-
公开(公告)号：CN106647650A
公开(公告)日：2017-05-10
申请号：CN201610863429.2
申请日：2016-09-22
申请人： 宁波大学
IPC分类号： G05B19/418
CPC分类号： Y02P90/02 , G05B19/41885
摘要： 本发明公开一种基于变量加权PCA模型的分散式工业过程监测方法，该方法主要解决的问题是：传统基于PCA的故障检测方法未能充分考虑测量变量间相关性差异，因而建立PCA模型时无法全面地挖掘潜藏的有用信息。本发明方法通过利用过程每个测量变量与其他测量变量间的相关相关性大小来对训练数据进行多样化的加权，并对加权后的数据建立相应的PCA故障检测模型以实施对生产对象的分散式过程监测。利用相关性数值的大小对训练数据实施加权可以突出的体现出测量变量间的相关性强弱，在此基础上利用PCA算法提取的潜藏信息就能更好地描述对应测量变量的运行状态。此外，利用多个PCA故障检测模型实施分散式过程监测可以较好的保证提取过程数据潜藏信息的多样性，从而实现对过程运行状态的全面性描述。与传统的基于PCA的故障检测方法相比，本发明方法具备更全面的过程运行状态描述能力，会取得更加可靠而优越的故障检测效果。
-
公开(公告)号：CN106599494A
公开(公告)日：2017-04-26
申请号：CN201611181923.7
申请日：2016-12-07
申请人： 宁波大学
IPC分类号： G06F17/50
CPC分类号： G06F17/5036
摘要： 本发明公开一种基于多重动态PLSR模型的产品质量软测量方法，该发明方法首先为每个测量变量实施动态性选择，剔除与该变量不相关的测量值。其次，利用剔除后的数据作为输入建立PLSR模型。然后，再次利用PLSR算法以这多重PLSR模型的估计值作为输入建立其与质量指标间的回归模型。最后，利用这多重动态PLSR模型来实施在线产品质量软测量。该发明方法由于实施了动态性选择，不仅能区分各个测量变量间的动态性差异，而且还能剔除不相关测量值的干扰影响，从而使相应的PLSR模型具备更好地回归拟合能力。相比于采用单个PLSR模型而言，本发明方法所采用的多重动态PLSR模型能大幅度地改进传统动态PLSR模型的预测精度。
-
公开(公告)号：CN105955219A
公开(公告)日：2016-09-21
申请号：CN201610389000.4
申请日：2016-05-30
申请人： 宁波大学
IPC分类号： G05B19/418
CPC分类号： Y02P90/02 , G05B19/41875 , G05B2219/31357
摘要： 本发明涉及一种基于互信息的分布式动态过程故障检测方法，该方法首先为过程每个测量变量引入延时测量值；其次，通过互信息定义的相关性指标，为过程每个测量变量区分出能体现在不同采样时刻上的自相关性和交叉相关性；然后，对每个变量所对应的数据集子块都分别建立相应的主元分析故障检测模型；最后，实施在线监测时，利用贝叶斯推理将不同故障检测模型的结果融合成一个概率型监测指标，以方便最终的故障决策。与现有方法相比，该发明充分考虑了体现在不同采样时刻上的不同测量变量间的自相关性和交叉相关性，避免了丢失过程数据复杂动态特性可能隐藏的有用信息，使相应的故障检测结果更加可靠与精确。
-
公开(公告)号：CN111914206B
公开(公告)日：2023-11-14
申请号：CN201910478789.4
申请日：2019-05-20
申请人： 宁波大学
摘要： 本发明公开一种基于动态近邻保持嵌入算法的过程监测方法，旨在解决如何同时挖掘训练数据中潜藏的自相关特征与局部近邻结构特征，并基于此实施对生产过程运行状态的监测问题。本发明方法的优势在于：首先本发明方法中涉及的动态近邻保持嵌入算法是一种全新的算法，它同时考虑了自相关性特征与局部近邻特征，能够更全面地挖掘训练数据中潜藏的有用信息。其次，在具体实施案例中，相比于传统动态过程监测方法，本发明方法在故障监测上能取得更卓越的效果。可以说，本发明方法是一种更为优选的动态过程监测方法。
-
公开(公告)号：CN116821670A
公开(公告)日：2023-09-29
申请号：CN202310361106.3
申请日：2023-04-07
申请人： 宁波大学
IPC分类号： G06F18/214 , G01D18/00 , G06N3/0455 , G06N3/088 , G06N3/006
摘要： 本发明公开一种基于粒子群鲁棒优化自编码器的异常检测方法，旨在设计自编码器的鲁棒优化过程，针对含有离群采样数据的训练数据直接实施鲁棒非线性特征学习，进而通过监测实时采样数据对应的估计误差的变化来检测相应工业过程运行的异常。本发明方法创新的提出鲁棒归一化方法解决了神经网络训练的鲁棒数据预处理难题，可直接针对掺杂有离群采样数据的训练数据集优化得到相应的自编码器。从这个角度来讲，本发明相对于传统方法有两个技术优势：其一，能直接对掺杂有离群采样数据的训练数据集实施鲁棒的无监督特征学习；其二，能通过采样数据的非线性特征生成估计误差用于在线异常检测。因此，本发明是一种更为优选的采样数据驱动的异常检测方法。
-
公开(公告)号：CN111913460B
公开(公告)日：2022-03-18
申请号：CN201910455803.9
申请日：2019-05-20
申请人： 宁波大学
IPC分类号： G05B23/02
摘要： 本发明公开一种基于序列相关局部保持投影算法的故障监测方法，旨在推理出一种全新的数据特征挖掘算法，并基于此算法实施故障监测。具体来讲，本发明方法首先将时序相关性最大化与局部近邻结构保持最小化合并成一个目标函数；其次，在求解的过程进一步保证各投影变换向量之间的相互正交特性；最后，利用提取的潜在特征以及模型误差实施故障监测。与传统方法相比：本发明方法中涉及的序列相关局部保持投影算法是一种全新的特征提取算法，它在投影变换的过程中同时考虑了自相关性特征与局部近邻特征，并且保证了投影变换向量的正交特性，能够更全面地挖掘训练数据中潜藏的有用信息。因此，本发明方法是一种更为优选的故障监测方法。
-
公开(公告)号：CN108536943B
公开(公告)日：2021-09-21
申请号：CN201810280187.3
申请日：2018-03-19
申请人： 宁波大学
摘要： 本发明公开一种基于多生产单元变量交叉相关解耦策略的故障监测方法，旨在从数据角度出发，将工业对象中不同生产单元之间的交叉关系考虑进分布式建模与监测过程中，从而实施更加可靠而有效的分布式故障监测。具体来讲，首先根据各生产单元测量变量的归属，将所有测量变量划分成多个变量子块；其次，利用回归模型将各个变量子块中与其他变量子块之间的交叉相关信息挖掘出来；最后，利用交叉相关解耦后的误差实施建模与故障监测。相比于传统方法，本发明方法利用回归模型将不同生产单元变量子块之间的交叉关系考虑进来，并对能够反映出不同生产单元之间交叉相关关系是否发生变化的误差实施监测，理应具备更优越的故障监测性能。
-
公开(公告)号：CN110009020B
公开(公告)日：2021-06-15
申请号：CN201910229732.0
申请日：2019-03-12
申请人： 宁波大学
摘要： 本发明公开一种基于多核主元分析模型的非线性过程监测方法，旨在建立并融合多个核函数所对应的KPCA模型，从而避免核函数的选择问题，并在此基础上实施有效地非线性过程监测。首先，本发明方法将常用的核函数类型全部考虑进来，避免了核函数的选择问题。因此本发明方法的通用性较强。其次，本发明方法因使用多个核函数分别建立多个不同的非线性过程监测模型，充分发挥了多模型建模的优势。可以说，本发明方法的故障检测效果不会弱于任何一个使用单个核函数的过程监测模型。综合这两点优势，本发明方法克服了传统基于KPCA的过程监测方法的不足，是一种更为优选的非线性过程监测方法。
-
公开(公告)号：CN109669415B
公开(公告)日：2021-03-09
申请号：CN201811577507.8
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结构化典型变量分析的动态过程监测方法，旨在推理出结构化典型变量分析算法，并以此算法为基础实施动态过程监测。具体来讲，本发明通过对典型变量分析算法的优化目标实施改进，将结构化的思路考虑进来，从而推理出一种新的算法来挖掘自相关特征。本发明方法在提取潜在特征的过程中，同时考虑未来数据与过往数据之间的相关性，即考虑了时间序列上的自相关性特征。此外，在监测时通过分别构造过往得分向量与未来得分向量，实现了对自相关特征的监测。可以说，本发明方法推理出了一种全新的动态建模算法：结构化典型变量分析算法，在此基础实施动态过程监测理应具备更优越的故障监测性能。
-
公开(公告)号：CN109669413B
公开(公告)日：2021-01-08
申请号：CN201811577428.7
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动态潜独立变量的动态非高斯过程监测方法，旨在结合可处理动态性数据的动态潜变量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潜变量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，利用合并后的白化特征成分作为初始独立成分迭代求取动态潜独立变量模型。最后，基于动态潜独立变量实施动态非高斯过程监测。可以说，本发明方法利用了动态潜变量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动态非高斯的过程监测方法。
-
-
-
-
-
-
-
-
-
搜索结果
173 条记录 (耗时 0.02 秒)
