-
公开(公告)号：CN108845546A
公开(公告)日：2018-11-20
申请号：CN201810658889.0
申请日：2018-06-11
申请人： 宁波大学
IPC分类号： G05B19/418 , G06N3/04 , G06N3/08
摘要： 本发明公开一种基于BP神经网络自回归模型的动态过程监测方法，旨在利用BP神经网络建立非线性的自回归模型，并在此基础上实施动态过程监测。本发明方法的主要核心首先在于利用BP神经网络识别出被监测对象采样数据的自相关模型，其次在于利用BP神经网络自回归模型过滤后的误差实施过程监测。本发明方法的主要优势首先在于利用BP神经网络的非线性拟合能力建立非线性的自回归模型，以达到剔除了测量变量中的非线性自相关特征的目的；其次，本发明方法不仅利用了误差具备能够反映非线性自相关特征异常变化情况的能力，而且误差数据不再存在自相关性同样为后续故障检测模型的建立提供了便利。可以说，本发明方法更适合于动态过程监测。
-
公开(公告)号：CN106444666B
公开(公告)日：2018-11-20
申请号：CN201610863456.X
申请日：2016-09-22
申请人： 宁波大学
IPC分类号： G05B19/418
摘要： 本发明公开一种基于加权型动态分布式PCA模型的动态过程监测方法，旨在解决如何有针对性地描述各个测量变量的动态特征问题，并在此基础上建立动态分布式监测模型。该发明方法利用过程每个测量变量与其他不同延时测量值间的相关系数实施加权处理，使加权后的训练数据能更好地体现各变量的动态特征。相比于传统方法，本发明方法虽然利用了所有的不同延时变量建立PCA故障检测模型，但是它对相关性大的变量赋予较大的权值而对相关性小的变量赋予较小的权值，这不仅可以最大化程度的避免信息丢失问题，而且还能因权值大小的不同突出体现出相关性强的过程变量同时抑制不相关变量的干扰影响。因此，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：CN106404441B
公开(公告)日：2018-11-06
申请号：CN201610863426.9
申请日：2016-09-22
申请人： 宁波大学
摘要： 本发明公开一种基于非线性相似度指标的故障分类诊断方法，该方法旨在解决实际工业过程中实施故障分类诊断方法时面临的三个关键性问题：其一，参考故障类型的可用训练样本数有限；其二，可用的故障训练数据处于操作状态转换的起始阶段，数据非线性程度较强；其三，不同故障的采样数据会在空间分布上存在重叠现象。该发明方法首先通过对每种参考故障类型进行特征变量选择，选择出该种故障最能区别于正常数据的特征变量。然后，仅利用特征变量两两匹配在线故障数据窗口与参考故障数据窗口的相似度。所采用的相似度计算方式是基于窗口数据的非线性相似度指标，根据最小非线性相似度值可以确定出在线检测出的故障类型。与传统分类诊断方法相比，本发明方法通过特征变量选择显著地降低了变量维数，这不仅大大减少了训练数据不充分的制约性，而且还能剔除非特征变量对计算非线性相似度指标的负面影响。此外，该方法通过窗口数据在空间分布上的非线性相似匹配来实施故障相似匹配，能最大化地避免重叠数据的错分类情况。
-
公开(公告)号：CN108572639A
公开(公告)日：2018-09-25
申请号：CN201810280157.2
申请日：2018-03-19
申请人： 宁波大学
IPC分类号： G05B23/02
摘要： 本发明公开一种基于主成分自相关性剔除的动态过程监测方法，旨在剔除传统动态主成分分析(DPCA)模型中主成分的自相关性，从而使相应过程监测模型具备更优越的动态过程监测效果。本发明方法首先为各测量变量引入在采样时间上的多个延时测量值；其次，建立DPCA模型；然后，利用延时测量值作为回归模型输入估计出对应的主成分信息；最后，利用剔除主成分自相关性的估计误差实施对动态过程的在线监测。相比于传统DPCA过程监测方法，本发明方法利用剔除主成分自相关性后的误差做为被监测对象，不仅不再受到自相关性的负面影响，而且误差的变化直接体现出主成分中自相关特征的异常变化。因此，本发明方法更适合于监测动态过程建模与监测。
-
公开(公告)号：CN108536943A
公开(公告)日：2018-09-14
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：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：CN108375965A
公开(公告)日：2018-08-07
申请号：CN201810280156.8
申请日：2018-03-19
申请人： 宁波大学
IPC分类号： G05B19/418
摘要： 本发明公开一种基于多变量块交叉相关性剔除的非高斯过程监测方法，旨在将多变量块之间的交叉相关性考虑进分布式过程建模与过程监测中，从而实施更加可靠而有效的分布式非高斯过程监测。本发明方法首先初步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，利用回归模型将每个变量子块中与其他变量子块之间的交叉相关信息剔除出去；最后，利用剔除交叉相关性后的误差实施基于独立成分分析算法的建模与非高斯过程监测。相比于传统方法，本发明方法的主要创新在于利用回归模型将不同多变量子块之间的交叉相关性考虑进来，以交叉相关性剔除后的误差做为新的监测对象。
-
公开(公告)号：CN106092625B
公开(公告)日：2018-07-13
申请号：CN201610388999.0
申请日：2016-05-30
申请人： 宁波大学
IPC分类号： G01M99/00
摘要： 本发明涉及一种基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法。传统的基于修正型独立元分析的故障检测方法需要选择一个的非二次函数，以度量非高斯性大小。然而，不同的工业过程数据或对象会造成实际应用中难以获取足够多的经验知识去指导非二次函数的选择。对此，本发明方法首先针对不同的非二次函数，利用工业过程的正常数据训练得到不同的修正型独立元模型；然后通过贝叶斯概率融合方法将这多个故障检测模型的决策结果进行集成，获得最终的概率型监测指标。与现有方法相比，本发明能解决因非二次函数多样性而引起的模型不确定问题，充分考虑了多个模型可能性，在很大程度上增强了故障检测模型的可靠性。
-
-
-
-
-
-
-
-
-
搜索结果
173 条记录 (耗时 0.025 秒)
