-
公开(公告)号：CN109656202A
公开(公告)日：2019-04-19
申请号：CN201811485741.8
申请日：2018-12-06
Applicant: 南通大学
IPC: G05B19/418
Abstract: 本发明公开了基于局部和结构一致性流形GMM的多模态过程监测方法，利用GMM将多模数据划分成多个局部数据块，分析局部数据块的局部切空间，计算局部切空间之间的主角，研究局部数据块之间的相似关系，构建局部和结构一致性流形图谱，根据不同模态对应子流形的结构关系获取过程模态变化情况，设计一致性流形平滑的监测统计量，实施故障检测。与一般的流形GMM监测方法相比，本发明根据不同高斯成分对应的数据块，获取局部切空间的相似度，并融合局部和结构一致性信息，构建流形学习的图谱，分析多个子流形之间的关系，避免了交叉重叠数据块的错误划分，准确描述多模态过程数据在低维嵌入空间的几何结构，实施精确的故障检测，达到更好的监测效果。
-
公开(公告)号：CN107632592B
公开(公告)日：2021-03-16
申请号：CN201710777870.3
申请日：2017-09-01
Applicant: 南通大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于高效递推核主元分析的非线性时变过程故障监测方法，属于故障检测与诊断技术领域。首先，在田纳西伊斯曼过程仿真器中采集具有非线性和缓慢时变特性且包含故障的数据，将采集的正常数据利用高斯核函数将其投影到高维特征空间并中心化，建立初始的离线监测模型并采用核密度估计函数来确定控制限。然后，当采集到新的过程数据时，通过引入一阶干扰理论方法在离线模型获取的特征值和特征矢量基础上直接更新模型，并将新数据投影到更新的核空间和残差空间计算T2和SPE统计量。当超出其对应的控制限时，认为监测的故障发生，反之，整个过程正常运行。本发明方法主要解决两个问题：1)核主元分析进行非线性时变过程的故障监测会产生较高的误报率；2)基于特征值分解的递推算法计算负荷较高的问题。
-
公开(公告)号：CN109491338A
公开(公告)日：2019-03-19
申请号：CN201811331420.2
申请日：2018-11-09
Applicant: 南通大学
IPC: G05B19/418
Abstract: 本发明公开了一种基于稀疏GMM的多模过程质量相关的故障诊断方法，利用稀疏表示获取高质量的系数权重矩阵，并融合流形结构信息，构建稀疏高斯混合模型，使得高斯成分的概率分布沿着数据流形结构平滑变化，以及高斯成分的局部近邻样本之间相似，自动地获取高斯成分的数目，对噪音和离群点具有鲁棒性，获得质量相关的故障检测，同时依据已检测故障的受控近邻，定位故障发生的根源变量。与高斯混合模型监测方法相比，本发明方法表征了过程数据局部流形结构和数据的稀疏关系，获取了样本之间的局部相似关系，反映多模态过程的变化情况。因此，本发明所涉及的稀疏GMM方法可以取得更好的故障检测效果和准确定位故障发生的根源变量。
-
公开(公告)号：CN108122006A
公开(公告)日：2018-06-05
申请号：CN201711380265.9
申请日：2017-12-20
Applicant: 南通大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6215 , G06K9/6235 , G06K2009/6236
Abstract: 本发明公开了一种基于不等权局部保持嵌入的故障诊断方法，该方法旨在解决的问题是：针对现代工业过程数据的复杂动态特性，如何构建动态的有向图谱结构，既保持原始样本的局部近邻关系，又能保持原始特征变量的局部结构关系，嵌入后的低维数据结构关系与原始空间的保持一致。该发明方法利用图谱的不等权连接边构建有向网络，并计算概率距离引导的样本相似度矩阵，形成不等权局部保持嵌入模型，有效表征动态过程的样本局部近邻关系；同时，将特征变量也纳入图谱构建中，保留特征变量的局部关系信息，选取对过程故障产生重要影响的特征变量，进一步增强诊断模型的分类精度。与邻域保持嵌入方法相比，本发明方法不仅表征了过程数据的拓扑结构关系，而且构建了不等权局部保持的有向图谱，获取了样本之间的近邻关系，更好地表征特征变量的局部流形结构，反映过程的动态变化情况。因此，本发明方法所涉及的不等权局部保持嵌入模型能取得更优越的动态过程的故障诊断效果。
-
公开(公告)号：CN107632592A
公开(公告)日：2018-01-26
申请号：CN201710777870.3
申请日：2017-09-01
Applicant: 南通大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于高效递推核主元分析的非线性时变过程故障监测方法，属于故障检测与诊断技术领域。首先，在田纳西伊斯曼过程仿真器中采集具有非线性和缓慢时变特性且包含故障的数据，将采集的正常数据利用高斯核函数将其投影到高维特征空间并中心化，建立初始的离线监测模型并采用核密度估计函数来确定控制限。然后，当采集到新的过程数据时，通过引入一阶干扰理论方法在离线模型获取的特征值和特征矢量基础上直接更新模型，并将新数据投影到更新的核空间和残差空间计算T2和SPE统计量。当超出其对应的控制限时，认为监测的故障发生，反之，整个过程正常运行。本发明方法主要解决两个问题：1)核主元分析进行非线性时变过程的故障监测会产生较高的误报率；2)基于特征值分解的递推算法计算负荷较高的问题。
-
Patent Agency Ranking
公开(公告)号：CN115393830A
公开(公告)日：2022-11-25
申请号：CN202211030586.7
申请日：2022-08-26
Applicant: 南通大学
Abstract: 本发明涉及疲劳驾驶检测技术领域，尤其涉及一种基于深度学习与面部特征的疲劳驾驶检测方法，包括：S1：收集戴眼镜、不戴眼镜、戴墨镜的疲劳驾驶视频，并将视频分帧，得到图像数据集；S2：训练人脸检测模型，输入图像并检测出人脸区域；S3：训练人脸关键点与头部姿态学习模型并部署，输入人脸区域图像得到人脸关键点与头部姿态估计；S4：针对眼部、嘴部、头部疲劳特征评价指标给出疲劳判断。本发明主要是用深度学习模型对目标驾驶图像进行检测，具有无接触，成本低，使用方便等特点。通过对驾驶员眼部、嘴部、头部姿态等疲劳特征进行检测，对驾驶员出现疲劳状态进行识别，并做出报警响应，能够提高疲劳驾驶的检测速度和效率。
-
公开(公告)号：CN116361722A
公开(公告)日：2023-06-30
申请号：CN202310314884.7
申请日：2023-03-28
Applicant: 南通大学
IPC: G06F18/2413 , G06F18/22 , G06F18/25 , G06F18/213
Abstract: 本发明涉及工业过程监控技术领域，具体涉及一种改进线性局部切空间排列模型的多故障分类方法。本发明引入新的权重矩阵表征过程潜在流形上邻域内不同类标和相同类标样本之间的局部位置关系，通过改进的WLLSTA保持多故障过程数据流形的局部几何特征，改进了原WLLSTA因未区分邻域内样本的类标而产生的扭曲流形结构；本方法在WLLTSA基础上，融合流形几何结构的局部性和全局数据的鉴别性，构建故障分类模型，抓取了过程中不同操作模式的内在特性，反映多故障过程数据的特征鉴别信息，通过最小化低维潜在流形上测试样本到各类已知训练样本的欧氏距离，识别出测试样本的故障类型。本发明方法适合高维多模态工业过程多故障分类检测。
-
公开(公告)号：CN114821054A
公开(公告)日：2022-07-29
申请号：CN202210446165.6
申请日：2022-04-26
Applicant: 南通大学
Abstract: 本发明提供一种基于源码可视化的软件缺陷预测方法，包括如下步骤：S1、构建数据集DATASET；S2、构建源码像素节点集Vdata；S3、构建阿尔法合成三原色组合方法Vcode；S4、构建基于VPE方法的深度学习网络；S5、构建基于源码可视化的软件缺陷预测方法。本发明缩短跨项目间数据分布差异，提高深度学习模型输入数据集的有效性，能够大幅辅助软件开发人员使用该预测模型来减少软件开发过程中的缺陷，具有较高的准确率和效率。本发明结合相应的深度学习模型进行软件缺陷预测，提高软件缺陷预测模型的准确性。
-
公开(公告)号：CN109491338B
公开(公告)日：2021-05-11
申请号：CN201811331420.2
申请日：2018-11-09
Applicant: 南通大学
IPC: G05B19/418
Abstract: 本发明公开了一种基于稀疏GMM的多模过程质量相关的故障诊断方法，利用稀疏表示获取高质量的系数权重矩阵，并融合流形结构信息，构建稀疏高斯混合模型，使得高斯成分的概率分布沿着数据流形结构平滑变化，以及高斯成分的局部近邻样本之间相似，自动地获取高斯成分的数目，对噪音和离群点具有鲁棒性，获得质量相关的故障检测，同时依据已检测故障的受控近邻，定位故障发生的根源变量。与高斯混合模型监测方法相比，本发明方法表征了过程数据局部流形结构和数据的稀疏关系，获取了样本之间的局部相似关系，反映多模态过程的变化情况。因此，本发明所涉及的稀疏GMM方法可以取得更好的故障检测效果和准确定位故障发生的根源变量。
-
公开(公告)号：CN108398925A
公开(公告)日：2018-08-14
申请号：CN201711135315.7
申请日：2017-11-14
Applicant: 南通大学
IPC: G05B19/418
CPC classification number: Y02P90/02 , G05B19/41885 , G05B2219/32339
Abstract: 本发明公开了一种有向网络下增强稀疏保持嵌入的动态过程监测方法，利用稀疏表示构建有向网络，将动态的时空网络结构转换成普通的有向网络结构。通过计算有向网络的概率路径值，表征样本之间的有效距离，获得有向网络的相似度连接矩阵，刻画过程的动态变化特性。在此基础上建立的增强稀疏保持嵌入模型能更好地挖掘动态过程中边缘网络故障的隐藏特征。本发明方法所涉及的有向网络下增强稀疏保持嵌入模型能取得更优越的动态过程监测效果。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.015 seconds)
