CN114167826A - 一种用于铸造生产过程混合多变量的监控方法 - Google Patents
一种用于铸造生产过程混合多变量的监控方法 Download PDFInfo
- Publication number
- CN114167826A CN114167826A CN202111424681.0A CN202111424681A CN114167826A CN 114167826 A CN114167826 A CN 114167826A CN 202111424681 A CN202111424681 A CN 202111424681A CN 114167826 A CN114167826 A CN 114167826A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- sample
- real
- casting
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 238000005266 casting Methods 0.000 title claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 32
- 230000006870 function Effects 0.000 description 6
- 238000005495 investment casting Methods 0.000 description 5
- 239000000498 cooling water Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及铸造生产过程状态监测领域,特别是涉及一种用于铸造生产过程混合多变量的监控方法,一方面提供一种铸造生产离线监控模型建立方法,包括数据采集步骤:采集铸造过程工序正常运行的历史数据作为样本数据,对样本数据进行预处理,得到处理数据;数据降维步骤:采用核主元分析方法对处理数据进行降维处理;数据描述步骤:采用SVDD对得分矩阵进行超球体描述,另一方面提供一种基于上述模型的混合多变量的监控方法,用于铸造生产过程,包括样本监测步骤、样本降维步骤、样本描述步骤和对比判别步骤,判别工序是否处于正常状态。本发明解决了铸造过程中变量监控单一,无法监控铸造过程中存在高度相关性的多性能指标和过程变量的问题。
Description
技术领域
本发明涉及铸造生产过程状态监测领域,特别是涉及一种用于铸造生 产过程混合多变量的监控方法。
背景技术
铸造行业是现代先进制造业重要的组成部分,推进铸造智能化对发展 制造业也很重要。
熔模铸造生产工序多且工序复杂,生产周期长,影响铸件产品最终质 量的因素非常多。生产过程中人、机器、材料、方法、测量和环境等因素 都会对工序过程质量造成扰动,从而造成了产品质量的波动,同时顾客对 于铸件质量要求却越来越高,因此熔模制造质量管理是企业面临的问题之 一。铸造企业为了提高过程监控能力和产品质量,已经使用了传统的统计 过程控制,在6σ原则的基础上加入休哈特控制图、CUMUS控制图、EWMA 控制图等对生产过程中部分重要的指标变量单独进行监控,对单变量的监 控有较好的效果,一定程度上改进了产品质量。由于熔模铸造工艺和影响 因素的复杂性,需要对产品多性能指标和过程变量进行监控,这些过程变 量之间存在高度的相关性,过程变量自身随时间序列的相关性,仅采用单 变量统计过程控制无法准确识别。
影响像航空航天这类复杂熔模铸件的质量的不确定因素众多,为了研 究产品质量的波动,企业必须加强生产过程中质量管理的监测和控制,实 现对复杂熔模铸件生产过程中每一个工序的重要工艺参数在线监测。当前 过程变量具有混合变量相关性,如何针对过程数据的非线性、非高斯、强 耦合的特点,从中准确提取能够反映过程运行状态优势的异常信息,并加 以有效利用,成为铸造生产过程混合多变量的监控的重要问题。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种用于铸造生产过程 混合多变量的监控方法,旨在解决铸造过程中变量监控单一,无法监控铸 造过程中存在高度相关性的多性能指标和过程变量的问题。
为解决上述问题,按照本发明的一个方面,提供了一种铸造生产离线 监控模型建立方法,包括如下步骤:
(1)数据采集步骤:采集铸造过程工序正常运行时的历史数据作为样 本数据,所述样本数据包括传感数据和非传感数据,对样本数据进行预处 理,得到处理数据;
(2)数据降维步骤:采用核主元分析方法对处理数据进行降维处理, 通过高斯核函数将处理数据从其原始数据空间映射到特征空间,并计算得 到核矩阵,采用中心化方法对核矩阵进行修正,得到修正核矩阵,计算核 矩阵的特征向量,通过施密特正交化方法正交得到单位化特征向量,对其 结果用累计贡献率法,获得贡献率大于预设值的主成分,在主成分所在的 核矩阵即主元空间计算得到得分矩阵;
(3)数据描述步骤:采用支持向量数据描述(SVDD)对得分矩阵进 行超球体描述,得到超球体模型,其中超球体的半径作为评判统计量。
进一步的,步骤(1)数据采集步骤中预处理包括中心化处理和无量纲 化处理。
进一步的,预处理还包括采用指数加权移动平均法对传感数据进行降 噪处理,去除传感数据的时间序列相关性。
进一步的,步骤(1)数据采集步骤中样本数据有复杂特性,包括非线 性、非高斯以及多工况。
按本发明的另一方面,提供一种基于上述模型的混合多变量的监控方 法,用于铸造生产过程,包括如下步骤:
(1)样本监测步骤:采集铸造过程工序的实时数据,所述实时数据包 括传感数据和非传感数据,对实时数据进行预处理,得到监控样本;
(2)样本特征计算步骤:采用核主元分析方法对监控样本进行降维处 理,通过高斯核函数将监控样本从其原始数据空间映射到特征空间,并计 算得到实时核矩阵,采用中心化方法对实时核矩阵进行修正,得到实时修 正核矩阵,实时修正核矩阵与铸造生产离线监控模型中的单位化特征向量 相乘得到实时得分矩阵;
(3)样本描述步骤:采用SVDD对得分矩阵进行超球形描述,得到实 时数据的观测数据点与超球体球心的距离,作为监控统计量;
(4)对比判别步骤:如果监控统计量小于评判统计量,表示铸造过程 工序处于正常状态,否则铸造过程工序处于异常状态。
进一步的,步骤(1)样本监测步骤中预处理包括中心化处理和无量纲 化处理。
进一步的,预处理还包括采用指数加权移动平均法对传感数据进行降 噪处理,去除传感数据的时间序列相关性。
进一步的,步骤(1)样本监测步骤中实时数据具有复杂特性,包括非 线性、非高斯以及多工况。
总体而言,本发明的技术方案与现有技术相比,用于取得下列有益效 果:
1、本发明采用的支持向量数据描述算法是基于无监督学习算法,把多 变量监控简化为与超球体的球心的距离进行监测,简化了监控的流程;
2、相对于单变量监控来说,本发明考虑了混合多变量之间的相关关系, 降低了数据的维度,能够更准确地识别生产过程可能发生的异常;
3、本发明使用指数加权移动平均法对数据进行平滑处理,减小时间序 列对数据的影响,提高数据的准确性;
4、本发明在主成分分析中引入核方法,提取过程的非线性特征,能够 有效解决非线性的问题,使得本方法既可以适用于线性过程监控,也可以 适用于非线性过程监控。
附图说明
图1是按照本发明的优选实例所构建的实时铸造过程监控流程图;
图2是按照本发明的优选实例所构建的核主成分分析流程图;
图3是按照本发明的优选实例所构建的SVDD方法效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图 及实施例,对本发明进行进一步详细说明。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。
如图1所示,本发明针对铸造企业现场生产过程数据多变量、非线性、 强耦合、高维度的特点,提出了一种用于铸造生产过程混合多变量的监控 方法,针对混合多变量的监控方法总体分为两个环节,首先是根据正常运 行过程数据建立离线监控模型,然后是利用建立的模型进行现场监控,所 述方法包括下列步骤:
S1、数据准备步骤:选取熔模铸造过程中的重要工序,如中介机匣的 浇注过程,从历史数据库中选择对应的数据表(中介机匣浇注记录表)中 对工序有影响的关键工艺参数9维,包括型壳温度、浇注温度、漏气率、 真空度、电压、电流、冷却水压力、冷却水进水温度和冷却水出水温度, 可见存在混合多变量多维度高耦合的特点;选取正常数据的100组作为用 来训练的样本数据,得到初始数据X∈R100x9;
S2、数据预处理步骤:浇注温度在300到400℃之间,而压力只有零点 几,浇注温度在建模的过程中会湮没绝对值小的数据,所以数据的标准化 是非常重要的一个环节,一定程度上突出过程变量的相关关系,消除量纲 对样本数据的影响;
数据的预处理包含两个子步骤:
S21数据的中心化处理,数据的中心化处理就是将数据进行平移变换, 每一个数据减去本维度数据的均值,使得数据与样本集合的中心重合;
S22无量纲化处理,数据的无量纲化处理就是使用方差归一化,对每一 列数据除以各自的标准差,使每个变量都具有同等的权重;
S3、对于电压、电流容易受到设备震动噪声的影响,同时还存在着传 感器测量噪声,对于冷却水进出水温度这一次的采样结果受到前一时刻采 样值的影响,因此使用指数加权移动平均法对数据进行平滑处理,增强变 量之间的相关性,减小前后时刻数据观测值的影响,同时还具有一定的去 除噪声的能力,其中指数加权移动平均法的关键参数加权因子取0.5,距离 当前越远的样本点,权重越小;
S4、样本数据具有高维性,如图2所示,使用主元分析法对数据进行 降维处理,同时引入核方法计算核矩阵K,通过核函数将原始数据空间的 数据映射到特征空间,采用的核函数为高斯核函数,核函数的惩罚系数 c=800。中心化核矩阵Kc,用于修正核矩阵,计算矩阵Kc的特征值和特征 向量V,将特征值与特征向量从大到小排列,特征值越大所蕴含的有用信 息越多。通过施密特正交化方法,正交并单位化特征向量A,用累计贡献 率法获得大于预设值(本实施例中为85%)的3个主成分得分,前3个主 成分对应特征值分别6.18、1.78、1.49,为最终将铸件浇注过程中的9个参 数变量降至3个维度,使用3个主成分得分代替原有的9维数据信息,在 主元空间内计算得分矩阵T;
S5、将得分矩阵T输入到SVDD中,经过训练得到如图3所示的超球 体,其球心为a、半径为R,使得这个超球体是最小超球体,同时又能够包 含大多数的正常样本,对于浇注过程计算得超球体的半径为R=38.34,作为 过程监控的统计量。
S6、通过数据采集***实时采集对应的工序关键工艺参数,以此作为 实时监控的数据,使用训练样本的参数和方法(即S2、S3和S4)进行数 据处理,获得监测数据的得分矩阵;
S7、使用S6的得分矩阵作为输入,使用S5训练的超球体模型计算监 测数据点到超球体圆心的距离d,使用距离d来衡量监测数据的异常程度, 如果距离d小于超球体半径R,即在超球体内表示数据处于正常状态,否 则数据处于异常状态,监测数据发生了偏移,发生了异常情况后由操作人 员及时停止当前工序,调整生产工艺条件后继续运行。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已, 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 同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种铸造生产离线监控模型建立方法,其特征在于,包括如下步骤:
(1)数据采集步骤:采集铸造过程工序正常运行时的历史数据作为样本数据,所述样本数据包括传感数据和非传感数据,对样本数据进行预处理,得到处理数据;
(2)数据降维步骤:采用核主元分析方法对处理数据进行降维处理,通过高斯核函数将处理数据从其原始数据空间映射到特征空间,并计算得到核矩阵,采用中心化方法对核矩阵进行修正,得到修正核矩阵,计算核矩阵的特征向量,通过施密特正交化方法正交得到单位化特征向量,对其结果用累计贡献率法,获得贡献率大于预设值的主成分,在主成分所在的核矩阵即主元空间计算得到得分矩阵;
(3)数据描述步骤:采用SVDD对得分矩阵进行超球体描述,得到超球体模型,其中超球体的半径作为评判统计量。
2.如权利要求1所述的方法,其特征在于,所述步骤(1)数据采集步骤中预处理包括中心化处理和无量纲化处理。
3.如权利要求2所述的方法,其特征在于,所述预处理还包括采用指数加权移动平均法对传感数据进行降噪处理。
4.如权利要求1所述的方法,其特征在于,所述步骤(1)数据采集步骤中样本数据有复杂特性,包括非线性、非高斯以及多工况。
5.一种基于权利要求1-4所述任一模型的混合多变量的监控方法,用于铸造生产过程,其特征在于,包括如下步骤:
(1)样本监测步骤:采集铸造过程工序的实时数据,所述实时数据包括传感数据和非传感数据,对实时数据进行预处理,得到监控样本;
(2)样本特征计算步骤:采用核主元分析方法对监控样本进行降维处理,通过高斯核函数将监控样本从其原始数据空间映射到特征空间,并计算得到实时核矩阵,采用中心化方法对实时核矩阵进行修正,得到实时修正核矩阵,实时修正核矩阵与所述铸造生产离线监控模型中的单位化特征向量相乘得到实时得分矩阵;
(3)样本描述步骤:采用SVDD对实时得分矩阵进行超球体描述,得到实时数据的观测数据点与超球体球心的距离,作为监控统计量;
(4)对比判别步骤:如果监控统计量小于评判统计量,表示铸造过程工序处于正常状态,否则铸造过程工序处于异常状态。
6.如权利要求5所述的方法,其特征在于,所述步骤(1)样本监测步骤中预处理包括中心化处理和无量纲化处理。
7.如权利要求6所述的方法,其特征在于,所述预处理还包括采用指数加权移动平均法对传感数据进行降噪处理。
8.如权利要求5所述的方法,其特征在于,所述步骤(1)样本监测步骤中实时数据具有复杂特性,包括非线性、非高斯以及多工况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424681.0A CN114167826A (zh) | 2021-11-26 | 2021-11-26 | 一种用于铸造生产过程混合多变量的监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424681.0A CN114167826A (zh) | 2021-11-26 | 2021-11-26 | 一种用于铸造生产过程混合多变量的监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114167826A true CN114167826A (zh) | 2022-03-11 |
Family
ID=80481399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111424681.0A Pending CN114167826A (zh) | 2021-11-26 | 2021-11-26 | 一种用于铸造生产过程混合多变量的监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114167826A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011778A (zh) * | 2024-03-06 | 2024-05-10 | 湖南省海昆农业科技有限公司 | 一种昆虫蛋白保鲜***的温度自适应调控方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
CN107632592A (zh) * | 2017-09-01 | 2018-01-26 | 南通大学 | 基于高效递推核主元分析的非线性时变过程故障监测方法 |
CN108227653A (zh) * | 2017-12-28 | 2018-06-29 | 湖州师范学院 | 一种基于随机化核主元分析的大规模非线性过程监控方法 |
CN110009020A (zh) * | 2019-03-12 | 2019-07-12 | 宁波大学 | 一种基于多核主元分析模型的非线性过程监测方法 |
CN111158338A (zh) * | 2019-12-19 | 2020-05-15 | 南京连易智能科技有限公司 | 一种基于主成分分析的化工风险监测方法 |
-
2021
- 2021-11-26 CN CN202111424681.0A patent/CN114167826A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
CN107632592A (zh) * | 2017-09-01 | 2018-01-26 | 南通大学 | 基于高效递推核主元分析的非线性时变过程故障监测方法 |
CN108227653A (zh) * | 2017-12-28 | 2018-06-29 | 湖州师范学院 | 一种基于随机化核主元分析的大规模非线性过程监控方法 |
CN110009020A (zh) * | 2019-03-12 | 2019-07-12 | 宁波大学 | 一种基于多核主元分析模型的非线性过程监测方法 |
CN111158338A (zh) * | 2019-12-19 | 2020-05-15 | 南京连易智能科技有限公司 | 一种基于主成分分析的化工风险监测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011778A (zh) * | 2024-03-06 | 2024-05-10 | 湖南省海昆农业科技有限公司 | 一种昆虫蛋白保鲜***的温度自适应调控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107632592B (zh) | 基于高效递推核主元分析的非线性时变过程故障监测方法 | |
CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
CN108227653B (zh) | 一种基于随机化核主元分析的大规模非线性过程监控方法 | |
CN108508865B (zh) | 一种基于分散式osc-pls回归模型的故障检测方法 | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN110009020B (zh) | 一种基于多核主元分析模型的非线性过程监测方法 | |
CN107505850B (zh) | 一种刀具换刀判断方法 | |
CN110794782A (zh) | 基于jy-mkpls的间歇工业过程在线质量预测方法 | |
CN116070527B (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
CN114167826A (zh) | 一种用于铸造生产过程混合多变量的监控方法 | |
CN112446597A (zh) | 贮箱质量评估方法、***、存储介质、计算机设备及应用 | |
CN110033175B (zh) | 一种基于集成多核偏最小二乘回归模型的软测量方法 | |
CN112001115A (zh) | 一种半监督动态软测量网络的软测量建模方法 | |
CN110119579B (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
CN113703422B (zh) | 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 | |
CN114757087A (zh) | 一种基于动态主成分分析与lstm的刀具磨损预测方法 | |
CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
CN112149054B (zh) | 基于时序扩展的正交邻域保持嵌入模型的构建与应用 | |
CN116224887A (zh) | 一种多工况间歇过程故障监测方法 | |
CN114707424B (zh) | 基于质量相关慢特征分析算法的化工过程软测量方法 | |
CN114722888A (zh) | 一种基于Wasserstein距离的早期故障检测方法 | |
Bao et al. | Integration of digital twin and machine learning for geometric feature online inspection system | |
Haoguang et al. | Study on soft sensing technology of penicillin fermentation based on PLS and SVR | |
CN114237202B (zh) | 基于fia-cva与迭代增强框架的过程监测方法 | |
CN116401577B (zh) | 一种基于mcf-occa的质量相关故障检测方法 |
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 |