CN113239187B - 一种基于多层级工业结构知识块划分的监测方法 - Google Patents
一种基于多层级工业结构知识块划分的监测方法 Download PDFInfo
- Publication number
- CN113239187B CN113239187B CN202110393994.8A CN202110393994A CN113239187B CN 113239187 B CN113239187 B CN 113239187B CN 202110393994 A CN202110393994 A CN 202110393994A CN 113239187 B CN113239187 B CN 113239187B
- Authority
- CN
- China
- Prior art keywords
- level
- statistics
- sub
- block
- residual
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 94
- 230000008569 process Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000000638 solvent extraction Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010219 correlation analysis Methods 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
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于多层级工业结构知识块划分的监测方法，所述方法包括：构建工业过程的多层级知识图；对所述多层级知识图中的节点进行子块划分，得到多层级子块，并根据所述多层级子块得到多层级子块统计数据；其中，所述多层级子块统计数据包括主元统计量、残差统计量、主元统计量阈值和残差统计量阈值；根据所述多层级子块统计数据，得到多层级子块的全局监测结果和局部监测结果。本发明实施例通过上述方法，以少量简单的专家领域知识，构建工业过程的多层级知识图，并以所述多层级知识图的节点为依据进行子块划分，最后根据所述多层级子块统计出主元统计量和残差统计量，通过贡献图反溯策略实现异常节点的精确定位。
Description
技术领域
本发明涉及工业知识自动化技术领域，尤其涉及的是一种基于多 层级工业结构知识块划分的监测方法。
背景技术
随着现代通信、计算机以及传感器等技术取得巨大进步，大多数 现代大型流程生产过程具有传统过程所不具备的特性。例如，众多的 操作单元、众多的监测变量和强耦合的变量相关性。这些特殊特性使 得现有技术越来越难以保障大规模流程工业生产的安全性。
现有相关研究表明，使用分块或分散监测模式建立的分布式监测 ***可解决这种大规模流程工业生产的安全性，且该策略通常比传统 单一监测方法获得更好的监测性能，例如提高异常状态检出率、降低 监测***的复杂性等。保障该分散监测策略性能的关键点在于：生产过程块划分应具有对异常工况准确描述的能力；每个划分块运行状态 应快速、灵敏地反映在全局异常状态的统计指标中；全局状态的复合 异常应可解耦合地进行局部监测变量的准确定位。
以往的块划分方法主要是采用数据驱动的方法进行的，但实际工 业***中各种运行工况数据样本难以获得，或者数据样本本身就是强 欠完备的，导致基于数据驱动的块划分方法难以适用于现代大型流程 生产过程的监测。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供 一种基于多层级工业结构知识块划分的监测方法，旨在解决现有技术 中的厂级过程监测难以获得实际工业***中各种运行工况数据样本， 或者数据样本本身就是强欠完备的，导致基于数据驱动的块划分方法难以适用于现代大型流程生产过程的监测的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种基于多层级工业结构知识块划 分的监测方法，其中，所述方法包括：
构建工业过程的多层级知识图；
对所述多层级知识图中的节点进行子块划分，得到多层级子块， 并根据所述多层级子块得到多层级子块统计数据；其中，所述多层级 子块统计数据包括主元统计量、残差统计量、主元统计量阈值和残差 统计量阈值；
根据所述多层级子块统计数据，得到多层级子块的全局监测结果 和局部监测结果。
在一种实现方式中，其中，所述构建工业过程的多层级知识图包 括：
获取关心对象集、层级、层级参数和领域专家知识；其中，所述 关心对象集用于表征关注对象的特征；所述层级包括业务层、指标层、 厂级过程层、子过程层和设备层；所述层级参数包括控制参数、***状态参数、指标数据和市场信息数据；
对所述关心对象集、所述层级参数进行实体分类和实体关系分类， 得到实体分类矩阵和实体关系分类矩阵；
根据所述实体分类矩阵和所述实体关系分类矩阵，得到工业过程 的多层级知识图。
在一种实现方式中，其中，所述多层级子块统计数据包括主元统 计量、残差统计量；
所述对所述多层级知识图中的节点进行子块划分，得到多层级子 块，并根据所述多层级子块得到多层级子块统计数据包括：
对所述多层级知识图中的节点进行子块划分，得到多层级子块；
对所述多层级子块中的所述实体分类矩阵进行归一化计算，得到 归一化参数；
对所述归一化参数进行奇异值分解，得到负载矩阵、得分矩阵；
根据所述负载矩阵和所述得分矩阵，得到主元统计量、残差统计 量。
在一种实现方式中，其中，，所述根据所述负载矩阵和所述得分 矩阵，得到主元统计量、残差统计量包括：
根据所述负载矩阵和所述得分矩阵，得到主元变量和残差变量；
根据所述主元变量和所述残差变量，得到主元统计量和残差统计 量。
在一种实现方式中，其中，所述多层级子块统计数据包括主元统 计量阈值和残差统计量阈值，所述对所述多层级知识图中的节点进行 子块划分，得到多层级子块，并根据所述多层级子块得到多层级子块 统计数据包括：
对所述多层级知识图中的节点进行子块划分，得到多层级子块；
对所述多层级子块中的所述实体分类矩阵进行归一化计算，得到 归一化参数；
对所述归一化参数进行奇异值分解，得到对角矩阵；
根据所述对角矩阵，得到主元统计量阈值和残差统计量阈值。
在一种实现方式中，其中，所述根据所述多层级子块统计数据， 得到多层级子块的全局监测结果和局部监测结果包括：
根据所述主元统计量、所述残差统计量、主元统计量阈值和残差 统计量阈值，得到多层级子块的全局监测状态和局部监测状态；
根据所述全局监测状态和所述局部监测状态，得到多层级子块的 全局监测结果和局部监测结果。
在一种实现方式中，其中，所述根据所述主元统计量和所述残差 统计量，得到多层级子块的全局监测状态和局部监测状态包括：
对所述主元统计量和所述残差统计量进行指标计算，得到若干全 局统计指标和若干局部统计指标；
根据所述全局统计指标和所述局部统计指标，得到若干时刻的全 局监测状态和局部监测状态。
在一种实现方式中，其中，所述根据所述主元统计量和所述残差 统计量，得到多层级子块的全局监测状态和局部监测状态还包括：
当所述主元统计量大于主元统计量阈值或者所述残差统计量大 于残差统计量阈值时，根据所述主元统计量和所述残差统计量计算贡 献图；其中，所述贡献图用于表征所述主元统计量和所述残差统计量 对所述多层级工业结构知识块的贡献率。
在一种实现方式中，其中，所述根据所述全局监测状态和所述局 部监测状态，得到多层级子块的全局监测结果和局部监测结果包括：
当所述全局监测状态异常或者所述局部监测状态异常时，根据所 述贡献图确定原因变量，其中，所述原因变量用于表征层级参数的变 量；所述全局监测状态异常为全局的主元统计量大于全局的主元统计 量阈值或者全局的残差统计量大于全局的残差统计量阈值；所述局部 监测状态异常为局部的主元统计量大于局部的主元统计量阈值或者 局部的残差统计量大于局部的残差统计量阈值；
采用与门方式计算所述原因变量的全局异常定位结果和局部异 常定位结果。
第二方面，本发明实施例还提供一种基于多层级工业结构知识块 划分的监测装置，其中，所述装置包括：
多层级知识图构建单元，用于构建工业过程的多层级知识图；
多层级子块统计数据单元，用于对所述多层级知识图中的节点进 行子块划分，得到多层级子块，并根据所述多层级子块得到多层级子 块统计数据；其中，所述多层级子块统计数据包括主元统计量、残差 统计量、主元统计量阈值和残差统计量阈值；
全局监测结果和局部监测结果获取单元，用于根据所述多层级子 块统计数据，得到多层级子块的全局监测结果和局部监测结果。
第三方面，本发明实施例还提供一种智能终端，包括有存储器， 以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存 储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一 个以上程序包含用于执行如上述任意一项所述的基于多层级工业结构知识块划分的监测方法。
第四方面，本发明实施例还提供一种非临时性计算机可读存储介 质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子 设备能够执行如上述中任意一项所述的基于多层级工业结构知识块 划分的监测方法。
本发明的有益效果：本发明实施例首先构建工业过程的多层级知 识图；然后对所述多层级知识图中的节点进行子块划分，得到多层级 子块，并根据所述多层级子块得到多层级子块统计数据；其中，所述 多层级子块统计数据包括主元统计量、残差统计量、主元统计量阈值和残差统计量阈值；最后根据所述多层级子块统计数据，得到多层级 子块的全局监测结果和局部监测结果；可见，本发明实施例中通过上 述方法，以少量简单的专家领域知识，构建工业过程的多层级知识图， 并以所述多层级知识图的节点为依据进行子块划分，最后根据所述多 层级子块统计出主元统计量和残差统计量，通过贡献图反溯策略实现异常节点的精确定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面 将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而 易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于 本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的总体技术方案示意图。
图2为本发明实施例提供的一种基于多层级工业结构知识块划分 的监测方法流程示意图。
图3为本发明实施例提供的多层级知识图的构建过程的一种实施 方式示意图。
图4为本发明实施例提供的多层级知识图的构建过程的另一种实 施方式示意图。
图5为本发明实施例提供的多层级知识图示意图。
图6为本发明实施例提供的多层级子块统计量计算及变量贡献图 示意图。
图7为本发明实施例提供的一种基于多层级工业结构知识块划分 的监测装置的原理框图。
图8为本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
本发明公开了一种基于多层级工业结构知识块划分的监测方法、 装置、智能终端、存储介质，为使本发明的目的、技术方案及效果更 加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。 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。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数 形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一 步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特 征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时， 它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外， 这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里 使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任 一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有 术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定 义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致 的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于 正式的含义来解释。
由于现有技术中厂级过程监测难以获得实际工业***中各种运 行工况数据样本，或者数据样本本身就是强欠完备的，导致基于数据 驱动的块划分方法难以适用于现代大型流程生产过程的监测的问题。
为了解决现有技术的问题，本实施例提供了一种基于多层级工业 结构知识块划分的监测方法，通过上述方法以少量简单的专家领域知 识，构建工业过程的多层级知识图，并以所述多层级知识图的节点为依据进行子块划分，最后根据所述多层级子块统计出主元统计量和残 差统计量，通过贡献图反溯策略实现异常节点的精确定位。
示例性方法
本实施例提供一种基于多层级工业结构知识块划分的监测方法， 该方法可以应用于工业知识自动化的智能终端。具体如图1所示，所 述方法包括：
步骤S100、构建工业过程的多层级知识图；
由于现有技术中，现有实际生产过程数据样本少、先验知识难以 获得，本发明在基于简单的专家领域知识的基础上构建工业过程的多 层级知识图，为后续能进行合理的块划分做准备，保证分块或分散监 测***的性能，进而保障大规模流程工业生产的安全性。所述多层级知识图由众多片三元组(头H-关系r-尾T)组成，其中头H和 尾T可视为物理实体或属性值，如图3(左)所示，该三元组可视为 空间向量中的一种事实表征，且可通过TransE嵌入式方法进行清晰描述，如图3(右)所示。然而工业过程中的知识图和互联网通用化的 知识图构建过程存在众多差异，工业过程中的数据源既有来自互联网 的，又有来自监测变量的。如图4(左)所示，若尾T部为所关注对象， 且实际上该对象可由众多监测变量反映(众多头H结点)，则其间关系 可由二进制对称邻接(链接)矩阵A计算而来，可表示为：
其中，akl表示第k尾部节点和第l头部节点间的关系，且其可依据专家 知识确定；二值对称邻接矩阵A表示知识图中一个层级中多个节点之 间的关系；矩阵A表示知识图节点中具有k个节点，而每个节点可由l 个变量来描述。相似地，每个知识图节点由一个所关心对象和多个监 测变量组成，每个知识图具有多个节点，且每个级别具有多个知识图 节点，如图4(右)所示为双层级知识示意图。工业过程的多层级知 识图可视为描述式图，是描述多层级之间关系最合适和最有效方法之 一，可从众多复杂的监测变量的元数据中提取出来。
为了得到多层级知识图，所述所述构建工业过程的多层级知识图 包括如下步骤：
S101、获取关心对象集、层级、层级参数和领域专家知识；其中， 所述关心对象集用于表征关注对象的特征；所述层级包括业务层、指 标层、厂级过程层、子过程层和设备层；所述层级参数包括控制参数、 ***状态参数、指标数据和市场信息数据；
S102、对所述关心对象集、所述层级参数进行实体分类和实体关 系分类，得到实体分类矩阵和实体关系分类矩阵；
S103、根据所述实体分类矩阵和所述实体关系分类矩阵，得到工 业过程的多层级知识图。
具体地，先获取关心对象集、层级、层级参数和领域专家知识， 其中，所述关心对象集用于表征关注对象的特征；所述层级包括业务 层、指标层、厂级过程层、子过程层和设备层；所述层级参数包括控制参数、***状态参数、指标数据和市场信息数据；在一种实现方式 中，多层级知识图任一节点的计算方法采用如下公式：
其中，ail表示所选择的有关监测变量或参数等来描述所关注的对 象，也即关心对象集中的关注对象。Xi,Yv分别表示关注对象的特征和 量测观测器。上述公式表明任何知识图节点都具有大量的量测观测 器，且不同层级知识图节点之间的监测变量是重叠和耦合的，如此有 利于保持变量间的耦合性。得到关心对象集、层级、层级参数和领域专家知识后，还需要对所述关心对象集、所述层级参数进行实体分类 和实体关系分类，得到实体分类矩阵和实体关系分类矩阵，工业生产 过程的命名实体分类主要是指关心对象及其相关的监测变量或参数， 每个层级的知识图都包含大量的关键市场信息、传感器量测数据、执行器、原料组分、中间产品，甚至是中间统计数据等。在本实施例中， 可以使用基于规则的方法将所述关心对象集、所述层级参数进行实体分类，例如：基于规则的命名实体分类可描述如下：
其中，Xn×m,分别表示第i个知识图节点中，第j层级及上一层 级的相关主元统计量T2及残差统计量SPE；/>分别表示控制 参数、***状态数据和指标数据；/>为市场信息数据；mi,i＝1,2,3,4,5表 示最终特征变量的维度。工业过程中基于规则的命名实体分类方法可 以得到高精确度的实体，这种较高精确度的实体是高性能多层级知识图的保障。上述命名实体分类的难点在于准确地描述实体并标记实体 的类型。为了获得更高精度的多层级知识图，本发明实施例提供一种“连坐”制方法，通过该方法对所述关心对象集、所述层级参数进行 实体关系分类，例如：如图5(a)所示。图5(a)描述了五个关注节点(1，2，3，4，5)及其对应的监测变量和参数(v1*，v2*，v3*，v4*，v5*)。若当节点5 的知识图成为关注对象时，反映其运行状态的应包括其相邻的上流和 下流节点知识图的监测变量及其他参数。此意味着节点5的***特 性可由附近节点(1，2，3，4)的众多变量及其衍生变量反映出来。第j 层级第i个知识图的实体关系分类矩阵可表示为：
其中，是第j层级第i个知识图的二值对称邻接矩阵；/>是由 上一层级知识图子块主元或残差统计量构建的二值邻接矩阵；/>分别为实体与众多控制参数、***运行状态和指标参数之间 的关系矩阵；/>表示所关注对象与市场信息变量之间的关系矩阵。
根据根据所述实体分类矩阵和所述实体关系分类矩阵，就可以得 到工业过程的多层级知识图。在厂级大规模生产过程中，多层级知识 图可视为一种较高级的知识组织形式，其目的可以概括为在统一框架 下集成，消除歧义，验证和更新来自不同知识源的异构数据，并可通过集成信息、数据、方法、经验和人类思想，知识框架是其中首要的 关键问题，而针对大规模厂级范围的多层级知识图框架，在本实施例 中，多层级知识图包含五个层级：业务层、指标层、厂级过程层、子 过程层和设备层。如图5(b)所示。图5(c)所示为每个级别知识图任一节点的计算和构建方法。在本实施例中，多层级知识图中每个节 点的监控变量或参数是重叠的，这与以往独立同分布假设是相反的。 这种独立同分布假设对于常规的分布异常监测方法至关重要。而这种 机制，即节点状态受上下游节点状态的影响，与实际情况更加吻合， 这为分布式异常状态监测做准备。
得到工业过程的多层级知识图后，就可以执行如图1所示的如下 步骤：S200、对所述多层级知识图中的节点进行子块划分，得到多层 级子块，并根据所述多层级子块得到多层级子块统计数据；其中，所 述多层级子块统计数据包括主元统计量、残差统计量、主元统计量阈 值和残差统计量阈值；相应的，所述对所述多层级知识图中的节点进 行子块划分，得到多层级子块，并根据所述多层级子块得到多层级子 块统计数据包括如下步骤：
S201、对所述多层级知识图中的节点进行子块划分，得到多层级 子块；
S202、对所述多层级子块中的所述实体分类矩阵进行归一化计算， 得到归一化参数；
S203、对所述归一化参数进行奇异值分解，得到负载矩阵、得分 矩阵和对角矩阵；
S204、根据所述负载矩阵、所述得分矩阵和所述对角矩阵，得到 多层级子块统计数据。
具体地，现有技术中的块划分有三种：按照所关注对象物理实体 分布的子块划分、基于PCA分解主成分的子块划分、基于操作单元的 子块划分，按照所关注对象物理实体分布的子块划分：该厂级分布式建模和监测框架是融合过程结构和大数据知识实现块划分。其中的分 布式包含有两层含义：针对具有多个操作单元的厂级过程的空间分布 式建模和分层监测；具有各种功能的大型过程数据的分布式并行建模。 该框架按照数据存储的空间分布将整个生产过程划分为工厂级、块级 和变量级，以实现整个厂级的生产过程监测。其中，块划分是按照所 关注对象物理实体分布进行的。基于PCA分解主成分的子块划分：PCA 是在最小均方意义下寻找最能代表原始数据的投影方向，则选择的k 个主成分彼此是不相关的。通过在每一个不相关的主成分上构建子块， 可满足子块划分的多样性要求；在每个不相关子块上选择最相关的变量，可满足每个子块模型的精度要求。即在过程数据中，共构建k+1 个子块。根据每个变量对各个主成分即各子块的贡献值大小来选择各 子块相应的变量。类似的研究还有基于独立主成分分析法构建子块划 分。基于操作单元的子块划分：针对多单元厂级化工过程，需要建立 局部单元监测模型，对局部单元的运行状态监测与分析，而后对整个生产过程进行监测。从上述技术可以看出，现有大规模厂级生产过程 的分布式监测***中子块划分主要是在所关注监测对象基础上，以其 物理分布和生产过程数据等为依据，通过专家知识和数据驱动的方法 实现合理的子块划分。但其缺陷有两点：其一是实际工业***难以获 得大量强完备的各种运行工况数据样本；其二是实际工业***中专家 知识模糊性和不确定性较强，且复杂性较高，难以量化与转化，现有的块划分方法在缺乏精确模型或先验知识的情况下，不合适的多块划 分将会拆分监测变量的相关性，从而降低监测性能。本发明实施例对 所述多层级知识图中的节点进行子块划分，得到多层级子块，实际中， 将所述多层级知识图中的每个节点作为一个块节点，对所述多层级知 识图进行划分，得到多层级子块。具有多子块划分的分布式监测***将大量的监测变量重复地划分为几个子块，而后为每个子块建立监测 模型以挖掘更多的过程信息，从而提高监测效果。得到多层级子块后， 对所述多层级子块中的所述实体分类矩阵进行归一化计算，得到归一 化参数；对所述归一化参数进行奇异值分解，得到负载矩阵、得分矩 阵和对角矩阵；例如，通过如下计算公式计算负载矩阵、得分矩阵和 对角矩阵：
T＝XP，/>
其中，Λ＝diag(λi，λi(i＝1，2,...,m))为每个奇异值组成的对角阵。T为得分 矩阵，P为负载矩阵。
然后根据所述负载矩阵、所述得分矩阵和所述对角矩阵，得到多 层级子块统计数据。相应的，所述根据所述负载矩阵、所述得分矩阵 和所述对角矩阵，得到多层级子块统计数据包括如下步骤：根据所述 负载矩阵和所述得分矩阵，得到主元变量和残差变量；根据所述主元变量和所述残差变量，得到主元统计量和残差统计量；根据所述对角 矩阵，得到主元统计量阈值和残差统计量阈值。
具体地，根据所述负载矩阵和所述得分矩阵，得到主元变量和残 差变量；例如：采用主元分析技术将其分解为主元变量和残差变量：
其中，T∈Rm×κ,P∈Rm×κ分别为主元得分矩阵和其对应的负载矩阵；分别表示残差得分矩阵和其对应的负载矩阵； E∈Rn×m表示残差矩阵。k≤m表示主元数量，其值可由累积主元方差 (cumulative principal variance,CPV)进行确定。然后根据所述 主元变量和所述残差变量，得到主元统计量T2及残差统计量SPE：
其中，t＝xP表示样本x的得分向量；e＝x-tPT表示样本x的残差向量。 再根据所述对角矩阵，得到主元统计量阈值和残差统计量阈值，例如： 对角矩阵为Λ＝diag(λi,λi(i＝1,2,...,m))，根据对角矩阵可以得到h0＝1-2θ1θ3/3θ1 2，k≤m表示主元数量，主元统计量阈值和 残差统计量阈值为如下公式：
其中，Fκ,m-κ：α表示κ和m-κ个自由度、置信水平为α的F分布临界 值；cα表示标准整体分布在置信水平α下的阈值。
得到多层级子块统计数据后，就可以执行如图1所示的如下步骤： 步骤S300、根据所述多层级子块统计数据，得到多层级子块的全局监 测结果和局部监测结果。相应的，为了得到多层级子块的全局监测结 果和局部监测结果，所述根据所述多层级子块统计数据，得到多层级 子块的全局监测结果和局部监测结果包括如下步骤：
S301、根据所述主元统计量、所述残差统计量、主元统计量阈值 和残差统计量阈值，得到多层级子块的全局监测状态和局部监测状态；
S302、根据所述全局监测状态和所述局部监测状态，得到多层级 子块的全局监测结果和局部监测结果。
具体地，先根据所述主元统计量、所述残差统计量、主元统计量 阈值和残差统计量阈值，得到多层级子块的全局监测状态和局部监测 状态；相应的，所述根据所述主元统计量和所述残差统计量，得到多 层级子块的全局监测状态和局部监测状态包括如下步骤：对所述主元 统计量和所述残差统计量进行指标计算，得到若干全局统计指标和若 干局部统计指标；根据所述全局统计指标和所述局部统计指标，得到 若干时刻的全局监测状态和局部监测状态。
具体地，如图6所示，将相邻两个层级子块内节点的所述主元统 计量和所述残差统计量作为监测变量，采用PCA技术或者独立主成分 ICA分析或者偏最小二乘分析PLS或者典型相关性分析CCA等技术计算 出全局四个统计指标如图4所示，四个统计指标分 别为主元得分矩阵的主元变量的主元统计指标、主元变量的残差统计 指标、残差变量的主元统计指标和残差变量的残差统计指标。除此之 外，还可以得到局部两个统计指标{T2，SPE}，再根据所述全局统计指 标和所述局部统计指标，得到若干时刻的全局监测状态和局部监测状 态。例如，得到四种情况的全局和局部工况可监测状态：(1)全局可监测状态与局部可监测状态：任一四个全局统计量大于相应的统计量的阈值，同时任一两个局部统计量大于相应的统计量的阈值；(2)全 局可监测状态与局部不可监测状态：任一四个全局统计量大于相应的 统计量的阈值，同时任一两个局部统计量不大于相应的统计量的阈值； (3)全局不可监测状态与局部可监测状态：任一四个全局统计量不大于相应的统计量的阈值，同时任一两个局部统计量大于相应的统计 量的阈值；(4)全局不可监测状态与局部不可监测状态：任一四个全 局统计量不大于相应的统计量的阈值，同时任一两个局部统计量不大 于相应的统计量的阈值。此外，若全局或者局部统计量大于相应的统 计量的阈值，则根据所述主元统计量和所述残差统计量计算贡献图，例如计算各监测变量或参数贡献图，公式如下：
其中，分别表示以主元统计量T2及残差统计量SPE的贡献 图；D＝PTΛP，ξi表示单位矩阵Im第i列的特征值。
得到多层级子块的全局监测状态和局部监测状态后，根据所述全 局监测状态和所述局部监测状态，得到多层级子块的全局监测结果和 局部监测结果。相应的，所述根据所述全局监测状态和所述局部监测 状态，得到多层级子块的全局监测结果和局部监测结果包括如下步骤：当所述全局监测状态异常或者所述局部监测状态异常时，根据所述贡 献图确定原因变量，其中，所述原因变量用于表征层级参数的变量； 所述全局监测状态异常为全局的主元统计量大于全局的主元统计量 阈值或者全局的残差统计量大于全局的残差统计量阈值；所述局部监 测状态异常为局部的主元统计量大于局部的主元统计量阈值或者局 部的残差统计量大于局部的残差统计量阈值；采用与门方式计算所述原因变量的全局异常定位结果和局部异常定位结果。
具体地，先当所述全局监测状态异常或者所述局部监测状态异常 时，根据所述贡献图确定原因变量，其中，所述原因变量用于表征层 级参数的变量；所述全局监测状态异常为全局的主元统计量大于全局 的主元统计量阈值或者全局的残差统计量大于全局的残差统计量阈值；所述局部监测状态异常为局部的主元统计量大于局部的主元统计 量阈值或者局部的残差统计量大于局部的残差统计量阈值，例如，当 有未知先验知识的异常发生时，可将贡献率较大的变量或参数作为原 因变量。然后采用与门方式计算所述原因变量的全局异常定位结果和 局部异常定位结果。例如，由于涉及多个层级，在到达最终的监测变量时，每个监测变量在不同层级结果存在较大差异，甚至是结果冲突等情况。为此，本实施例采取“与”门策略实现异常状态的定位。
其中，Rp表示异常定位结果；表示第i个节点的异常原因定位结果；/>表示第i个节点的异常发生后各层级贡献图较大的变量对应的异常 结果，如果/>为0表示任一层级均无异常发生，/>为1表示至少有一层 级显示异常发生且需要溯源至此变量。
示例性设备
如图7中所示，本发明实施例提供一种基于多层级工业结构知识 块划分的监测装置，该装置包括多层级知识图构建单元401，多层级 子块统计数据单元402，全局监测结果和局部监测结果获取单元403， 其中：
多层级知识图构建单元401，用于构建工业过程的多层级知识图；
多层级子块统计数据单元402，用于对所述多层级知识图中的节 点进行子块划分，得到多层级子块，并根据所述多层级子块得到多层 级子块统计数据；其中，所述多层级子块统计数据包括主元统计量、 残差统计量、主元统计量阈值和残差统计量阈值；
全局监测结果和局部监测结果获取单元403，用于根据所述多层 级子块统计数据，得到多层级子块的全局监测结果和局部监测结果。
本实施例通过多层级知识图构建单元401构建工业过程的多层级 知识图；然后通过多层级子块统计数据单元402对所述多层级知识图 中的节点进行子块划分，得到多层级子块，并根据所述多层级子块得 到多层级子块统计数据；最后通过全局监测结果和局部监测结果获取 单元403根据所述多层级子块统计数据，得到多层级子块的全局监测 结果和局部监测结果。通过上述模块以少量简单的专家领域知识，构 建工业过程的多层级知识图，并以所述多层级知识图的节点为依据进行子块划分，最后根据所述多层级子块统计出主元统计量和残差统计 量，通过贡献图反溯策略实现异常节点的精确定位。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可 以如图8所示。该智能终端包括通过***总线连接的处理器、存储器、 网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提 供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内 存储器。该非易失性存储介质存储有操作***和计算机程序。该内存 储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该 计算机程序被处理器执行时以实现一种基于多层级工业结构知识块 划分的监测方法。该智能终端的显示屏可以是液晶显示屏或者电子墨 水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用 于监测内部设备的运行温度。
本领域技术人员可以理解，图8中的原理图，仅仅是与本发明方 案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智 能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部 件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一 个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中， 且经配置以由一个或者一个以上处理器执行所述一个或者一个以上 程序包含用于进行以下操作的指令：
构建工业过程的多层级知识图；
对所述多层级知识图中的节点进行子块划分，得到多层级子块， 并根据所述多层级子块得到多层级子块统计数据；其中，所述多层级 子块统计数据包括主元统计量、残差统计量、主元统计量阈值和残差 统计量阈值；
根据所述多层级子块统计数据，得到多层级子块的全局监测结果 和局部监测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或 部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的 计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明 所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的 任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器 可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、 电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存 取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM 以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM (SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同 步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接 RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线 动态RAM(RDRAM)等。
综上所述，本发明公开了一种基于多层级工业结构知识块划分的 监测方法、装置、智能终端、存储介质，所述方法包括：构建工业过 程的多层级知识图；对所述多层级知识图中的节点进行子块划分，得 到多层级子块，并根据所述多层级子块得到多层级子块统计数据；其中，所述多层级子块统计数据包括主元统计量、残差统计量、主元统 计量阈值和残差统计量阈值；根据所述多层级子块统计数据，得到多 层级子块的全局监测结果和局部监测结果。本发明实施例通过上述方 法，以少量简单的专家领域知识，构建工业过程的多层级知识图，并 以所述多层级知识图的节点为依据进行子块划分，最后根据所述多层 级子块统计出主元统计量和残差统计量，通过贡献图反溯策略实现异常节点的精确定位。
基于上述实施例，本发明公开了一种基于多层级工业结构知识块 划分的监测方法，应当理解的是，本发明的应用不限于上述的举例， 对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所 有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于多层级工业结构知识块划分的监测方法，其特征在于，所述方法包括：
构建工业过程的多层级知识图；
对所述多层级知识图中的节点进行子块划分，得到多层级子块，并根据所述多层级子块得到多层级子块统计数据；其中，所述多层级子块统计数据包括主元统计量、残差统计量、主元统计量阈值和残差统计量阈值；
根据所述多层级子块统计数据，得到多层级子块的全局监测结果和局部监测结果；
所述构建工业过程的多层级知识图包括：
获取关心对象集、层级、层级参数和领域专家知识；其中，所述关心对象集用于表征关注对象的特征；所述层级包括业务层、指标层、厂级过程层、子过程层和设备层；所述层级参数包括控制参数、***状态参数、指标数据和市场信息数据；
对所述关心对象集、所述层级参数进行实体分类和实体关系分类，得到实体分类矩阵和实体关系分类矩阵；
根据所述实体分类矩阵和所述实体关系分类矩阵，得到工业过程的多层级知识图；
所述多层级子块统计数据包括主元统计量、残差统计量；
所述对所述多层级知识图中的节点进行子块划分，得到多层级子块，并根据所述多层级子块得到多层级子块统计数据包括：
对所述多层级知识图中的节点进行子块划分，得到多层级子块；
对所述多层级子块中的所述实体分类矩阵进行归一化计算，得到归一化参数；
对所述归一化参数进行奇异值分解，得到负载矩阵、得分矩阵；
根据所述负载矩阵和所述得分矩阵，得到主元统计量、残差统计量。
2.根据权利要求1所述的基于多层级工业结构知识块划分的监测方法，其特征在于，所述根据所述负载矩阵和所述得分矩阵，得到主元统计量、残差统计量包括：
根据所述负载矩阵和所述得分矩阵，得到主元变量和残差变量；
根据所述主元变量和所述残差变量，得到主元统计量和残差统计量。
3.根据权利要求1所述的基于多层级工业结构知识块划分的监测方法，其特征在于，所述多层级子块统计数据包括主元统计量阈值和残差统计量阈值，所述对所述多层级知识图中的节点进行子块划分，得到多层级子块，并根据所述多层级子块得到多层级子块统计数据包括：
对所述多层级知识图中的节点进行子块划分，得到多层级子块；
对所述多层级子块中的所述实体分类矩阵进行归一化计算，得到归一化参数；
对所述归一化参数进行奇异值分解，得到对角矩阵；
根据所述对角矩阵，得到主元统计量阈值和残差统计量阈值。
4.根据权利要求3所述的基于多层级工业结构知识块划分的监测方法，其特征在于，所述根据所述多层级子块统计数据，得到多层级子块的全局监测结果和局部监测结果包括：
根据所述主元统计量、所述残差统计量、主元统计量阈值和残差统计量阈值，得到多层级子块的全局监测状态和局部监测状态；
根据所述全局监测状态和所述局部监测状态，得到多层级子块的全局监测结果和局部监测结果。
5.根据权利要求4所述的基于多层级工业结构知识块划分的监测方法，其特征在于，所述根据所述主元统计量和所述残差统计量，得到多层级子块的全局监测状态和局部监测状态包括：
对所述主元统计量和所述残差统计量进行指标计算，得到若干全局统计指标和若干局部统计指标；
根据所述全局统计指标和所述局部统计指标，得到若干时刻的全局监测状态和局部监测状态。
6.根据权利要求5所述的基于多层级工业结构知识块划分的监测方法，其特征在于，所述根据所述主元统计量和所述残差统计量，得到多层级子块的全局监测状态和局部监测状态还包括：
当所述主元统计量大于主元统计量阈值或者所述残差统计量大于残差统计量阈值时，根据所述主元统计量和所述残差统计量计算贡献图；其中，所述贡献图用于表征所述主元统计量和所述残差统计量对所述多层级工业结构知识块的贡献率。
7.根据权利要求6所述的基于多层级工业结构知识块划分的监测方法，其特征在于，所述根据所述全局监测状态和所述局部监测状态，得到多层级子块的全局监测结果和局部监测结果包括：
当所述全局监测状态异常或者所述局部监测状态异常时，根据所述贡献图确定原因变量，其中，所述原因变量用于表征层级参数的变量；所述全局监测状态异常为全局的主元统计量大于全局的主元统计量阈值或者全局的残差统计量大于全局的残差统计量阈值；所述局部监测状态异常为局部的主元统计量大于局部的主元统计量阈值或者局部的残差统计量大于局部的残差统计量阈值；
采用与门方式计算所述原因变量的全局异常定位结果和局部异常定位结果。
8.一种基于多层级工业结构知识块划分的监测装置，其特征在于，所述装置包括：
多层级知识图构建单元，用于构建工业过程的多层级知识图；
多层级子块统计数据单元，用于对所述多层级知识图中的节点进行子块划分，得到多层级子块，并根据所述多层级子块得到多层级子块统计数据；其中，所述多层级子块统计数据包括主元统计量、残差统计量、主元统计量阈值和残差统计量阈值；
全局监测结果和局部监测结果获取单元，用于根据所述多层级子块统计数据，得到多层级子块的全局监测结果和局部监测结果；
所述多层级知识构建单元还用于：
获取关心对象集、层级、层级参数和领域专家知识；其中，所述关心对象集用于表征关注对象的特征；所述层级包括业务层、指标层、厂级过程层、子过程层和设备层；所述层级参数包括控制参数、***状态参数、指标数据和市场信息数据；
对所述关心对象集、所述层级参数进行实体分类和实体关系分类，得到实体分类矩阵和实体关系分类矩阵；
根据所述实体分类矩阵和所述实体关系分类矩阵，得到工业过程的多层级知识图；
所述多层级子块统计数据包括主元统计量、残差统计量；
所述多层级子块统计数据单元还用于：
对所述多层级知识图中的节点进行子块划分，得到多层级子块；
对所述多层级子块中的所述实体分类矩阵进行归一化计算，得到归一化参数；
对所述归一化参数进行奇异值分解，得到负载矩阵、得分矩阵；
根据所述负载矩阵和所述得分矩阵，得到主元统计量、残差统计量。
9.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-7中任意一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110393994.8A CN113239187B (zh) | 2021-04-13 | 2021-04-13 | 一种基于多层级工业结构知识块划分的监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110393994.8A CN113239187B (zh) | 2021-04-13 | 2021-04-13 | 一种基于多层级工业结构知识块划分的监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113239187A CN113239187A (zh) | 2021-08-10 |
| CN113239187B true CN113239187B (zh) | 2024-05-14 |
Family
ID=77127996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110393994.8A Active CN113239187B (zh) | 2021-04-13 | 2021-04-13 | 一种基于多层级工业结构知识块划分的监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113239187B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115307669B (zh) * | 2022-10-11 | 2023-01-10 | 蘑菇物联技术（深圳）有限公司 | 用于检测被测***的异常传感器的方法、设备和介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012090492A1 (ja) * | 2010-12-28 | 2012-07-05 | 株式会社 東芝 | プロセス監視診断装置 |
| CN102880151A (zh) * | 2012-10-11 | 2013-01-16 | 浙江大学 | 双层数据模型驱动的厂级化工过程监测方法 |
| CN103389701A (zh) * | 2013-07-15 | 2013-11-13 | 浙江大学 | 基于分布式数据模型的厂级过程故障检测与诊断方法 |
| CN105893700A (zh) * | 2016-04-26 | 2016-08-24 | 陆新建 | 基于物理-大数据混合模型的化工生产在线故障检测与诊断技术 |
| 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 |
| CN109507972A (zh) * | 2018-12-19 | 2019-03-22 | 中国计量大学 | 基于分层式非高斯监测算法的工业生产过程故障监测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0007063D0 (en) * | 2000-03-23 | 2000-05-10 | Simsci Limited | Mulitvariate statistical process monitors |
| US8065247B2 (en) * | 2007-11-21 | 2011-11-22 | Inomaly, Inc. | Systems and methods for multivariate influence analysis of heterogenous mixtures of categorical and continuous data |
| US8352216B2 (en) * | 2008-05-29 | 2013-01-08 | General Electric Company | System and method for advanced condition monitoring of an asset system |
| US10636007B2 (en) * | 2017-05-15 | 2020-04-28 | Tata Consultancy Services Limited | Method and system for data-based optimization of performance indicators in process and manufacturing industries |
-
2021
- 2021-04-13 CN CN202110393994.8A patent/CN113239187B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012090492A1 (ja) * | 2010-12-28 | 2012-07-05 | 株式会社 東芝 | プロセス監視診断装置 |
| CN102880151A (zh) * | 2012-10-11 | 2013-01-16 | 浙江大学 | 双层数据模型驱动的厂级化工过程监测方法 |
| CN103389701A (zh) * | 2013-07-15 | 2013-11-13 | 浙江大学 | 基于分布式数据模型的厂级过程故障检测与诊断方法 |
| CN105893700A (zh) * | 2016-04-26 | 2016-08-24 | 陆新建 | 基于物理-大数据混合模型的化工生产在线故障检测与诊断技术 |
| 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 |
| CN109507972A (zh) * | 2018-12-19 | 2019-03-22 | 中国计量大学 | 基于分层式非高斯监测算法的工业生产过程故障监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113239187A (zh) | 2021-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao | Perspectives on nonstationary process monitoring in the era of industrial artificial intelligence | |
| Zhao et al. | Step-wise sequential phase partition (SSPP) algorithm based statistical modeling and online process monitoring | |
| Yu et al. | A novel hybrid of auto-associative kernel regression and dynamic independent component analysis for fault detection in nonlinear multimode processes | |
| Zhu et al. | Information concentrated variational auto-encoder for quality-related nonlinear process monitoring | |
| CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位*** | |
| CN113239187B (zh) | 一种基于多层级工业结构知识块划分的监测方法 | |
| Ge | Improved two-level monitoring system for plant-wide processes | |
| He et al. | A nonparametric CUSUM scheme for monitoring multivariate time-between-events-and-amplitude data with application to automobile painting | |
| Li et al. | Nonlinear dynamic process monitoring using deep dynamic principal component analysis | |
| Sheng et al. | A multimodal data sensing and feature learning-based self-adaptive hybrid approach for machining quality prediction | |
| Mosin | Machine learning and data mining methods in testing and diagnostics of analog and mixed-signal integrated circuits: Case study | |
| Irani et al. | A data-driven approach for fault diagnosis in multi-zone HVAC systems: Deep neural bilinear Koopman parity | |
| Yu et al. | An unsupervised fault detection and diagnosis with distribution dissimilarity and lasso penalty | |
| Solomentsev et al. | Diagnostics programs efficiency analysis in operation system of radioelectronic eguipment | |
| He et al. | Consistent Kalman filters for nonlinear uncertain systems over sensor networks | |
| Shi | Data fusion for in-process quality improvement | |
| Declerck et al. | State estimation and detection of changes in time interval models | |
| Zhang et al. | Tracing and detection of ICS anomalies based on causality mutations | |
| Zhang et al. | Key fault propagation path identification of CNC machine tools based on maximum occurrence probability | |
| Gaugel et al. | Data-driven multi-objective optimization of hydraulic pump test cycles via wrapper feature selection | |
| Li et al. | A novel monitoring method based on multi-model information extraction and fusion | |
| Li et al. | Batch process fault monitoring based on LPGD-kNN and its applications in semiconductor industry | |
| Sittón-Candanedo et al. | Fault predictive model for HVAC Systems in the context of Industry 4.0 | |
| Garg et al. | Pharmaceutical plant machine availability prediction using Artificial Neural Network | |
| Oh et al. | LSTM-based PdM Platform for Automobile SCU Inspection Equipment |
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 |