一种基于多特征融合共同向量的变压器故障诊断方法

    公开(公告)号:CN112085084A

    公开(公告)日:2020-12-15

    申请号:CN202010913511.8

    申请日:2020-08-24

    申请人: 宁波大学

    IPC分类号: G06K9/62

    摘要: 本发明公开一种基于多特征融合共同向量的变压器故障诊断方法,利用变压器油中的溶解气体浓度数据,设计出一种可靠且准确性高的、容易实施的、不受模型参数影响的变压器故障诊断方法。具体来讲,本发明方法首先对溶解气体浓度数据进行统计特征和比值特征的双重构造。其次,本发明方法针对原溶解气体浓度数据、统计特征数据、和比值特征数据的多特征融合数据建立基于共同特征向量的分类模型。最后,针对变压器故障状态下的溶解气体分析数据识别变压器的故障类型。本发明方法基本上不涉及复杂的变换或数学计算,且操作简单,非常易于实施。此外,本发明方法在实施过程中不需要人为主观的确定某些模型参数,这极大了避免了参数选择的难题。

    一种工业硫磺回收装置尾气二氧化硫含量实时预测方法

    公开(公告)号:CN111915005A

    公开(公告)日:2020-11-10

    申请号:CN202010630128.1

    申请日:2020-06-23

    申请人: 宁波大学

    IPC分类号: G06N3/08 G01N33/00

    摘要: 本发明公开一种工业硫磺回收装置尾气二氧化硫含量实时预测方法,本发明旨在充分利用SAE较强的特征提取能力,并在SAE的顶层增加一层非线性的输出神经元,从而可以将SAE应用于开发设计一种工业硫磺回收装置尾气二氧化硫含量在线软测量技术。与传统方法相比,首先,本发明方法通过在栈式自编码器的基础上新增一个输出层神经元,将适用于无监督学习的自编码器巧妙的转变成了有监督的软件测量建模方法;其次,本发明方法考虑到了工业硫磺回收装置采样数据在时间上的动态特性,采取将多个时刻的数据整合成一个输入向量,这样可以将时序性体现在软测量建模中;最后,在接下来的具体实施案例中,通过软测量精度对比验证了本发明方法的优越性。

    一种基于SAE的脱丁烷塔底部产品丁烷浓度实时监测方法

    公开(公告)号:CN111914477A

    公开(公告)日:2020-11-10

    申请号:CN202010630153.X

    申请日:2020-06-23

    申请人: 宁波大学

    IPC分类号: G06F30/27 G06N3/08 G06N3/04

    摘要: 本发明公开一种基于SAE的脱丁烷塔底部产品丁烷浓度实时监测方法,旨在解决如何避免信息丢失的情况下利用SAE逐层提取丁烷塔过程测量数据的非线性特征,并充分有效利用这些非线性特征对塔底部产品的丁烷浓度进行在线软测量问题。首先,本发明方法在训练模型时,各层自编码器的输入都使用了原过程数据,因此在特征提取的过程中避免了输入数据的信息丢失问题。其次,本发明方法将各层神经网络的隐层输出向量做为单层神经网络的输入,从而较全面的利用到了SAE提取的非线性特征。与传统方法相比,本发明方法在线监测脱丁烷塔底部产品丁烷浓度时,其实时软测量精度是能得到保障的。

    一种在线故障根源识别的精馏塔故障诊断方法

    公开(公告)号:CN111912638A

    公开(公告)日:2020-11-10

    申请号:CN202010570550.2

    申请日:2020-06-13

    申请人: 宁波大学

    IPC分类号: G01M99/00 G01D21/02 G06F17/16

    摘要: 本发明公开一种在线故障根源识别的精馏塔故障诊断方法。在实施故障根源识别时,本发明方法摒弃使用前序的故障检测指标,取而代之的是构造一个最优的区分向量,使得在线被检测出的故障数据尽可能的远离正常工况数据,即可实现变量贡献度的最佳分析。与传统方法相比,本发明方法实施贡献度分析时,是不依赖固定的故障检测指标的,会根据不同的故障数据在线求解相对应的区分向量,具备较强的灵活性。此外,本发明方法在区分向量的基础上,通过重构贡献度的计算方式得到各个变量的贡献度,在区分向量的基础上进一步的利用了重构贡献度分析的优势。最后,在具体的实施案例中,通过贡献度的差异对比,验证了本发明方法相对于传统方法的优势。

    一种基于在线采样数据驱动的精馏过程实时监测方法

    公开(公告)号:CN111905396B

    公开(公告)日:2021-11-19

    申请号:CN202010570654.3

    申请日:2020-06-13

    申请人: 宁波大学

    摘要: 本发明公开一种基于在线采样数据驱动的精馏过程实时监测方法,旨在根据在线采样数据实时驱动特征变换,从而使用最有代表性的特征实现对精馏塔的运行状态实时监测。具体来讲,本发明方法不采用固定的投影变换向量提取特征,而是利用在线数据实时驱动特征分析与提取。与传统方法相比,本发明方法实施非常简单明了,且几乎没有离线建模阶段。因为离线建模阶段主要涉及标准化处理和基矩阵的计算。其次,本发明方法针对每个在线测量的样本数据,找寻最能区分其与正常工况数据的投影变换向量。从这点上讲,本发明方法提取的特征成分是最利于监测故障数据的。最后,通过一个具体的实施案例,验证本发明方法在精馏塔过程实时监测上的优越性。

    一种基于差异特征分析技术的光伏电板故障检测方法

    公开(公告)号:CN112260650B

    公开(公告)日:2021-09-10

    申请号:CN202011142673.2

    申请日:2020-10-13

    申请人: 宁波大学

    IPC分类号: G06F17/16 H02S50/10

    摘要: 本发明公开一种基于差异特征分析技术的光伏电板故障检测方法,旨在有针对性的对在线采样数据实时提取差异特征,从而通过监测差异特征的变化情况来实现光伏电板的故障检测。具体来讲,本发明方法通过研究设计一种实时的差异特征提取技术,针对每个在线采样数据实时提取相应的差异特征,从而利用差异特征的变化来检测出光伏电板工作中出现的故障。与传统方法相比,本发明方法利用实时提取的差异特征来分离故障与正常状态下的采样数据,每次计算得到的投影变换向量都能考虑如何区分故障与正常之间的差异性。此外,本发明方法确定的控制上限是实时变化的,能根据不同的投影变换向量实时获得判断故障发生与否的控制上限。

    一种基于决策树分类器的变压器故障诊断方法

    公开(公告)号:CN112067051A

    公开(公告)日:2020-12-11

    申请号:CN202010912958.3

    申请日:2020-08-24

    申请人: 宁波大学

    IPC分类号: G01D21/02

    摘要: 本发明公开一种基于决策树分类器的变压器故障诊断方法,旨在对油侵式变压器油中的溶解气体浓度数据进行特征扩展和变换,并基于这些变换后的特征建立决策树分类器模型,从而实施变压器的故障诊断。本发明方法的优势在于:首先,本发明方法使用判别型最小二乘算法优选出适合于分类的特征,这能从改善分类性能的角度优选出最合适的特征。其次,本发明方法利用优选后的特征训练得到决策树分类器模型,除利用决策树易于理解的特点外,还能保证决策树的分类效果。可以说,本发明方法是一种切实可行的变压器故障诊断技术。

    一种基于有监督型SAE的尾气硫化氢浓度实时监测方法

    公开(公告)号:CN111915006A

    公开(公告)日:2020-11-10

    申请号:CN202010630151.0

    申请日:2020-06-23

    申请人: 宁波大学

    IPC分类号: G06N3/08 G06N3/04 G01N33/00

    摘要: 本发明公开一种基于有监督型SAE的尾气硫化氢浓度实时监测方法,旨在使用有监督型SAE模型解决对硫回收装置尾气H2S浓度的在线实时监测问题。本发明方法通过在SAE训练的过程,将输出数据设定成浓度数据,而输入数据是常规可实时测量的流量数据。利用SAE深度特征挖掘的能力,不断提取对软测量输出有用的关键潜在特征,从而实现对H2S浓度的在线实时监测。与传统方法相比,本发明方法通过设定SAE的输出为硫化氢的浓度,而输出为常规可实时测量的流量数据,巧妙地将SAE拓展成了有监督型的SAE模型。此外,本发明方法还使用最小二乘回归进一步提升软测量的精度。最后,通过具体实施案例中对实验结果的对比验证了本发明方法的优越性。

    一种基于在线简略核学习的非线性化工过程监测方法

    公开(公告)号:CN111914886A

    公开(公告)日:2020-11-10

    申请号:CN202010570549.X

    申请日:2020-06-13

    申请人: 宁波大学

    IPC分类号: G06K9/62 G06F17/16 G01D21/02

    摘要: 本发明公开一种基于在线简略核学习的非线性化工过程监测方法,旨在利用部分正常工况下的训练数据来实施基于核学习的非线性过程监测,并且在实施特征分析时,提取出最有利于分离正常工况数据与故障工况数据的特征成分。与传统方法相比,本发明方法首先通过不断的迭代优化筛选出部分数据向量作为具代表性的数据向量,在线计算核向量时只需利用筛选出的具代表性的数据向量即可。因此,本发明方法能够在很大程度上降低在线计算负担。其次,本发明方法为每个新测量的样本数据设计各自的投影变换向量,从而提取相应的特征成分用于计算监测指标。因此,本发明方法的特征分析与提取是在线数据驱动型的,从而提取最适合监测故障数据的特征成分。

    一种适用于多采样率化工过程的故障检测方法

    公开(公告)号:CN111913446A

    公开(公告)日:2020-11-10

    申请号:CN202010570611.5

    申请日:2020-06-13

    申请人: 宁波大学

    IPC分类号: G05B19/418

    摘要: 本发明公开一种适用于多采样率化工过程的故障检测方法,旨在解决多采样率化工过程建模与在线故障检测问题。具体来讲,本发明考虑了化工过程多采样率导致测量样本个数不一致问题,且本发明方法解决的技术难点在于:如何在充分考虑测量变量间相关性的基础上实施多采样率样本数据的特征提取。为此,本发明为多采样率化工过程发明出一个全新的多采样率建模算法。本发明不仅解决了多采样率化工过程的数据建模问题,而且多采样率建模算法充分地考虑了不同采样频率测量变量之间的相关性。最后,通过具体的实施案例,对比验证了本发明在多采样率化工过程的故障检测上的优越性。