CN115291582A - 一种炼铁过程故障监测的方法、装置以及设备 - Google Patents
一种炼铁过程故障监测的方法、装置以及设备 Download PDFInfo
- Publication number
- CN115291582A CN115291582A CN202210164129.0A CN202210164129A CN115291582A CN 115291582 A CN115291582 A CN 115291582A CN 202210164129 A CN202210164129 A CN 202210164129A CN 115291582 A CN115291582 A CN 115291582A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- variable
- data set
- value
- divergence
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 165
- 230000008569 process Effects 0.000 title claims abstract description 86
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 238000000513 principal component analysis Methods 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims abstract description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 28
- 229910052742 iron Inorganic materials 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 2
- 239000000725 suspension Substances 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000010355 oscillation Effects 0.000 description 6
- 230000000903 blocking effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000348 solid-phase epitaxy Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000012795 verification 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种炼铁过程故障监测的方法、装置、设备以及计算机可读存储介质包括:将正常炼铁工况下的数据集进行标准化处理,计算数据集中每两个变量之间的JS散度值,并构建JS散度值矩阵并设置划分值,将数据集划分为多个变量块并提取每个变量块的特征信息集,将每个特征信息与每个变量块输入PCA模型中,得到全局正常工况下的监控统计量控制限,确定检测阈值,构建炼铁过程故障监测模型。将待监测数据集进行标准化处理后输入所述炼铁过程故障监测模型中进行监测判断是否发生故障。本发明分层提取特征,丰富了监测信息的多样性,然后利用多样性的信息进行监测,提高了故障监测的准确性。
Description
技术领域
本发明涉及工业过程故障监测领域,特别是涉及一种炼铁过程故障监测的方法、装置、设备以及计算机可读存储介质。
背景技术
高炉是用于生产铁水的立式炉,是炼钢生产过程中的重要部分。为了保证铁水的顺利稳定的生产,需要监控整个高炉中各个过程变量的状态,从而保持高炉的稳定运行。传统的高炉炼铁过程故障监测中,首先需要获得炼铁过程中正常工况下的历史数据,然后建立一个全局的统计分析模型,再对实时采集的样本进行在线监测,判断其是否处于正常状态。但一方面由于高炉炼铁过程涉及到的变量之间关系冗杂,另一方面由于实时工况的多变性使得传统的模型无法适应当下需求。近年来提出的基于多块建模策略的高炉炼铁故障监测方法是解决上述问题的有效途径之一。
子块划分方法是多块建模策略的核心内容,构建子块能够将具有相同变化特征的变量放在一起以突出局部特征,从而可以提高故障监测的准确率。子块划分方法的优劣一定程度上决定着最终故障监测性能的好坏。目前的基于多块建模的高炉炼铁故障监测中存在的问题是大量方法在进行变量分块时只考虑了变量间的线性关系,并没有考虑变量间的非线性关系,这使得子块划分的合理性难以保证,从而也就会影响最终监测结果的准确性。另外,目前的分块建模策略大多数只依赖于数据的观测值信息进行建模,并没有挖掘隐藏在观测值信息中的潜在特征信息,所以在监测缓慢、微小变化或者持续振荡变化的故障时效果不佳。
综上所述可以看出,如何提取潜在特征提高故障监测准确率是目前有待解决的问题。
发明内容
本发明的目的是提供一种炼铁过程故障监测的方法、装置、设备以及计算机可读存储介质,解决了现有技术中没有考虑潜在特征信息导致监测故障效果不佳。
为解决上述技术问题,本发明提供一种炼铁过程故障监测的方法包括:将正常炼铁工况下的数据集进行标准化处理,计算标准处理后的数据集中每两个变量之间的JS散度值,并构建JS散度值矩阵;
根据所述JS散度值矩阵设置划分值,根据所述划分值将所述标准化处理后的数据集划分为多个变量块,将每个变量块输入PCA模型中,计算得到所述每个变量块的监控统计量控制限;
提取所述每个变量块的特征信息集,将每个特征信息输入PCA 模型中,计算得到所述每个特性信息的监控统计量控制限;
将所述每个变量块的监控统计量控制限与所述每个特性信息的监控统计量控制限进行融合,得到全局正常工况下的监控统计量控制限,确定检测阈值;
利用所述检测阈值对标准化处理后的待监测数据集进行监测,判断所述待监测数据集是否发生故障。
优选地,所述计算标准化处理后的数据集中每两个变量之间的JS 散度值,并构建JS散度值矩阵包括:
计算标准化处理后的数据集X=[x1,x2,…,xm]∈Rn×m中变量xi和xj(i=1,2,…,m;j=1,2,…,m,i≠j)之间的JS散度值JSij,构建所述 JS散度值矩阵DJS∈Rm×m;
其中,n为样本数量,m为变量个数。
优选地,所述根据所述JS散度值矩阵设置划分值,根据所述划分值将所述数据集划分为多个变量块包括:
通过分析所述JS散度值矩阵DJS设定一个所述划分值λ,将所述 JS散度值矩阵DJS中的每个JS散度值与所述划分值λ进行对比;
当变量xi和xj之间的JS散度值小于等于所述划分值λ时,则将所述变量xi和xj划分至同一变量块中;
当所述变量xi和xi之间的JS散度值大于所述划分值λ时,则将所述变量xi和xj划分到不同的变量块中;
保证每个变量块中每两个变量之间的JS散度值均小于所述划分值λ。
优选地,所述利用所述JS散度值矩阵DJS中的每个JS散度值与所述划分值λ进行对比还包括:
当变量xi与其他所有变量的JS散度值都大于所述划分值λ时,寻找与所述变量xi之间JS散度值最小的变量xj,将所述变量xi放入所述变量xj所在的变量块中。
优选地,所述提取所述每个变量块的特征信息集,将每个特征信息输入PCA模型中,得到所述每个特性信息的监控统计量控制限包括:
提取变量块Xi的累加误差信息,得到累加误差信息子块Xie,将所述累加误差信息输入所述PCA模型中进行监测,确定所述累加误差信息的监控统计量控制限;
通过对所述变量块Xi每个时刻样本观测值求取一阶差分,得到一阶差分信息子块Xid,将所述一阶差分信息输入所述PCA模型进行监测,确定所述一阶差分信息的监控统计量控制限;
其中,Xi∈Rn×b,Xie∈R(n-T)×b,Xid∈R(n-2)×bT表示多少个时刻。
优选地,将所述每个变量块的监控统计量控制限与所述每个特性信息的监控统计量控制限进行融合,得到全局正常工况下的监控统计量控制限,确定检测阈值包括:
根据所述主成分和所述残差成分,分别在所述主元子空间和所述残差子空间构建监测统计量T2和SPE
其中,和分别为负载矩阵和得分矩阵,T为对矩阵进行转置,E为残差矩阵,m为变量个数,n为样本个数,d为主元个数,Λd为对角矩阵,其对角线元素为前d个主元所对应的特征值,和SPElim分别为T2和SPE统计量对应的控制限。
优选地,所述利用标准化处理后的待监测数据集进行监测,将监测结果对比所述检测阈值,判断所述待监测数据集是否发生故障包括:
采集炼铁过程中的数据作为待测试数据集,将所述待测试数据集进行标准化处理;
将标准化处理后的待监测数据集划分为多个变量块,并提取所述每个变量块中所述待监测数据集的特征信息集,将所述待监测数据集的每个变量块和每个的特征信息都输入所述PCA模型中;
利用所述PCA模型计算所述待监测数据集的每个变量块和每个的特征信息的监测统计量,采用贝叶斯推断将所有的所述待监测数据集的每个变量块和每个的特征信息的监测统计量进行融合为目标全局监测统计量和BICSPE;
本发明还提供了一种炼铁过程故障监测的装置,包括:
计算模块,用于将正常炼铁工况下的数据集进行标准化处理,计算标准处理后的数据集中每两个变量之间的JS散度值,并构建JS散度值矩阵;
划分模块,用于根据所述JS散度值矩阵设置划分值,根据所述划分值将所述数据集划分为多个变量块,将每个变量块输入PCA模型中,计算得到所述每个变量块的监控统计量控制限;
提取模块,用于提取所述每个变量块的特征信息集,将每个特征信息输入PCA模型中,计算得到所述每个特性信息的监控统计量控制限;
确定阈值模块,用于将所述每个变量块的监控统计量控制限与所述每个特性信息的监控统计量控制限进行融合,得到全局正常工况下的监控统计量控制限,确定检测阈值;
测试模块,用于利用所述检测阈值对标准化处理后的待监测数据集进行监测,判断所述待监测数据集是否发生故障。
本发明还提供了一种炼铁过程故障监测的设备,包括:
存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种炼铁过程故障监测的方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种炼铁过程故障监测的方法的步骤。
本发明所提供的一种炼铁过程故障监测的方法,将训练数据集输入模型中,首先计算每两变量之间的JS散度值,根据JS散度划分值将训练数据集划分为多个变量块,然后提取每个变量信息块的特征信息集,进行分层多样提取,丰富了监测信息的多样性,将每个变量块和每个变量块的特征信息都输入PCA模型中,得到正常工况下的监控统计量,确定检测阈值。本发明通过分层的特征挖掘方法能够有效的提取数据的局部特征,然后提取局部特征的潜在特征,丰富了监测信息特征的多样性,利用多样性的特征信息进行监测,得到精确的检测阈值,使判断结果更加准确,提高了故障监测的准确率。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,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为本发明所提供的炼铁过程故障监测的方法的第一种具体实施例的流程图;
图2为本发明所提供的多块建模方法的流程图;
图3为本发明所提供的离线建模和在线监测流程图;
图4为本发明所提供的炼铁过程故障监测的方法的第二种具体实施例的流程图;
图5为本发明所提供的炼铁过程故障监测的方法的第三种具体实施例的流程图;
图6为本发明所提供的炼铁过程故障监测的方法的第四种具体实施例的流程图;
图7为JSLFE-MBPCA算法对TE过程故障16的监测结果;
图8为JSLFE-MBPCA算法对TE过程故障16的最优监测子块 17的监测结果;
图9为TE过程故障16中变量19的特征信息;
图10为JSLFE-MBPCA算法对TE过程故障19的监测结果;
图11为JSLFE-MBPCA算法对TE过程故障19的最优监测子块 21的监测结果;
图12为TE过程故障19中变量27的特征信息;
图13为JSLFE-MBPCA算法对高炉炼铁悬挂故障的监测结果;
图14为JSLFE-MBPCA算法对高炉炼铁悬挂故障的最优监测子块5的监测结果;
图15为高炉炼铁悬挂故障中变量8的特征信息;
图16为本发明实施例提供的一种炼铁过程故障监测的装置的结构框图。
具体实施方式
本发明的核心是提供一种炼铁过程故障监测的方法,通过JS散度值将数据集划分为多个变量块,然后提取每个变量块的潜在特征,将每个变量块和潜在的特征信息输入PCA模型进行确定更加精确的检测阈值,本发明通过进行分层提取潜在特征,丰富了特征信息的多样性,得到更加精确的检测阈值,提高了故障监测的准确率。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图2,图1为本发明所提供的炼铁过程故障监测的方法的第一种具体实施例的流程图,图2为多块建模方法的流程图;具体操作步骤如下:
步骤S101:将正常炼铁工况下的数据集进行标准化处理,计算标准处理后的数据集中每两个变量之间的JS散度值,并构建JS散度值矩阵;
步骤S102:根据所述JS散度值矩阵设置划分值,根据所述划分值将所述数据集划分为多个变量块,将每个变量块输入PCA模型中,计算得到所述每个变量块的监控统计量控制限;
步骤S103:提取所述每个变量块的特征信息集,将每个特征信息输入PCA模型中,计算得到所述每个特性信息的监控统计量控制限;
步骤S104:将所述每个变量块的监控统计量控制限与所述每个特性信息的监控统计量控制限进行融合,得到全局正常工况下的监控统计量控制限,确定检测阈值;
步骤S105:利用所述检测阈值对标准化处理后的待监测数据集进行监测,判断所述待监测数据集是否发生故障。
图3为本发明所提供的离线建模和在线监测流程图,炼铁过程故障监测方法分为离线建模和在线监测两部分。离线建模阶段确定监测统计量的控制限,在线监测阶段计算对新样本的监测统计量并将其与控制限比较判断故障是否发生;以下对故障监测具体实施过程进行详细描述。
(a)离线建模,如图3所示;具体流程如下:
Step 1:标准化处理正常工况下的数据集X。
Step 2:计算数据集X中每两个变量之间的JS散度值,构造JS散度值矩阵DJS。
Step 3:根据JS散度值矩阵DJS,设定划分阈值λ,根据子块划分规则将原始数据集X划分为b个变量块。
Step 4:对每个变量块进一步提取累积误差和一阶差分这两种潜在特征信息从而扩展出两个额外的信息子块,加上原始变量块,共生成3×b个信息子块。
Step 5:利用PCA计算每个信息子块模型的控制限。
Step 6:定义全局统计量的控制限,确定检测阈值。
(b)在线监测,如图3所示;具体流程如下:
Step 1:对新得到的样本x进行标准化。
Step 2:根据离线建模步骤中的Step 4将新样本x构造成3×b个信息子块,并采用PCA对每个信息子块进行故障监测。
Step 3:对于新样本x,计算它在每个信息子块中的T2和SPE统计量以及各自对应的控制限。
Step 4:指定置信度α的值,并通过贝叶斯推断将各个信息子块的决策进行融合。
在本实施例中,将正常工况的数据集进行标准化处理,输入炼铁过程故障监测模型中,首先计算每两个变量之间的JS散度值,构建JS散度值矩阵,根据JS散度值矩阵划分值,根据划分值划分为多个变量块,然后提取每个变量块的特征信息集,将每个变量块以及特征信息集输入PCA模型中,计算得到每个变量块和每个特征信息的监控统计量,得到全局正常工况下的监控统计量控制限,确定检测阈值,最后进行测试,输出监测结果。本发明利用JS散度值将正常工况的变量集划分为多个变量块,然后再对每个变量块再提取特征信息集,丰富了特征信息的多样性,确定每个特征信息和每个变量块的监控统计量控制限,确定正常工况下的检测阈值,这样使提取的特性信息更加丰富,PCA监测的信息更加全面,得到了更加准确的检测阈值,提高了监测结果的准确性。
基于上述实施例,本实施例对上述实施例的进行了更加详细的说明,请参考图4,图4为本发明所提供的炼铁过程故障监测的方法的第二种具体实施例的流程图;具体操作步骤如下:
步骤S401:将正常炼铁工况下采集的数据集进行标准化处理,计算标准化处理后的数据集中每两个变量之间的JS散度值,构建JS散度值矩阵;
计算标准处理后的所述数据集X=[x1,x2,…,xm]∈Rn×m中变量 xi和xj(i=1,2,…,m;j=1,2,…,m)之间的JS散度值JSij,构建所述JS 散度值矩阵DJS∈Rm×m;
其中,n为样本数量,m为变量个数。
JS散度是一种概率统计方法,它能够定量地度量两个概率分布之间的差异性,而且这种度量并不局限于数据线性关系的假设条件。本质上,JS散度是KL散度(Kullback-Leibler divergence)的一种变体形式。KL散度可通过如下方式计算得到
其中,U和V分别是两个已知的概率分布。对于式(1),当且仅当 U=V时取等号。由于KL散度具有非对称性,故无法准确地衡量两个概率分布之间的真实差异,而JS散度通过构造U与V的平均概率分布解决了该问题。U和V之间JS散度的计算公式如下
根据式(2)不难看出,DJS(U||V)=DJS(V||U),即JS散度满足对称性。此外,JS散度的值域范围是[0,1],即两个概率分布越相似,其JS散度值越接近于0,否则越接近于1。JS散度在对称性和值域范围上都优于KL散度,更适合用来衡量两个概率分布之间的差异性。
通过计算过程变量之间的JS散度值将具有相同分布特征的变量置于同一子块中,从而突出过程局部特征。对于标准化后的训练集X= [x1,x2,…,xm]∈Rn×m,其中n为样本数量,m为变量个数,计算变量 xi和xj(i=1,2,…,m;j=1,2,…,m)之间的JS散度值JSij,得到JS散度值矩阵DJS∈Rm×m。矩阵DJS中的某个JS散度值越小,表示与之相关的两个变量相似度越高。
步骤S402:通过分析所述JS散度值矩阵设定0.7JSM划分值,将所述JS散度值矩阵中的每个JS散度值与所述划分值进行对比,将变量划分为多个变量块;
当两个变量之间的JS散度值小于等于所述划分值λ时,则将所述两个变量划分为同一所述变量块中;
当所述两个变量之间的JS散度值大于所述划分值λ时,则将所述两个变量划分到不同的所述变量块中,保证每个变量块中的每两变量之间的JS散度值均小于划分值λ。
当变量xi与其他所有变量的JS散度值都大于所述划分值λ时,寻找与所述变量xi之间JS散度值最小的变量xj,将所述变量xi放入所述变量xj所在的变量块中X。
为更合理地对变量进行分块,采取了一种简单的子块划分规则。首先,通过分析矩阵DJS中的JS散度值设定一个划分阈值λ,λ一般根据经验设定,本发明专利方法中λ取0.7JSM,其中JSM是矩阵DJS中所有JSij的中值。然后,将矩阵DJS的每个JS散度值与阈值λ进行比较,如果某两个变量之间的JS散度值小于λ,那么将这两个变量置于同一个子块中;反之,如果某两个变量之间的JS散度值大于λ,那么这两个变量被划分到不同的子块中;特殊地,如果某一个变量xi与其他所有变量的JS散度值都大于λ,则需要找到与变量xi之间JS散度值最小的变量xj,将变量xi放入变量xj所在的子块中。按以上规则,训练集被分为b个变量块
X=[X1,X2,…,Xb]∈Rn×m (3)
步骤S403:提取变量块的累加误差信息,得到累加误差信息子块,通过对所述变量块每个时刻样本观测值求取一阶差分,得到一阶差分信息子块,将一个变量块扩展为三个目标信息子块;
提取变量块Xb∈Rn×b的累加误差信息,得到累加误差信息子块 Xbe∈R(n-T)×b;
通过对所述变量块Xb∈Rn×b每个时刻样本观测值求取一阶差分,得到一阶差分信息子块Xbd∈R(n-2)×b;
根据所述累加误差信息和所述一阶差分信息将所述每个变量块扩展为三个目标子信息块。
在完成过程变量分块后,基于数据的观测值信息从每个变量块中继续提取累积误差和一阶差分等潜在特征信息。
(a)累积误差信息
累计误差信息是通过将一段时间内观测值与标准值的差值累加得到。当故障导致过程变量呈现出微小变化或者缓慢漂移时,累积误差信息可以放大这类变化,提升PCA模型监测该类故障的灵敏度。
假设训练集完成变量划分后得到某一变量块Xb∈Rn×b,因为经过标准化后的变量均值为0,那么通过将前T个时刻的样本观测值信息直接相加,即可得到累计误差信息子块Xbe∈R(n-T)×b。若x(t)是变量块Xb中t时刻的样本观测值信息,那么t时刻的累计误差信息xe(t)可通过如下公式计算得到
(b)一阶差分信息
当某个故障导致相关变量呈现振荡式变化而非普通的幅值变化时,不管是观测值信息还是累计误差信息都不能很好地监测到此类故障,而对过程数据进行一阶差分后,能够反映出原始数据观测值的动态变化率。对于振荡型故障,其变化率一般不在正常范围内,故通过提取一阶差分信息进行建模能够有效地监测到此类故障。
假设训练集完成变量划分后得到某一变量块Xb∈Rn×b,通过对每个时刻样本观测值求取一阶差分即可得到一阶差分信息子块Xbd∈ R(n-2)×b。若x(t)是变量块Xb中t时刻的样本观测值信息,那么t时刻的一阶差分信息xd(t)可通过如下公式计算得到
其中,在计算t时刻的一阶差分信息时,引入了前两个时刻t-2 和t-1时刻的样本观测值,减少了样本中的噪声对监测结果的影响。
通过以上方式对原始变量块Xb提取累计误差和一阶差分这两种潜在特征信息,可以生成2个额外的信息子块Xbe和Xbd,加上原始变量块Xb,每个变量块可扩展成3个目标信息子块。
步骤S404:将所有的目标信息子块输入PCA模型进行监控;
经过前两部分的变量划分和子块扩展后,总共得到了3×b个目标信息子块,即
X=[X1,X2,…,X3×b] (6)
将每一个目标信息子块中,分别输入PCA模型进行故障监测,并计算两个监控统计量T2和SPE以及它们对应的控制限。
步骤S405:利用所述PCA模型将所述每个目标子信息块投影到主元子空间和残差子空间;
步骤S406:根据所述主成分和所述残差成分,分别在所述主元子空间和所述残差子空间构建监测统计量,确定正常工况下的检测阈值。
PCA作为最常用的降维方法,它通过将高维数据投影到两个低维子空间,并分别建立主元模型和残差模型来进行故障监测。假设经过变量划分和子块扩展后得到的某一信息子块为Xi∈Rn×m(n为样本数量,m为变量个数),将其投影到主元子空间和残差子空间,可分解得到主成分和残差成分如下
其中,和分别为负载矩阵和得分矩阵,E为残差矩阵,d为主元个数,一般通过累计方差贡献率(Cumulative Percent Variance,CPV)方法来确定。负载矩阵取自矩阵P的前d列,矩阵P可通过以下方式求得
其中,Z为信息子块Xi对应的协方差矩阵,Λ为对角阵,其对角线元素为协方差矩阵Z对应的特征值按降序排列。
对新样本x进行监控时,分别在主元子空间和残差子空间构造如下的T2和SPE统计量
在本实施例中,更加详细的说明了本发明是如何分层的提取特征,首先将正常工况下的数据进行标准化处理,计算每两变量之间的JS 散度值,然后根据划分至划分为多个变量块,然后提取每个变量块的潜在特征,将每个变量块扩展为多个目标信息子块,然后在每个目标信息子块上构建PCA模型进行监测,构建主元模型和残差模型进行调参,得到完成训练的炼铁过程故障监测模型。本实施例更加详细的说明了是如何分层提取特征的,进行分布提取,首先利用JS散度值进行初步划分,然后在进行潜在特征的提取,构建多个信息子模块,构建多个信息子模块的PCA模型,实现多个特征监测,使故障监测的信息更加全面,监测的准确性提高,从而提高了故障监测的准确性。
基于上述实施例,本实施例具体对监控过程进行了详细的说明,请参考图5,图5为本发明所提供的炼铁过程故障监测的方法的第三种具体实施例的流程图;具体操作步骤如下:
步骤S501:采集炼铁过程中的数据作为待测试数据集,将所述待测试数据集进行标准化处理;
步骤S502:将标准化处理后的待监测数据集划分至多个变量块,并提取所述每个变量块中所述待监测数据集的特征信息集,将所述待监测数据集的每个变量块和每个的特征信息都输入所述PCA模型中;
步骤S503:利用所述PCA模型计算所述待监测数据集的每个变量块和每个的特征信息的监测统计量,采用贝叶斯推断将所有的所述待监测数据集的每个变量块和每个的特征信息的监测统计量进行融合为目标全局监测统计量和BICSPE,并与所述检测阈值进行对比判断炼铁过程是否发生故障;
步骤S506:输出故障监测的结果。
当得到一个新样本xj时,首先将新样本xj构造成3×b个信息子块,然后计算得到3×b组监测统计量T2和SPE的值。最后,为了得到全局监测统计量,采用贝叶斯推断将所有子块的决策进行融合。按照贝叶斯推断理论,对于一个新样本xj,它在某个子块中被判别为故障的条件概率为
同理,经过贝叶斯推断融合后的SPE统计量(BICSPE)也可按照同样的方式计算得到
在本实施例中,说明了在监测过程中的具体流程,首先将待监测的数据集进行标准化处理,输入模型中,进行第一步,计算待监测数据集中每两个变量之间的JS散度值,然后将监测数据集划分为多个变量块;第二步,提取每个变量块的潜在特征信息,根据特征信息将每个变量块扩展为多个目标信息子块,然后采用PCA模型计算每个目标信息子块的监测统计量,采用贝叶斯推断将其融合为全局监测统计量,然后判断是否发生故障。本实施例中详细描述了具体监测过程,利用分层提取特征的方法,分层提取不同的特征,丰富监测信息的多样性,使监测的信息更多,从而提高了监测结果的准确性。
基于上述实施例,本实施例采用TE过程数据集进行测试训练,请参考图6,图6为本发明所提供的炼铁过程故障监测的方法的第四种具体实施例的流程图;具体操作步骤如下:
步骤S601:将TE过程数据集进行标准化处理;
TE过程是田纳西-伊斯曼化学品公司创建的一个基于真实化工过程的仿真平台,被广泛用于测试复杂工业过程的控制和故障监测。本发明专利实施例选取了TE过程22个测量变量和11个操作变量 (除搅拌速度外)共33个变量进行建模与监测。整个TE数据集包括1个正常工况下的训练集和21个不同故障的测试集,均是由960 个观测样本组成。在测试集中,故障都是从第161个样本点引入。
步骤S602:计算所述TE过程数据集中每两个变量之间的JS散度值,得到JS散度值矩阵,确定划分阈值,根据所述划分阈值划分为多个变量子块中;
根据训练集计算每两个变量之间的JS散度值JSij,得到JS散度值矩阵DJS∈R33×33。经过对JS散度值矩阵DJS的分析计算得到JSij中值为0.114,则变量块划分阈值λ设置为0.08。然后,根据提出的子块划分规则,33个过程变量被划分到8个变量子块中,划分结果如表1 所示。
步骤S603:对每一个变量块进行累计误差和一阶差分信息提取,构建累计误差信息子块和一阶差分信息子块;
在完成过程变量划分后,继续对每一个变量块进行累计误差和一阶差分信息提取。以首个变量块X1∈R960×2(含变量1、25)为例进行潜在特征提取(在本仿真实验中T取5)。首先,通过累加前T个时刻的观测值信息,得到累计误差信息子块X1e∈R955×2;然后,按照一阶差分计算公式,可得到一阶差分信息子块X1d∈R958×2;而变量块X1∈R960×2同时也是观测值信息子块。由于计算累积误差信息时的宽度T取值为5,故在进行故障监测时会损失前5个样本,为了统一 3个信息子块中样本的数量,X1中的前5个样本以及X1d中的前3个样本被舍弃。因此由变量块X1∈R960×2进行潜在特征提取得到的观测值、累计误差和一阶差分信息子块分别为X1∈R955×2,X1e∈R955×2和X1d∈R955×2。对其他7个变量块,也按照同样的方式进行子块扩展,最终得到了24个特征信息子块。
步骤S604:利用PCA模型进行监测,计算出每个目标信息子块的故障统计量,将其融合为全局故障统计量并与检测阈值进行判断,输出监测结果。
在完成变量分块和子块扩展后,分别建立PCA模型对每一个信息子块进行监控。对于每一个新的测试样本,首先计算出新样本在每个信息子块中的故障统计量T2和SPE,然后采用贝叶斯推断将所有子块的监测结果融合得到全局监测统计量和BICSPE。
表2给出了本发明专利所述的JSLFE-MBPCA方法与现有的PCA、 DPCA、CMBPCA以及WDSMBPCA等4种多块监测方法对TE过程不同故障(不包括故障3、9和15)的监测结果。故障3、9和15不参与对比因为这三种故障的变化很微小,基本上所有数据驱动的多块监测方法对这三种故障的监测效果都不佳。在本实施例中,五种方法都遵循CPV>90%的主元选取原则并且每种方法的置信度α都设为 0.99。
从表2可以看出,本发明专利所述的JSLFE-MBPCA方法对于绝大多数故障都取得了最佳的监测结果,尤其对于故障11、16、19和 20(在表2中已加粗显示)的监测效果更加显著。从整体来看,本发明专利方法的平均漏报率仅为7%,优于对比的其他现有方法。实施例验证结果表明,经过局部信息和潜在特征信息的双重提取,提高了整个监控模型对不同类型故障的监测灵敏度。为说明本发明专利方法的优越性,下面详细分析了JSLFE-MBPCA方法对故障16和故障19 的监测结果。
故障16是一种未知故障。图7、图8展示了JSLFE-MBPCA方法以及其中最优监测子块17对故障16的监测结果,可以看出本发明专利方法取得了不错的监测效果。子块17是24个信息子块中监测故障 16的最优子块,它是由表1中变量块6(含变量18、19和31)扩展生成的累计误差信息子块。图9显示,故障16导致变量19表现为微小的幅值波动,通过对其观测值信息进行累计误差计算,故障样本的幅值波动更加明显,从而提高了对这种微小故障的监测灵敏度。
故障19也是一种未知故障。图10展示了JSLFE-MBPCA方法对故障19的监测结果。根据表2,BICSPE统计量显示JSLFE-MBPCA方法对故障19的漏报率仅为13%,明显优于其他现有方法。图11展示了最优监测子块21对故障19的监测结果,子块21是由表1中变量块7(含变量7、13、20和27)扩展生成的一阶差分信息子块。由图 12可知,故障19导致变量27出现持续的振荡,通过对变量27的观测值进行一阶差分计算,发现故障样本的变化率远高于正常样本,从而更有利于检测到这种持续振荡型的故障。
高炉是用于生产铁水的立式炉,是炼钢生产过程中的重要部分。为了保证铁水的顺利稳定的生产,需要监控并保持流入高炉的气体稳定。悬挂故障是由上升气体异常导致的一种典型故障。悬挂故障的持续作用会引起炉顶压力和热量增加,最终导致高炉结构受损。本实施案例数据来自一个发生悬挂故障的真实高炉,包含3900个样本数据,其中前2000个为正常样本,后1900个为悬挂故障下的样本。表3对样本的8个过程变量进行了描述。按照本发明专利提出的子块划分规则,8个变量被划分为两个变量块,变量块1为u1、u3,变量块2为 u2、u4、u5、u6、u7、u8。完成变量划分后,与实施案例1类似,继续对变量块进行累计误差和一阶差分信息提取,最终得到了6个特征信息子块。在完成变量分块和子块扩展后,分别建立PCA模型对每一个信息子块进行监控,接着通过贝叶斯推断融合所有子块的监测结果得到最终的监测指标。
表4给出了本发明专利所述的JSLFE-MBPCA方法与现有的kNN、 PCA以及MI-MBkNN等3种监测方法对高炉炼铁悬挂故障的监测结果。
从表4可以看出,本发明专利所述的JSLFE-MBPCA方法,相对于现有的另外3种方法取得了对高炉炼铁悬挂故障的最佳监测结果,报警率达到了99.7%,误报率为0%,效果显著。下面详细分析了 JSLFE-MBPCA方法对高炉炼铁悬挂故障的监测结果。
图13和图14展示了JSLFE-MBPCA方法以及其中最优监测子块5对悬挂故障的监测结果,可以看出本发明专利方法取得了不错的监测结果。子块5是由变量块2扩展生成的累积误差信息子块。图15 显示高炉炼铁悬挂故障导致变量8呈现出微小的幅值波动,如果仅仅依赖观测值并不能检测出此故障,而通过对观测值信息进行累积误差计算,故障样本的幅值波动表现得更加明显,从而更有利于检测到此类故障的发生。
请参考图16,图16为本发明实施例提供的一种炼铁过程故障监测的装置的结构框图;具体装置可以包括:
计算模块100,用于将正常炼铁工况下的数据集进行标准化处理,计算标准处理后的数据集中每两个变量之间的JS散度值,并构建JS 散度值矩阵;
划分模块200,用于根据所述JS散度值矩阵设置划分值,根据所述划分值将所述数据集划分为多个变量块,将每个变量块输入PCA 模型中,计算得到所述每个变量块的监控统计量控制限;
提取模块300,用于提取所述每个变量块的特征信息集,将每个特征信息输入PCA模型中,计算得到所述每个特性信息的监控统计量控制限;
确定阈值模块400,用于将所述每个变量块的监控统计量控制限与所述每个特性信息的监控统计量控制限进行融合,得到全局正常工况下的监控统计量控制限,确定检测阈值;
测试模块500,用于利用所述检测阈值对标准化处理后的待监测数据集进行监测,判断所述待监测数据集是否发生故障。
本实施例的一种炼铁过程故障监测的装置用于实现前述的一种炼铁过程故障监测的方法,因此一种炼铁过程故障监测的装置中的具体实施方式可见前文中的一种炼铁过程故障监测的方法的实施例部分,例如,输入模块100,计算模块200,划分模块300,提取模块 400和训练模块500分别用于实现上述一种炼铁过程故障监测的方法中步骤S101,S102,S103,S104和S105,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明具体实施例还提供了一种炼铁过程故障监测的设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种炼铁过程故障监测的方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种炼铁过程故障监测的方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD- ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种炼铁过程故障监测的方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种炼铁过程故障监测的方法,其特征在于,包括:
将正常炼铁工况下的数据集进行标准化处理,计算标准处理后的数据集中每两个变量之间的JS散度值,并构建JS散度值矩阵;
根据所述JS散度值矩阵设置划分值,根据所述划分值将所述数据集划分为多个变量块,将每个变量块输入PCA模型中,计算得到所述每个变量块的监控统计量控制限;
提取所述每个变量块的特征信息集,将每个特征信息输入PCA模型中,计算得到所述每个特性信息的监控统计量控制限;
将所述每个变量块的监控统计量控制限与所述每个特性信息的监控统计量控制限进行融合,得到全局正常工况下的监控统计量控制限,确定检测阈值;
利用所述检测阈值对标准化处理后的待监测数据集进行监测,判断所述待监测数据集是否发生故障。
2.如权利要求1所述的方法,其特征在于,所述计算标准处理后的数据集中每两个变量之间的JS散度值,并构建JS散度值矩阵包括:
计算标准化处理后的数据集X=[x1,x2,…,xm]∈Rn×m中变量xi和xj(i=1,2,…,m;j=1,2,…,m,i≠j)之间的JS散度值JSij,构建所述JS散度值矩阵DJS∈Rm×m;
其中,n为样本数量,m为变量个数。
3.如权利要求2所述的方法,其特征在于,所述根据所述JS散度值矩阵设置划分值,根据所述划分值将所述数据集划分为多个变量块包括:
通过分析所述JS散度值矩阵DJS设定一个所述划分值λ,将所述JS散度值矩阵DJS中的每个JS散度值与所述划分值λ进行对比;
当变量xi和xj之间的JS散度值小于等于所述划分值λ时,则将所述变量xi和xj划分至同一变量块中;
当所述变量xi和xj之间的JS散度值大于所述划分值λ时,则将所述变量xi和xj划分至不同的变量块中;
保证每个变量块中每两个变量之间的JS散度值均小于所述划分值λ。
4.如权利要求3所述的方法,其特征在于,所述利用所述JS散度值矩阵DJS中的每个JS散度值与所述划分值λ进行对比还包括:
当所述变量xi与所述数据集中任一变量之间的JS散度值均大于所述划分值λ时,查找与所述变量xi之间JS散度值最小的变量xj,将所述变量xi放入所述变量xj所在的变量块中。
5.如权利要求1所述的方法,其特征在于,所述提取所述每个变量块的特征信息集,将每个特征信息输入PCA模型中,得到所述每个特性信息的监控统计量控制限包括:
提取变量块Xi的累加误差信息,得到累加误差信息子块Xie,将所述累加误差信息输入所述PCA模型中进行监测,确定所述累加误差信息的监控统计量控制限;
通过对所述变量块Xi每个时刻样本观测值求取一阶差分,得到一阶差分信息子块Xid,将所述一阶差分信息输入所述PCA模型进行监测,确定所述一阶差分信息的监控统计量控制限;
其中,Xi∈Rn×b,Xie∈R(n-T)×b,Xid∈R(n-2)×bT为多少个时刻。
6.如权利要求1所述的方法,其特征在于,所述将所述每个变量块的监控统计量控制限与所述每个特性信息的监控统计量控制限进行融合,得到全局正常工况下的监控统计量控制限,确定检测阈值包括:
根据所述主成分和所述残差成分,分别在所述主元子空间和所述残差子空间构建监测统计量T2和SPE
7.如权利要求6所述的方法,其特征在于,所述利用标准化处理后的待监测数据集进行监测,将监测结果对比所述检测阈值,判断所述待监测数据集是否发生故障包括:
采集炼铁过程中的数据作为待测试数据集,将所述待测试数据集进行标准化处理;
将标准化处理后的待监测数据集划分为多个变量块,并提取所述每个变量块中所述待监测数据集的特征信息集,将所述待监测数据集的每个变量块和每个的特征信息都输入所述PCA模型中;
利用所述PCA模型计算所述待监测数据集的每个变量块和每个的特征信息的监测统计量,采用贝叶斯推断将所有的所述待监测数据集的每个变量块和每个的特征信息的监测统计量进行融合为目标全局监测统计量和BICSPE;
8.一种炼铁过程故障监测的装置,其特征在于,包括:
计算模块,用于将正常炼铁工况下的数据集进行标准化处理,计算标准处理后的数据集中每两个变量之间的JS散度值,并构建JS散度值矩阵;
划分模块,用于根据所述JS散度值矩阵设置划分值,根据所述划分值将所述数据集划分为多个变量块,将每个变量块输入PCA模型中,计算得到所述每个变量块的监控统计量控制限;
提取模块,用于提取所述每个变量块的特征信息集,将每个特征信息输入PCA模型中,计算得到所述每个特性信息的监控统计量控制限;
确定阈值模块,用于将所述每个变量块的监控统计量控制限与所述每个特性信息的监控统计量控制限进行融合,得到全局正常工况下的监控统计量控制限,确定检测阈值;
测试模块,用于利用所述检测阈值对标准化处理后的待监测数据集进行监测,判断所述待监测数据集是否发生故障。
9.一种炼铁过程故障监测的设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述一种炼铁过程故障监测的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种炼铁过程故障监测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164129.0A CN115291582A (zh) | 2022-02-22 | 2022-02-22 | 一种炼铁过程故障监测的方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164129.0A CN115291582A (zh) | 2022-02-22 | 2022-02-22 | 一种炼铁过程故障监测的方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115291582A true CN115291582A (zh) | 2022-11-04 |
Family
ID=83820950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210164129.0A Pending CN115291582A (zh) | 2022-02-22 | 2022-02-22 | 一种炼铁过程故障监测的方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115291582A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388234A (zh) * | 2018-03-19 | 2018-08-10 | 宁波大学 | 一种基于相关性划分多变量块pca模型的故障监测方法 |
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 |
CN109062196A (zh) * | 2018-10-31 | 2018-12-21 | 东北大学 | 一种集成pca-ica的高炉过程监测及故障诊断方法 |
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 |
CN109240276A (zh) * | 2018-11-09 | 2019-01-18 | 江南大学 | 基于故障敏感主元选择的多块pca故障监测方法 |
CN109407652A (zh) * | 2018-12-10 | 2019-03-01 | 中国石油大学(华东) | 基于主辅pca模型的多变量工业过程故障检测方法 |
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 |
-
2022
- 2022-02-22 CN CN202210164129.0A patent/CN115291582A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388234A (zh) * | 2018-03-19 | 2018-08-10 | 宁波大学 | 一种基于相关性划分多变量块pca模型的故障监测方法 |
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 |
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 |
CN109062196A (zh) * | 2018-10-31 | 2018-12-21 | 东北大学 | 一种集成pca-ica的高炉过程监测及故障诊断方法 |
CN109240276A (zh) * | 2018-11-09 | 2019-01-18 | 江南大学 | 基于故障敏感主元选择的多块pca故障监测方法 |
CN109407652A (zh) * | 2018-12-10 | 2019-03-01 | 中国石油大学(华东) | 基于主辅pca模型的多变量工业过程故障检测方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951984B (zh) | 一种***健康度动态分析预测方法及装置 | |
CN110635952B (zh) | 通信***的故障根因分析方法、***和计算机存储介质 | |
CN111222549A (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN111639798A (zh) | 智能的预测模型选择方法及装置 | |
CN107436983A (zh) | 一种基于多元样本差异的o型橡胶密封圈寿命预测方法 | |
JP4417897B2 (ja) | 製造データ解析方法及び製造データ解析装置 | |
CN103279837A (zh) | 一种生产数据分析方法及*** | |
CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
CN111967717A (zh) | 一种基于信息熵值的数据质量评价方法 | |
CN112000081B (zh) | 基于多块信息提取和马氏距离的故障监测方法及*** | |
CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及*** | |
Wu et al. | Remaining useful life estimation based on a nonlinear Wiener process model with CSN random effects | |
Li et al. | Ensemble learning model based on selected diverse principal component analysis models for process monitoring | |
CN115599830A (zh) | 一种数据关联关系的确定方法、装置、设备和介质 | |
CN116910677A (zh) | 一种工业仪表故障诊断方法及*** | |
CN115291582A (zh) | 一种炼铁过程故障监测的方法、装置以及设备 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN115407753A (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
CN115729761A (zh) | 一种硬盘故障预测方法、***、设备及介质 | |
Zhang et al. | Detection capability for incipient faults in a noisy environment using PDF and CDF based techniques: a comparative study | |
CN115544886A (zh) | 高速电梯的失效时间节点预测方法、***、设备和介质 | |
CN115081798A (zh) | 基于pls算法的板带热精轧过程分机架联合监控与诊断方法 | |
CN114048592A (zh) | 一种精轧全流程分布式运行性能评估及非优原因追溯方法 | |
Li et al. | A similarity-based and model-based fusion prognostics framework for remaining useful life prediction | |
CN110794814B (zh) | 一种基于广义主成分的故障确定方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221104 |