩阵;
步骤五、根据各分块数据的慢度映射矩阵计算各分块数据的检验统计量,再根据各分块数据的检验统计量进行牵引***局部的故障判断;若判断结果为有故障,则继续执行步骤六,否则结束整个流程;
步骤六、对各分块数据的检验统计量进行整合,获得全局监测检验统计量;再根据获得的全局监测检验统计量判断牵引***全局是否存在故障。
若步骤五中判断存在局部故障,则需要进一步判断是否存在全局故障,若不存在全局故障,则认为***只是存在局部的故障,通过对局部故障进行处理可以有效地避免局部故障向全局故障演化的可能性;否则若存在全局故障,则***发生全局故障。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤二的具体过程为:
其中,xi为第i个传感器的监测数据,xj为第j个传感器的监测数据,r(xi,xj)为xi与xj的数据相关性,p(xi)表示xi的发生概率,p(xj)表示xj的发生概率,p(xi,xj)为联合概率;
根据计算出的数据相关性,将彼此独立的传感器监测数据放在一个块中,将互信息大于-100的传感器监测数据放在一个块中,得到分块处理后的结果。
具体实施方式三:本实施方式与具体实施方式二不同的是,所述步骤三的具体过程为:
本实施方式中,对分块数据用滞后样本对每个输入向量进行扩展,得到动态数据样本:
牵引***可采用多块方案的原因是由机械结构和传感器分布决定的。
具体实施方式四:本实施方式与具体实施方式三不同的是,所述步骤五中,根据各分块数据的慢度映射矩阵计算各分块数据的检验统计量,其具体过程为:
其中F(·)是慢度的映射;公式(3)的推导过程为:
约束条件为
其中符号<·>k表示在一段时间内的采样平均,公式(5)表示慢度均值为0,目标是尽可能的提取出缓慢变化的特征;公式(6)表示慢度方差为单位1将所有输出信号归一化为公共尺度,为了使问题的求解过程变的更加简单;公式(7)表示变量之间不相关,约束保证了输出信号归一化的同时,还避免了常值解的出现,使输出信号必须包含一定的信息,保证不同的输出信号分量对不同的信息进行分析。
同理,获得各分块数据的检验统计量。
具体实施方式五:本实施方式与具体实施方式四不同的是,所述步骤五中,根据各分块数据的检验统计量进行牵引***局部的故障判断,其具体过程为:
分别对每个分块数据的检验统计量进行如下判断:
其中,Jth,q为***的观测状态阈值,Jth,t为***的内部状态阈值,H0和H1分别表示局部原假设和局部备择假设,H0表示无局部故障,H1表示有局部故障;
局部原假设H0分解为以下两种情况:
若存在分块数据的判断结果为故障,就执行步骤六,否则结束整个算法流程。
具体实施方式六:本实施方式与具体实施方式五不同的是,所述步骤六中,根据获得的全局监测检验统计量判断牵引***是否存在故障,其具体过程为:
其中,BICQ为用于统计***观测状态的全局监测检验统计量,为用于统计***内部状态的全局监测检验统计量,H′0和H′1分别表示全局原假设和全局备择假设,H′0表示牵引***无故障;且全局原假设H′0分解为以下两种情况:
本实施方式中的阈值Jth,q和Jth,t是通过训练和测试过程得到的,在进行训练过程之前,采集了牵引***在正常工作状态下的传感器监测数据作为训练集,对训练集执行步骤一至步骤六的过程,再采集牵引***在故障状态下的传感器监测数据作为测试集,对测试集执行步骤一至步骤六的过程,直至在测试集上的监测精度达到预设要求时停止训练,获得训练好的阈值Jth,q和Jth,t。
实施例
下面结合附图和具体实例对本发明的具体实施方式做进一步分析和说明:
如图1所示,基于分块慢特征分析方法的牵引***监测的流程示意图,具体包括:
步骤一(S110),采集高速列车牵引***监测数据作为训练数据和测试数据。在10秒内将两个故障注入牵引***,即传感器短路故障,相关的采样数据如图2a)至图2h)所示。
步骤二(S120),根据互信息计算传感器采集数据的相关性,获得变量之间的子块划分。
步骤二具体为:
为了更好地反映所有变量的相关性,公式(1)的结果可以被缩写为ri,j=r(xi,xj),变量相关矩阵R可以被表示为
步骤三(S130),描述数据的时间序列的特性,对采集样本数据进行滞后处理,得到关于时间序列的子块;
步骤三的具体步骤为:
步骤四(S140),利用慢特征分析方法对牵引***进行局部的监测,设计的两种检验统计量分别描述***观测特性和内部状态特性,通过逻辑决策判决对局部子块分析故障是否发生。
对公式(4)的优化问题等价于求解广义特征值分解,即
AW=BWΛ (15)
第一次SVD分解,对数据进行白化处理,消除变量之间的相关性,即
经过SVD后,则白化数据可以表示为
其中,白化矩阵为Q=Ω-1/2UT,经推导白化数据仍然保持约束条件,即
在此基础上,慢特征表达式可以表示为
总结来说,计算公式(15)可以通过上述推导实现,相关的慢度特征值λi可以给出
与其他多元统计分析方法相似,慢特征分为主元慢度特征和残差慢度特征,并在文献(Concurrent monitoring of operating condition deviations and processdynamics anomalies with slow feature analysis)中给出了完整的证明和全面的分析。因此,将每个慢速特征块的主元和残差成分表示为
其中是一个重要的监测指标,描述了测量值之间的时间相关性。在走行部牵引***中,和可以分别表示观测状态和内部状态,与PCA和PLS的监测方法相似,设计两个检验统计量来监测***,Hotelling’s统计量的定义如下:
其中和统计量测量***的内部状态,和统计量测量***的观测状态。考虑到牵引***中的噪声问题,具有一阶差分特性,提高了监测噪声的灵敏度。与统计相比,能有效分析牵引***的观测状态,避免了计算可逆矩阵问题。因此,采用和共同监测牵引***的局部状态。
因此,牵引***故障监测的假设检验由下式给出
其中H0和H1分别表示原假设和备择假设,H0表示牵引***无故障。注意,原假设可以分解为以下两种情况:
相反,和监测的***一定发生故障。与现有的假设检验方法不同,该方法避免了强噪声的影响,保证了牵引***识别状态的稳定性,有助于分析***的局部状态。如图3a)至图3c)以及图4a)至图4c)所示,为局部监测的结果,图中实线为检验统计量,虚线为设定的阈值。分块1:故障被监测是在10.5s-13s。从13s-30s无故障。故障监测不准确的原因是三相电流的不相关性。虽然第一相电流发生变化,但第二相电流和第三相电流逐渐减小,且减小的方式与第一相电流不相关;分块2:由图2a)至图2h)以及图3a)至图3c)可知,监测结果与分块1完全不同。故障是在11s-30s内被监测到的。因此,在局部监测中***对的容错能力是不同的,分块2是存在故障;分块3:揭示了故障注入牵引***后变压器交流电压和电流监测结果。如图5a)和图5b)所示,故障的监测得时间分别为11.5s-12.5s和15s-21s。
步骤五(S150),利用贝叶斯推理方法对牵引***进行全局的监测,将所有局部监测结果整合,最终通过逻辑决策判决对全局***故障是否发生。
步骤五的具体步骤为:
同样地,BICQ统计量计算为
其中H0和H1分别表示原假设和备择假设,H0表示牵引***无故障。通过局部监测结果分析,可以得出结论是各分块对故障的敏感性不同的。采用贝叶斯算法对分块的监测结果进行整合。最后,如图5a)和图5b)所示,获得牵引***的全局监测结果。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (2)
1.一种基于分块慢特征分析的***故障检测方法,其特征在于,所述方法具体包括以下步骤:
步骤一、在线采集牵引***的M0个传感器的监测数据;
步骤二、对于步骤一中所采集的每个传感器的监测数据,均进行分块处理;
所述步骤二的具体过程为:
其中,xi为第i个传感器的监测数据,xj为第j个传感器的监测数据,r(xi,xj)为xi与xj的数据相关性,p(xi)表示xi的发生概率,p(xj)表示xj的发生概率,p(xi,xj)为联合概率;
根据计算出的数据相关性,将彼此独立的传感器监测数据放在一个块中,将互信息大于-100的传感器监测数据放在一个块中,得到分块处理后的结果;
步骤三、分别对每个传感器的监测数据进行时序滞后处理,得到经过时序滞后处理后的各分块数据;
所述步骤三的具体过程为:
步骤四、采用慢特征分析方法分别计算经过时序滞后处理后的各分块数据的慢度映射矩阵;
步骤五、根据各分块数据的慢度映射矩阵计算各分块数据的检验统计量,再根据各分块数据的检验统计量进行牵引***局部的故障判断;若判断结果为有故障,则继续执行步骤六,否则结束整个流程;
所述步骤五中,根据各分块数据的慢度映射矩阵计算各分块数据的检验统计量,其具体过程为:
同理,获得各分块数据的检验统计量;
所述步骤五中,根据各分块数据的检验统计量进行牵引***局部的故障判断,其具体过程为:
分别对每个分块数据的检验统计量进行如下判断:
其中,Jth,q为***的观测状态阈值,Jth,t为***的内部状态阈值,H0和H1分别表示局部原假设和局部备择假设,H0表示无局部故障,H1表示有局部故障;
局部原假设H0分解为以下两种情况:
步骤六、对各分块数据的检验统计量进行整合,获得全局监测检验统计量;再根据获得的全局监测检验统计量判断牵引***全局是否存在故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110361636.9A CN113092907B (zh) | 2021-04-02 | 2021-04-02 | 一种基于分块慢特征分析的***故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110361636.9A CN113092907B (zh) | 2021-04-02 | 2021-04-02 | 一种基于分块慢特征分析的***故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113092907A CN113092907A (zh) | 2021-07-09 |
CN113092907B true CN113092907B (zh) | 2023-02-03 |
Family
ID=76673699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110361636.9A Active CN113092907B (zh) | 2021-04-02 | 2021-04-02 | 一种基于分块慢特征分析的***故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113092907B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556202B (zh) * | 2023-11-09 | 2024-06-11 | 南通大学 | 基于概率相关慢特征分析的工业过程微小故障检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647718A (zh) * | 2017-01-20 | 2017-05-10 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
CN111160776A (zh) * | 2019-12-30 | 2020-05-15 | 华东理工大学 | 利用分块主成分分析的污水处理过程异常工况检测方法 |
CN111736567A (zh) * | 2020-05-12 | 2020-10-02 | 江南大学 | 一种基于故障敏感慢特征的多块故障监测方法 |
CN112160877A (zh) * | 2020-09-03 | 2021-01-01 | 中国长江三峡集团有限公司福建分公司 | 一种基于sfa和cnn的风机轴承故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108873853A (zh) * | 2018-09-11 | 2018-11-23 | 浙江大学 | 一种基于分层慢特征分析的智能电厂汽水***分布式监测方法 |
CN111880090B (zh) * | 2019-06-28 | 2021-07-06 | 浙江大学 | 一种面向百万千瓦超超临界机组的在线故障检测方法 |
-
2021
- 2021-04-02 CN CN202110361636.9A patent/CN113092907B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647718A (zh) * | 2017-01-20 | 2017-05-10 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
CN111160776A (zh) * | 2019-12-30 | 2020-05-15 | 华东理工大学 | 利用分块主成分分析的污水处理过程异常工况检测方法 |
CN111736567A (zh) * | 2020-05-12 | 2020-10-02 | 江南大学 | 一种基于故障敏感慢特征的多块故障监测方法 |
CN112160877A (zh) * | 2020-09-03 | 2021-01-01 | 中国长江三峡集团有限公司福建分公司 | 一种基于sfa和cnn的风机轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
concurrent monitoring of operating condition deviations and process dynamics anomalies with slow feature analysis;chao shang 等;《AIChE Journal》;20151130;第61卷(第11期);3666-3682 * |
ulti-Block Fault Detection for Plant-Wide Dynamic Processes Based on Fault Sensitive Slow Features and Support Vector Data Description;Chao Zhai 等;《IEEE Access》;20200701;120737-120745 * |
基于慢特征分析的高速列车走行部***故障诊断研究;乔新宇;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20210815;C033-62 * |
Also Published As
Publication number | Publication date |
---|---|
CN113092907A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN112731260B (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
CN111796233B (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
CN113092907B (zh) | 一种基于分块慢特征分析的***故障检测方法 | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、***及存储介质 | |
CN112100946B (zh) | 一种基于故障在线模拟的逆变器开路故障诊断方法及装置 | |
Wu et al. | An improved LSTM neural network with uncertainty to predict remaining useful life | |
Morsalin et al. | Induction motor inter-turn fault detection using heuristic noninvasive approach by artificial neural network with Levenberg Marquardt algorithm | |
CN111273126A (zh) | 一种配电网拓扑快速感知方法 | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
Chen et al. | Generalized CCA with applications for fault detection and estimation | |
CN117688496B (zh) | 面向卫星遥测多维时序数据的异常诊断方法、***及设备 | |
CN115771165B (zh) | 无故障样本下的工业机器人故障检测与定位方法、*** | |
Ni et al. | A fault diagnosis and measurement method for temperature measurement circuits in electric traction drive system | |
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 | |
CN118100446B (zh) | 一种用于电力***的节点运行状态智能检测方法 | |
Eklund | Using synthetic data to train an accurate real-world fault detection system | |
Song et al. | Incipient faults Detection Based on Hellinger Distance and Canonical Variate Analysis for Traction Systems in High-speed Trains | |
CN115825732A (zh) | 特征关联的永磁同步电机驱动***开路故障智能诊断方法 | |
CN114490596A (zh) | 一种基于机器学习与神经网络的变压器油色谱数据清洗的方法 | |
Li et al. | Incremental Multivariate State Estimation Technique-Based Fault Estimation Method for Motor-driven High-Voltage Circuit Breakers | |
Li et al. | Research on spacecraft anomaly detection method based on neural networks |
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 |