《表3 TE过程的变量：基于主元分析方法的化工过程故障诊断与识别》
提示：宽带有限、当前游客访问压缩模式
TE过程数据的正常状态与21种故障都有52个变量，其中包括41个过程变量（22个测量变量和19个成分变量）和11个操作变量，具体信息见表3。
| 图表编号 | XD00221697100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.09.20 |
| 作者 | 刘丽云、国蓉、牛鲁娜、栗月姣、胡海军 |
| 绘制单位 | 西安交通大学化学工程与技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 TE过程故障：基于主元分析方法的化工过程故障诊断与识别》2020.09.20
- 《表1 混淆矩阵：基于主元分析方法的化工过程故障诊断与识别》2020.09.20
- 《表4 拌制过程：基于改进深层极限学习机的故障诊断方法》2020.12.01
- 《表6 试验模型一阶频率：面向TE过程的深度集合型故障诊断方法综述》2020.12.25
- 《表2 工厂过程故障类型：基于四阶累积分析的工业大肠杆菌制备过程故障诊断》2020.03.01
- 《表1 TE过程故障描述：基于时空近邻标准化和局部离群因子的复杂过程故障检测》2020.03.01
- 《表2 故障诊断方法对比：LDA＿SVM方法在化工过程故障诊断中的应用》2020.04.01
- 《表3 监测参数MAE值：基于改进ARMA模型的火箭发动机稳态工况过程实时故障诊断方法研究》2020.02.25
- 《表4 时延挖掘：基于时延挖掘模糊时间认知图的化工过程多变量时序预测方法》2020.03.01
- 《表3 相关变量选取：基于时延挖掘模糊时间认知图的化工过程多变量时序预测方法》2020.03.01
- 《表1 前三组变量参数：改进动态主元分析的工业过程故障预警研究》2020.02.25
- 《表3 各模型故障识别率：基于AC-CNN模型的过程故障识别》2020.02.16
- 《表2 退化建模结果比较：基于函数主元分析的多阶段退化过程建模与预测》2019.07.01
- 《表2 粗调最大准确率表：基于特征工程和KELM的化工过程故障检测与识别》2019.10.01
- 《表1 TE过程故障：复杂机电系统核熵判别分析的异常分类方法》2019.08.08
- 《表3 3种故障的检出率：基于变量分组DTW-MCVA的不等长间歇过程故障检测方法》2019.09.01
- 《表3 随机攻击方式：基于复杂网络边负载分配理论的化工过程级联故障风险传播路径》2019.08.05
- 《表1 3种方法在TE过程监测上的故障误报率与故障漏报率》2019.02.01
- 《表1 不同方法应用于TE过程的故障漏检率》2018.07.10
- 《表2 TE过程不同方法的故障检出率》2019.12.01