-
公开(公告)号：CN108345284B
公开(公告)日：2020-06-16
申请号：CN201810233560.X
申请日：2018-03-06
申请人： 宁波大学
IPC分类号： G05B19/418
摘要： 本发明公开一种基于两变量块的质量相关故障检测方法，本发明方法将遗传算法与近邻成分分析算法相结合，将输入变量分成与质量相关与不相关的两个变量块。然后建立质量相关变量块与输出之间的偏最小二乘(PLS)模型实施质量相关故障检测，而质量不相关变量块则与PLS模型输入残差合并以实施质量不相关故障检测。相比于传统动方法，本发明方法利用遗传算法结合NCA的方式最优化的区分出质量相关与不相关的测量变量。其次，本发明方法将质量相关变量的PLS模型输入残差与质量不相关测量变量组合在一起实施与质量不相关的故障检测，较全面的利用了所有的与质量不相关成分信息。因此，本发明方法理应给出更准确的质量相关故障检测结果。
-
公开(公告)号：CN109669412A
公开(公告)日：2019-04-23
申请号：CN201811577426.8
申请日：2018-12-13
申请人： 宁波大学
IPC分类号： G05B19/418
摘要： 本发明公开一种基于新型动态独立成分分析的非高斯过程监测方法，旨在结合可处理自相关动态性数据的动态内部主成分分析模型与可处理非高斯数据的独立成分分析模型的优势。具体来讲，本发明方法首先利用动态内部主成分分析算法分别提取出自相关的动态特征成分与交叉相关的静态特征成分。其次，在对特征成分进行白化处理后，利用合并后白化特征成分作为初始独立成分并迭代求取动态独立成分变量模型。最后，基于此种动态模型实施动态非高斯过程监测。可以说，本发明方法利用了动态内部主成分分析算法分开提取动态成分与静态成分的能力，再进一步结合能提取非高斯特征成分的独立成分分析算法。因此，本发明方法是一种可行的动态非高斯过程监测方法。
-
公开(公告)号：CN109542974A
公开(公告)日：2019-03-29
申请号：CN201811577430.4
申请日：2018-12-13
申请人： 宁波大学
摘要： 本发明公开一种基于非线性动态成分分析的动态过程监测方法，旨在推理出一种全新的非线性动态成分分析算法，以挖掘出训练数据中的非线性自相关特征，并利用该算法建立故障检测模型实施动态过程监测。本发明方法借鉴核学习技巧，推理出了一种全新的非线性动态成分分析算法，该算法在挖掘潜在特征成分时考虑了非线性自相关性问题。因此，本发明方法挖掘出的潜在特征成分是在非线性的动态成分，在此基础上实施的动态过程监测是一种全新的非线性动态过程监测技术方案。
-
公开(公告)号：CN108520111A
公开(公告)日：2018-09-11
申请号：CN201810233559.7
申请日：2018-03-06
申请人： 宁波大学
IPC分类号： G06F17/50
摘要： 本发明公开一种基于正交成分最优选择与最优回归的软测量方法，旨在通过最优选择对预测质量指标有益的正交成分，并利用选择的正交成分建立最优化回归的软测量模型。具体来讲，本发明方法首先分别利用首先并行利用主成分分析(PCA)、独立成分分析(ICA)、和偏最小二乘(PLSR)算法得到相应的正交成分，然后利用基于遗传算法近邻成分分析最优选择正交成分，最有利用选择的正交成分实施基于粒子群算法的最优回归建模。与传统方法相比，本发明方法通过最优化的方式选择对预测质量指标有益的特征成分且通过最优回归向量得到最终的质量指标预测值。因此，本发明方法的软测量性能得到了充分保证，是一种更为优选的软测量方法。
-
公开(公告)号：CN108508865A
公开(公告)日：2018-09-07
申请号：CN201810233506.5
申请日：2018-03-06
申请人： 宁波大学
IPC分类号： G05B23/02
摘要： 本发明公开一种基于分散式OSC-PLS回归模型的故障检测方法，旨在从同等对待各测量变量的角度出发，建立行之有效的故障检测模型实施更可靠的故障检测。具体来讲，本发明方法借鉴分散式建模的策略，在剔除每个测量变量与其他测量变量之间正交不相关信号后，再利用PLS回归算法建立两者之间的回归模型，然后利用每个测量变量的估计误差实施故障检测。相比于传统方法，本发明方法在利用分散式建模的基础上同等的为每个测量变量建立其各自的回归模型，并且将各个回归模型中的正交不相关信号剔除，最大程度地保障了回归模型的软测量精度从而保证了后续的故障检测性能。可以说，本发明方法是一种更为优选的数据驱动故障检测方法。
-
公开(公告)号：CN108445867A
公开(公告)日：2018-08-24
申请号：CN201810233556.3
申请日：2018-03-06
申请人： 宁波大学
IPC分类号： G05B23/02
摘要： 本发明公开一种基于分散式ICR模型的非高斯过程监测方法，旨在解决如何利用非高斯数据建模算法，通过数据模型将采样数据转换成误差，并以误差作为被监测对象实施非高斯过程监测的问题。具体来讲，本发明方法首先针对每个测量变量，利用独立成分回归(ICR)算法建立各变量与其他变量之间的软测量模型。然后，利用软测量模型的估计误差作为被监测对象，建立基于独立成分分析(ICA)的过程监测模型实施非高斯过程监测。可以看出本发明方法利用了分散式建模的优势，而且采用多种非高斯数据分析算法相结合的实施方式，是一种更为优选的适于非高斯过程的数据驱动的过程监测方法。
-
公开(公告)号：CN108153267A
公开(公告)日：2018-06-12
申请号：CN201711456606.6
申请日：2017-12-15
申请人： 宁波大学
IPC分类号： G05B19/418
摘要： 本发明公开一种基于误差主元分析模型的工业过程监测方法，该方法旨在将将原始数据转换成服从或近似服从高斯分布的误差信息，然后对该误差实施监测从而避免因非高斯数据造成的种种不便。具体来讲，本发明方法首先逐一假设过程对象中每个变量的测量数据缺失；其次，根据主元分析(PCA)模型中处理缺失数据的技巧推测出相应缺失变量的估计值；最后，利用假设的缺失数据实测值与估计值之间的误差作为被监测对象，再次建立基于PCA的故障检测模型实施在线故障检测。与传统方法相比，本发明方法不拘泥于原始数据是否满足于高斯分布假设，能较大幅度改善传统PCA方法的故障监测性能，是一种更为优选的过程监测方法。
-
公开(公告)号：CN107168063A
公开(公告)日：2017-09-15
申请号：CN201710427228.2
申请日：2017-05-26
申请人： 宁波大学
IPC分类号： G05B13/04
摘要： 本发明公开一种基于集成变量选择型偏最小二乘回归的软测量方法，该方法同时建立了三个不同的变量选择型PLSR软测量模型，并通过加权的方式集成得到输出估计值。在线实施软测量时不拘泥于单个的变量加权型PLSR模型，而是采用多个软测量模型集成的方式，巧妙地避免了确定哪种变量选择型PLSR方法最适合为当前数据建立软测量模型这一难题。此外，本发明通过PLSR算法计算出来的回归系数向量来对各模型输出估计值进行适当加权，不仅不需要反复验证某个变量选择方法的适用性，而且还可以进一步地提高软测量模型的精度。可以说，本发明方法是在已有工作的基础上，利用集成建模思路有效地提升变量选择型PLSR方法用于软测量建模的适用性。
-
公开(公告)号：CN107092242A
公开(公告)日：2017-08-25
申请号：CN201710446396.6
申请日：2017-06-02
申请人： 宁波大学
IPC分类号： G05B19/418
CPC分类号： Y02P90/02 , G05B19/41885 , G05B2219/32339
摘要： 本发明公开一种基于缺失变量PCA模型的工业过程监测方法，旨在将缺失变量处理方法用于在线估计主成分信息，从而实现对估计误差实施监测的目的。首先，本发明方法通过逐一假设各测量变量数据缺失后估计出主成分。然后，以主成分的估计误差以及PCA模型的误差估计值作为被监测对象实施在线过程监测。虽然，正常工况下的采样数据不一定满足高斯分布假设，但估计误差一般来讲是服从高斯分布的。从这点上看，本发明方法虽然是基于PCA算法的，但是它不需要假设训练数据服从或近似服从高斯分布，这在一定程度了扩大了传统基于PCA的过程监测方法的适用范围。此外，本发明方法由于采用多个故障检测模型，它还发挥了多模型泛化能力强的优势。
-
-
-
-
-
-
-
-
搜索结果
79 条记录 (耗时 0.027 秒)
