.png){kind=icon}
返回
Anomaly detection for compressor systems under variable operating conditions
.png){kind=icon}
PRE
AI
DOI：10.1016/j.psep.2024.12.068.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
页岩气田中使用的压缩机系统的工作条件是变化的。为了增强异常检测方法的性能，捕获压缩机内部的运行状态并设定自适应阈值至关重要。本文提出了一种适用于变工况压缩机系统的异常检测框架，该框架基于批量归一化变分自编码器（VAE）和优化的极值理论（EVT），并使用多源变量。首先，通过结合基于热力学原理构建的次级变量和来自可编程逻辑控制器（PLC）系统的一级变量，获取多源输入变量。然后，基于批量归一化VAE获取异常分数。最后，基于优化的EVT建立自适应阈值进行异常检测。该方法使用两个真实数据集进行验证，由于所有性能指标在两个数据集上均超过96%，表明所提出的方法能够准确识别变工况压缩机系统中的异常。此外，还讨论了多源数据和基于EVT的自适应阈值的有效性。结果表明，多源数据能更直接地反映压缩机内部的运行状态，而基于EVT的阈值能准确跟随异常分数的波动，为模型提供动态标准。
Keyword:
Compressor systems
Variable operating conditions
Anomaly detection
Multi-source variables
Batch-Normalized VAE
EVT
期刊
IF:
7.8
论文数:
1.0W
被引数:
3.8W
机构
暂无机构信息
引用论文
Detecting anomalies in time series data from a manufacturing system using recurrent neural networks使用递归神经网络检测来自制造系统的时间序列数据中的异常
PREAI
分享收藏A multi-feature-based fault diagnosis method based on the weighted timeliness broad learning system
PREAI
分享收藏FGDAE: A new machinery anomaly detection method towards complex operating conditionsFGDAE: 一种面向复杂工况的机械异常检测新方法
OAAI
OAAI分享收藏Health Monitoring of Air Compressors Using Reconstruction-Based Deep Learning for Anomaly Detection with Increased Transparency.png)
EntropyOAAI
EntropyIF0
OAAI分享收藏
查看更多内容