CN113828638B - 一种轧钢工艺流程复合故障追溯方法 - Google Patents
一种轧钢工艺流程复合故障追溯方法 Download PDFInfo
- Publication number
- CN113828638B CN113828638B CN202111044490.1A CN202111044490A CN113828638B CN 113828638 B CN113828638 B CN 113828638B CN 202111044490 A CN202111044490 A CN 202111044490A CN 113828638 B CN113828638 B CN 113828638B
- Authority
- CN
- China
- Prior art keywords
- fault
- steel rolling
- rolling process
- process flow
- composite
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B28/00—Maintaining rolls or rolling equipment in effective condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Metal Rolling (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种轧钢工艺流程复合故障追溯方法,属于生产过程的控制和监测技术领域。所述方法包括:构建轧钢工艺流程复合故障模式分类器;基于构建的轧钢工艺流程复合故障模式分类器实现层次化的复合故障追溯。采用本发明,能够在发生复合故障时及时诊断和推理辨识出故障的根本原因。
Description
技术领域
本发明涉及生产过程的控制和监测技术领域,特别是指一种轧钢工艺流程复合故障追溯方法。
背景技术
近年来,热轧工艺流程运行状态异常通常是由于底层回路发生复合故障引起子***状态异常,进而导致其它子***和全流程状态异常的“自下而上”的发展模式。与之相对应,复合故障追溯应是从全流程异常状态出发,追溯底层回路故障原因的“自上而下”过程,加之复合故障潜在分布范围较广以及故障征兆表现的滞后性,使得复合故障追溯问题的研究具有挑战性。因此,基于复合故障自主检测结果,研究复合故障追溯技术,在运行状态异常时及时诊断和推理辨识出故障的根本原因,对于保障热轧工艺流程运行的安全性和稳定性具有重要的理论与工程意义。
轧钢工艺流程主要由加热、粗轧、飞剪、精轧等众多生产工序构成,从原材料到最终产品形成一个以串联结构为主体的产品加工长流程;同时,其相应综合自动化***层级明显,主要包括设备层、实时控制层、过程控制层及制造执行层等,如图1所示。各层级分工明确且相互协作关联,加之其原料成分、设备状态、工艺参数等难以实时或全面感知,使其安全性、稳定性分析复杂多变,任一或多个环节异常均会导致故障传播甚至演变演化,引起企业因质量异议用户退货而停产维修,影响企业经济效益。但是,现有技术中,无法在发生复合故障时及时诊断和推理辨识出故障的根本原因。
发明内容
本发明实施例提供了轧钢工艺流程复合故障追溯方法,能够在发生复合故障时及时诊断和推理辨识出故障的根本原因。所述技术方案如下:
本发明实施例提供了一种轧钢工艺流程复合故障追溯方法,包括:
构建轧钢工艺流程复合故障模式分类器;
基于构建的轧钢工艺流程复合故障模式分类器实现层次化的复合故障追溯。
进一步地,所述复合故障模式包括:传播型、耦合型、多重并发型及复合型。
进一步地,所述构建轧钢工艺流程复合故障模式分类器包括:
利用相关性分析方法分析传播型、耦合型、多重并发型及复合型故障数据与正常数据之间的相关性,根据相关性分析结果确定轧钢工艺流程复合故障模式的特征子空间;
利用轧钢流程专家经验及工艺知识对得到的特征子空间进行识别和分类,根据分类结果,标注故障数据与正常数据的复合故障模式,基于标注结果及其对应的特征子空间构建能够反映复合故障模式的轧钢工艺流程复合故障模式分类器,其中,正常数据的复合故障模式标注为无。
进一步地,所述利用相关性分析方法分析传播型、耦合型、多重并发型及复合型故障数据与正常数据之间的相关性,根据相关性分析结果确定轧钢工艺流程复合故障模式的特征子空间包括:
分析传播型、耦合型、多重并发型及复合型故障数据与正常数据之间的相关性,根据相关性分析结果提取能够反映轧钢工艺流程故障特性的数据特征,得到轧钢工艺流程复合故障模式的特征矢量;
利用相似度分析方法对得到的特征矢量进行筛选,得到相似度指标变化幅度在预设区间且具有轧钢工艺流程故障特性的复合故障模式的特征子空间。
进一步地,所述层次化指:从全流程到子***。
进一步地,所述基于构建的轧钢工艺流程复合故障模式分类器实现层次化的复合故障追溯包括:
利用构建的轧钢工艺流程复合故障模式分类器确定轧钢工艺流程数据所属的复合故障模式,根据每种复合故障模式对应的特征子空间及轧钢工艺流程复合故障征兆在时间和空间上呈现的显性和隐性状态,提取显性最优特征投影矩阵和隐性最优特征投影矩阵;
对提取的显性和隐性最优特征投影矩阵进行加权处理,得到综合特征投影矩阵,根据得到的综合特征投影矩阵构建复合故障初始追溯模型,根据构建的复合故障初始追溯模型以及复合故障全流程和子***检测结果,实现层次化的轧钢工艺流程复合故障追溯。
进一步地,所述利用构建的轧钢工艺流程复合故障模式分类器确定轧钢工艺流程数据所属的复合故障模式,根据每种复合故障模式对应的特征子空间及轧钢工艺流程复合故障征兆在时间和空间上呈现的显性和隐性状态,提取显性最优特征投影矩阵和隐性最优特征投影矩阵包括:
利用构建的轧钢工艺流程复合故障模式分类器确定待分析轧钢工艺流程数据所属的复合故障模式,针对轧钢工艺流程复合故障征兆在时间和空间上呈现的显性状态,将每种复合故障模式对应的特征子空间投影到故障征兆的显性关联模式上,根据得到的显性关联模式,利用指数判别分析方法提取显性最优特征投影矩阵;
针对轧钢工艺流程复合故障征兆在时间和空间上呈现的隐性状态,将每种复合故障模式对应的特征子空间投影到故障征兆的隐性关联模式上,根据得到的隐性关联模式,利用多任务特征选择与因果关系分析方法提取隐性最优特征投影矩阵。
进一步地,所述基于构建的轧钢工艺流程复合故障模式分类器实现层次化的复合故障追溯还包括:
当新故障发生时,利用新故障数据建立复合故障与故障征兆之间的显性和隐性关联模式,并将新故障对应的特征子空间投影到显性与隐性关联模式上,实现复合故障初始追溯模型的自适应更新。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,构建轧钢工艺流程复合故障模式分类器;基于构建的轧钢工艺流程复合故障模式分类器实现层次化的复合故障追溯,这样,能够在发生复合故障时及时诊断和推理辨识出故障的根本原因,对于保证轧钢工艺流程的安全性和产品质量的稳定性具有重要的工程意义。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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热轧过程综合自动化***示意图;
图2为本发明实施例提供的轧钢工艺流程复合故障追溯方法的流程示意图;
图3为本发明实施例提供的轧钢工艺流程复合故障追溯方法的详细流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本实施例以轧钢工艺流程为例。需要说明的是,本发明实施例提供的轧钢工艺流程复合故障追溯方法并不局限于轧钢工艺流程,也适用于其他的生产过程,如,化工生产过程。
图1是轧钢工艺流程综合自动化***示意图。如图1所示,本实施例轧钢工艺流程主要由加热、粗轧、飞剪、精轧、层流冷却、卷取等多个生产工序构成,从原材料到最终产品形成一个以串联结构为主体的产品加工长流程。同时,其相应综合自动化***层级明显,主要包括设备层、实时控制层、过程控制层及制造执行层、企业管理层和企业战略层等,各层级分工明确且相互协作关联;其中,
设备层包括:加热炉、粗轧机组、飞剪、精轧机组、层流冷却和卷取机,主要完成主辅传动、电、液、气动作执行、仪表数据采集等功能;
实时控制层主要根据过程控制层下发的操作指令完成全线设备的顺序和逻辑控制,并承担带钢全长质量控制任务,实现基础自动化;
过程控制层主要任务是根据制造执行层下发的作业计划对热连轧全线的各生产工序进行实时跟踪、数据采集和工艺参数优化设定,其在合适的时刻,根据实际工况条件,通过一系列的数学模型计算,得到各种生产设备的优化设定参数,其计算精度对最终产品的质量,尤其是头部质量有决定作用,并对生产顺行有很大影响;
制造执行层主要完成生产计划、生产调度、质量管理、库存管理及物流跟踪等功能,充分考虑各工序的生产约束,兼顾不同的质量要求和合同交货期,采用一体化的排程策略和调度策略,实现物质流匹配和能量流匹配;
企业战略层和企业管理层分别以决策管理和生产与一般管理为核心,强调企业的计划性,同时以客户订单和市场需求为计划源头,进行宏观计划和把握,以充分利用企业内的各种资源,提高企业效益。
上述多层级、全流程的制造模式共同作用给轧钢工艺流程复合故障精准追溯带来挑战。
如图2所示,本发明实施例提供了一种轧钢工艺流程复合故障追溯方法,包括:
S101,构建轧钢工艺流程复合故障模式分类器;其中,所述复合故障模式包括:传播型、耦合型、多重并发型及复合型,具体可以包括以下步骤:
A1,利用相关性分析方法分析传播型、耦合型、多重并发型及复合型故障数据与正常数据之间的相关性,根据相关性分析结果确定轧钢工艺流程复合故障模式的特征子空间;
如图3所示,首先,利用信息熵等相关性分析方法分析传播型、耦合型、多重并发型及复合型故障数据与正常数据(指***正常运行下的数据)之间的相关性,根据相关性分析结果提取能够反映轧钢工艺流程故障特性的数据特征,得到轧钢工艺流程复合故障模式的特征矢量;
然后,利用近邻相似度、余弦相似度等相似度分析方法对得到的特征矢量进行筛选,得到近邻相似度、余弦相似度指标变化幅度在预设区间(例如,0-1之间)且具有轧钢工艺流程故障特性的复合故障模式的特征子空间。
A2,利用轧钢流程专家经验及工艺知识对得到的特征子空间进行识别和分类,根据分类结果,标注故障数据与正常数据的复合故障模式,基于标注结果及其对应的特征子空间构建能够反映复合故障模式的轧钢工艺流程复合故障模式分类器,其中,正常数据的复合故障模式标注为无。
S102,基于构建的轧钢工艺流程复合故障模式分类器实现层次化的复合故障追溯,其中,所述层次化指:从全流程到子***,具体可以包括以下步骤:
B1,利用构建的轧钢工艺流程复合故障模式分类器确定轧钢工艺流程数据所属的复合故障模式,根据每种复合故障模式对应的特征子空间及轧钢工艺流程复合故障征兆在时间和空间上呈现的显性和隐性状态,提取显性最优特征投影矩阵和隐性最优特征投影矩阵;
本实施例中,显性状态指:故障征兆明显,容易定位故障的部位和器件,隐性状态指:故障征兆隐蔽,不易定位故障的部位和器件。
如图3所示,首先利用构建的轧钢工艺流程复合故障模式分类器确定待分析轧钢工艺流程数据(包括:故障数据与正常数据)所属的复合故障模式,针对轧钢工艺流程复合故障征兆在时间和空间上呈现的显性状态,将每种复合故障模式对应的特征子空间投影到故障征兆的显性关联模式上,充分考虑复合故障数据样本少及数据间的可分离性等问题,根据得到的显性关联模式,利用指数判别分析方法通过构建最优判别方向、合理设计优化目标函数并对其求解,提取显性最优特征投影矩阵;
然后,针对轧钢工艺流程复合故障征兆在时间和空间上呈现的隐性状态,充分考虑复合故障的故障与故障之间、故障与征兆之间、征兆与征兆之间的共性与特性关系等,将每种复合故障模式对应的特征子空间投影到故障征兆的隐性关联模式上,根据得到的隐性关联模式,利用多任务特征选择与因果关系分析方法提取隐性最优特征投影矩阵。
B2,利用粒子群、信息熵等算法对提取的显性和隐性最优特征投影矩阵进行加权处理,得到综合特征投影矩阵,根据得到的综合特征投影矩阵构建复合故障初始追溯模型,根据构建的复合故障初始追溯模型以及复合故障全流程和子***检测结果,实现层次化的轧钢工艺流程复合故障精准追溯。
本实施例中,首先综合考虑复合故障的传播、耦合、多重并发等特性,研究子***复合故障自主检测方法,实现子***复合故障自主检测,得到子***检测结果;其中,子***检测结果包括:轧钢工艺流程全流程加热、粗轧、飞剪、精轧、层流冷却、卷取等子***层面的故障或者正常运行状态。
然后,在充分考虑各子***间的静态关联与动态协同关系的基础上,利用变分贝叶斯推理、集成学习等信息融合与机器学习方法,将不同子***的复合故障自主检测信息进行融合,实现全流程复合故障自主检测,得到全***检测结果;其中,全流程检测结果包括:轧钢工艺流程全流程层面的故障(即:异常)或者正常运行状态。
本实施例中,热轧工艺流程运行状态异常通常是由于底层回路发生复合故障引起子***状态异常,进而导致其它子***和全流程状态异常的“自下而上”的发展模式。与之相对应,复合故障追溯应是从全流程异常状态出发,追溯底层回路故障原因的“自上而下”过程。
本实施例中,所述基于构建的轧钢工艺流程复合故障模式分类器实现层次化的复合故障追溯还包括:
当新故障发生时,利用新故障数据建立复合故障与故障征兆之间的显性和隐性关联模式,并将新故障对应的特征子空间投影到显性与隐性关联模式上,实现复合故障初始追溯模型的自适应更新,以增强其泛化能力,为快速、精准地查找轧钢工艺流程运行异常发生的原因及维护决策提供信息支持
本发明实施例所述的轧钢工艺流程复合故障追溯方法,构建轧钢工艺流程复合故障模式分类器;基于构建的轧钢工艺流程复合故障模式分类器实现层次化的复合故障追溯,这样,能够在发生复合故障时及时诊断和推理辨识出故障的根本原因,对于保证轧钢工艺流程的安全性和产品质量的稳定性具有重要的工程意义。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种轧钢工艺流程复合故障追溯方法,其特征在于,包括:
构建轧钢工艺流程复合故障模式分类器;
基于构建的轧钢工艺流程复合故障模式分类器实现层次化的复合故障追溯;
其中,所述基于构建的轧钢工艺流程复合故障模式分类器实现层次化的复合故障追溯包括:
利用构建的轧钢工艺流程复合故障模式分类器确定轧钢工艺流程数据所属的复合故障模式,根据每种复合故障模式对应的特征子空间及轧钢工艺流程复合故障征兆在时间和空间上呈现的显性和隐性状态,提取显性最优特征投影矩阵和隐性最优特征投影矩阵;
对提取的显性和隐性最优特征投影矩阵进行加权处理,得到综合特征投影矩阵,根据得到的综合特征投影矩阵构建复合故障初始追溯模型,根据构建的复合故障初始追溯模型以及复合故障全流程和子***检测结果,实现层次化的轧钢工艺流程复合故障追溯。
2.根据权利要求1所述的轧钢工艺流程复合故障追溯方法,其特征在于,所述复合故障模式包括:传播型、耦合型、多重并发型及复合型。
3.根据权利要求1所述的轧钢工艺流程复合故障追溯方法,其特征在于,所述构建轧钢工艺流程复合故障模式分类器包括:
利用相关性分析方法分析传播型、耦合型、多重并发型及复合型故障数据与正常数据之间的相关性,根据相关性分析结果确定轧钢工艺流程复合故障模式的特征子空间;
利用轧钢流程专家经验及工艺知识对得到的特征子空间进行识别和分类,根据分类结果,标注故障数据与正常数据的复合故障模式,基于标注结果及其对应的特征子空间构建能够反映复合故障模式的轧钢工艺流程复合故障模式分类器,其中,正常数据的复合故障模式标注为无。
4.根据权利要求3所述的轧钢工艺流程复合故障追溯方法,其特征在于,所述利用相关性分析方法分析传播型、耦合型、多重并发型及复合型故障数据与正常数据之间的相关性,根据相关性分析结果确定轧钢工艺流程复合故障模式的特征子空间包括:
分析传播型、耦合型、多重并发型及复合型故障数据与正常数据之间的相关性,根据相关性分析结果提取能够反映轧钢工艺流程故障特性的数据特征,得到轧钢工艺流程复合故障模式的特征矢量;
利用相似度分析方法对得到的特征矢量进行筛选,得到相似度指标变化幅度在预设区间且具有轧钢工艺流程故障特性的复合故障模式的特征子空间。
5.根据权利要求1所述的轧钢工艺流程复合故障追溯方法,其特征在于,所述层次化指:从全流程到子***。
6.根据权利要求1所述的轧钢工艺流程复合故障追溯方法,其特征在于,所述利用构建的轧钢工艺流程复合故障模式分类器确定轧钢工艺流程数据所属的复合故障模式,根据每种复合故障模式对应的特征子空间及轧钢工艺流程复合故障征兆在时间和空间上呈现的显性和隐性状态,提取显性最优特征投影矩阵和隐性最优特征投影矩阵包括:
利用构建的轧钢工艺流程复合故障模式分类器确定待分析轧钢工艺流程数据所属的复合故障模式,针对轧钢工艺流程复合故障征兆在时间和空间上呈现的显性状态,将每种复合故障模式对应的特征子空间投影到故障征兆的显性关联模式上,根据得到的显性关联模式,利用指数判别分析方法提取显性最优特征投影矩阵;
针对轧钢工艺流程复合故障征兆在时间和空间上呈现的隐性状态,将每种复合故障模式对应的特征子空间投影到故障征兆的隐性关联模式上,根据得到的隐性关联模式,利用多任务特征选择与因果关系分析方法提取隐性最优特征投影矩阵。
7.根据权利要求1所述的轧钢工艺流程复合故障追溯方法,其特征在于,所述基于构建的轧钢工艺流程复合故障模式分类器实现层次化的复合故障追溯还包括:
当新故障发生时,利用新故障数据建立复合故障与故障征兆之间的显性和隐性关联模式,并将新故障对应的特征子空间投影到显性与隐性关联模式上,实现复合故障初始追溯模型的自适应更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044490.1A CN113828638B (zh) | 2021-09-07 | 2021-09-07 | 一种轧钢工艺流程复合故障追溯方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044490.1A CN113828638B (zh) | 2021-09-07 | 2021-09-07 | 一种轧钢工艺流程复合故障追溯方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113828638A CN113828638A (zh) | 2021-12-24 |
CN113828638B true CN113828638B (zh) | 2022-06-03 |
Family
ID=78958512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111044490.1A Active CN113828638B (zh) | 2021-09-07 | 2021-09-07 | 一种轧钢工艺流程复合故障追溯方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113828638B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4250552B2 (ja) * | 2004-03-03 | 2009-04-08 | 株式会社東芝 | 製造装置管理システム、製造装置管理方法及びプログラム |
CN104573740B (zh) * | 2014-12-22 | 2018-07-03 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
CN106295692B (zh) * | 2016-08-05 | 2019-07-12 | 北京航空航天大学 | 基于降维与支持向量机的产品早期故障根原因识别方法 |
CN106844194B (zh) * | 2016-12-21 | 2018-06-15 | 北京航空航天大学 | 一种多层次软件故障诊断专家***的构建方法 |
CN108664002B (zh) * | 2018-04-27 | 2021-06-29 | 中国石油大学(华东) | 一种面向质量的非线性动态过程监控方法 |
CN114008551A (zh) * | 2019-10-01 | 2022-02-01 | 华为技术有限公司 | 自动驾驶车辆中故障的自动根本原因分析 |
CN111724126B (zh) * | 2020-06-12 | 2024-03-12 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及*** |
CN112395424A (zh) * | 2020-10-10 | 2021-02-23 | 北京仿真中心 | 一种复杂产品质量问题追溯方法及*** |
CN112733602B (zh) * | 2020-12-07 | 2022-08-05 | 北京航空航天大学 | 关系引导的行人属性识别方法 |
CN112650146B (zh) * | 2020-12-18 | 2021-11-19 | 国家机床质量监督检验中心 | 一种数控机床多工况下故障诊断优化方法、***及设备 |
-
2021
- 2021-09-07 CN CN202111044490.1A patent/CN113828638B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113828638A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Diez-Olivan et al. | Data fusion and machine learning for industrial prognosis: Trends and perspectives towards Industry 4.0 | |
Li et al. | A review of industrial big data for decision making in intelligent manufacturing | |
Ruschel et al. | Industrial maintenance decision-making: A systematic literature review | |
Vrignat et al. | Sustainable manufacturing, maintenance policies, prognostics and health management: A literature review | |
Kuehn | Digital twins for decision making in complex production and logistic enterprises | |
KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
CN111724126A (zh) | 一种工艺流程质量异常精准追溯方法及*** | |
CN113835411A (zh) | 一种轧钢工艺流程质量异常综合诊断方法 | |
Bastos et al. | A maintenance prediction system using data mining techniques | |
CN116522088B (zh) | 一种基于机器学习的核动力装置运行数据分析方法与*** | |
Beyerer et al. | Machine Learning for Cyber Physical Systems: Selected Papers from the International Conference ML4CPS 2018 | |
Chaudhuri | Predictive maintenance for industrial iot of vehicle fleets using hierarchical modified fuzzy support vector machine | |
CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及*** | |
Yıldız et al. | Integrating preventive and predictive maintenance policies with system dynamics: A decision table approach | |
Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
Hou et al. | Fault detection and diagnosis of air brake system: A systematic review | |
Lieber et al. | Sustainable interlinked manufacturing processes through real-time quality prediction | |
CN113828638B (zh) | 一种轧钢工艺流程复合故障追溯方法 | |
Lee et al. | Definition and Meaning of Industrial AI | |
Sharma et al. | Prognosis agent technology: influence on manufacturing organizations | |
Zeiser et al. | Requirements towards optimizing analytics in industrial processes | |
Borissova et al. | A concept of intelligent e-maintenance decision making system | |
Liu et al. | Manufacturing Process Optimization in the Process Industry | |
Abdoune et al. | An enhanced methodology of Fault Detection and Diagnosis based on Digital Twin | |
CN116664099A (zh) | 一种基于非参数回归的无人矿车健康管理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |