基于AMW-SVDD的多模态过程故障检测方法

针对传统SVDD方法对多模态过程故障检测率低的问题,提出了自适应滑动窗口-支持向量数据描述(adaptive moving window-support vector data description, AMW-SVDD)的故障检测方法。首先,使用网格搜索方法建立窗宽序列并获取初始窗宽;其次,应用滑动窗口技术将整体数据以窗宽为标准切分到多个子窗口;然后,利用网格搜索方法和粒子群优化(particle swarm optimization, PSO)算法,得到最优窗宽和由各窗口最优SVDD模型构成的模型序列;最后,使用最优模型序列进行故障检测,并将此方法应用于数值例子及田纳西伊斯曼(TE)数据集。结果表明,与传统故障检测方法如KPCA和SVDD等相比,AMW-SVDD方法可有效捕获过程数据的多模态特性。AMW-SVDD方法通过滑动窗口技术捕获数据的局部特征,同时应用PSO算法优化局部模型,二者结合可以自适应确定窗宽参数,进一步获取最优子模型序列,能够有效解决多模态过程故障检测问题,为提高SVDD方法在多模态过程中的故障检测性能提供了参考。

随机傅里叶特征相异度的故障检测算法

针对大规模非线性动态过程故障检测问题,提出随机傅里叶特征相异度(RFF–DISSIM)的故障检测方法.首先,利用RFF对原始数据进行映射,获得特征空间中的数据集;然后,在特征空间中应用滑动窗口技术并结合相异度指标对特征空间中的数据集进行过程状态监控.本文方法通过RFF快速捕获数据的非线性结构并结合相异度指标消除样本间自相关性的影响,有效地提高了过程监控性能.通过一个数值例子和连续搅拌釜反应器(CSTR)的仿真实验并与传统的核主元分析、动态主元分析等方法对比分析,仿真结果进一步证明了本文所提方法的有效性.

基于特征向量的煤矿领域实体关系抽取

煤炭是我国的基础能源,煤矿安全是煤矿生产的重中之重。一个煤矿领域的知识图谱可以很好地帮助煤矿工作人员分析常见煤矿事故。知识图谱是一种揭示实体之间关系的语义网络,通过对原始数据进行关系抽取、质量评估,从而对现有知识图谱进行更新。通过引入因子图模型,基于特征向量对煤矿领域实体间的发生关系进行抽取,并结合远程监督方法及启发式规则降低实体关系抽取的人工标注量及噪声比率。实验结果表明,上述方法对于煤矿领域"发生"关系的抽取具有较高的准确率。