-
公开(公告)号：CN111914382B
公开(公告)日：2023-04-21
申请号：CN201910408795.2
申请日：2019-05-07
申请人： 宁波大学
摘要： 本发明公开一种基于代理模型的常减压装置的约束进化优化方法，针对常减压精馏过程的耗时计算及保证工况稳定和安全要求的等式、不等式约束优化问题，旨在实施以生产利润最大为目标的优化。具体来讲，本发明方法在优化迭代中采用加点策略，更新完善全局、局部的代理模型，并对所建的全局、局部代理模型进行优化搜索，从而得到优化解。与传统方法相比，本发明方法与传统方法的最大优势在于所针对的优化问题更符合实际运行情况，即考虑了工况稳定和安全要求所涉及的等式与不等式约束问题。此外，本发明方法通过新定义优化目标函数，往复优化搜索全局与局部训练数据，能较好地保证训练数据的多样性从而不断提升代理模型的精度。
-
公开(公告)号：CN111694329B
公开(公告)日：2022-03-18
申请号：CN201910229754.7
申请日：2019-03-12
申请人： 宁波大学
IPC分类号： G05B19/418
摘要： 本发明公开一种基于分散式极限学习机的动态过程监测方法，旨在利用ELM为各测量变量建立分散式的非线性模型，解决非线性动态过程中的故障检测问题。具体来讲，本发明依次将各个测量变量作为ELM的输出变量，而其他测量变量及其延时测量值作为ELM的输入变量，从而可以应用ELM算法建立输入与输出之间的非线性动态关系模型。实施故障检测时，将分散式ELM模型的估计误差作为被监测对象实施故障检测。与传统方法相比，本发明方法建立了分散式的非线性模型充分发挥了多模型泛化能力强的优势，而且逐一描述了测量变量间的非线性输入‑输出关系。最后，通过具体实施案例对比验证了本发明方法是一种更为优选的非线性动态过程监测方法。
-
公开(公告)号：CN111913460A
公开(公告)日：2020-11-10
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：CN111695229A
公开(公告)日：2020-09-22
申请号：CN201910229753.2
申请日：2019-03-12
申请人： 宁波大学
摘要： 本发明公开一种基于GA-ICA的新型分散式非高斯过程监测方法，旨在利用十进制的遗传算法求解ICA模型，并推导出多块ICA算法的实施过程，在此基础上即可实施分散式的非高斯过程监测。本发明方法在实施多块建模的过程中，首先利用十进制的遗传算法求解所有测量变量对应的分离向量与独立成分，然后再根据各个变量子块的独特性，将各变量子块对应的独立成分分离出来。因此，本发明方法在实施多块建模时综合考虑了所有测量变量的整体性与各变量子块的局部特性，这是一种全新的分散式非高斯过程监测方法。此外，具体实施案例中将会验证本发明方法的优越性，从而说明本发明方法是一种更为优选的分散式非高斯过程监测方法。
-
公开(公告)号：CN111914466B
公开(公告)日：2023-10-24
申请号：CN201910873261.7
申请日：2019-09-07
申请人： 宁波大学
摘要： 本发明公开一种基于相关变量分散式建模的化工过程监测方法，旨在解决如何选择并基于相关性变量进行分散式建模，从而在此基础上实施化工过程监测的问题。具体来讲，本发明方法首先将遗传算法与近邻成分分析算法相结合，从而为各个测量变量优选出相关的测量变量；其次，本发明方法实施基于相关变量的分散式软测量建模，采用的是经典的PLS算法；最后，利用分散式软测量模型的估计误差实施化工过程监测。与传统方法相比，本发明方法利用相关变量集建立的软测量模型可以剔除不相关变量的干扰影响，也能更精确地描述测量变量之间的输入‑输出关系。
-
公开(公告)号：CN111695229B
公开(公告)日：2023-10-17
申请号：CN201910229753.2
申请日：2019-03-12
申请人： 宁波大学
IPC分类号： G06F30/20 , G06F18/2134 , G06N3/126
摘要： 本发明公开一种基于GA‑ICA的新型分散式非高斯过程监测方法，旨在利用十进制的遗传算法求解ICA模型，并推导出多块ICA算法的实施过程，在此基础上即可实施分散式的非高斯过程监测。本发明方法在实施多块建模的过程中，首先利用十进制的遗传算法求解所有测量变量对应的分离向量与独立成分，然后再根据各个变量子块的独特性，将各变量子块对应的独立成分分离出来。因此，本发明方法在实施多块建模时综合考虑了所有测量变量的整体性与各变量子块的局部特性，这是一种全新的分散式非高斯过程监测方法。此外，具体实施案例中将会验证本发明方法的优越性，从而说明本发明方法是一种更为优选的分散式非高斯过程监测方法。
-
公开(公告)号：CN111914466A
公开(公告)日：2020-11-10
申请号：CN201910873261.7
申请日：2019-09-07
申请人： 宁波大学
发明人： 唐俊苗 , 童楚东 , 其他发明人请求不公开姓名
摘要： 本发明公开一种基于相关变量分散式建模的化工过程监测方法，旨在解决如何选择并基于相关性变量进行分散式建模，从而在此基础上实施化工过程监测的问题。具体来讲，本发明方法首先将遗传算法与近邻成分分析算法相结合，从而为各个测量变量优选出相关的测量变量；其次，本发明方法实施基于相关变量的分散式软测量建模，采用的是经典的PLS算法；最后，利用分散式软测量模型的估计误差实施化工过程监测。与传统方法相比，本发明方法利用相关变量集建立的软测量模型可以剔除不相关变量的干扰影响，也能更精确地描述测量变量之间的输入-输出关系。
-
公开(公告)号：CN111914381A
公开(公告)日：2020-11-10
申请号：CN201910404181.7
申请日：2019-05-07
申请人： 宁波大学
IPC分类号： G06F30/20
摘要： 本发明公开一种基于KPLSR模型的常减压装置操作优化方法，针对常减压装置的耗时计算及保证工况稳定和安全要求的等式、不等式约束优化问题，旨在实施以生产利润最大为目标的操作优化。具体来讲，本发明方法使用KPLSR算法为常减压转置建立数据驱动的代理模型，并使用差分进化算法不断优化搜索加点的样本数据，从而不断更新完善全局、局部的代理模型。与传统方法相比，本发明方法与传统方法的最大优势在于所针对的优化问题考虑了工况稳定和安全要求所涉及的等式与不等式约束。此外，本发明方法通过新定义优化目标函数，往复优化搜索全局与局部训练数据，能较好地保证训练数据的多样性从而不断提升代理模型的精度。
-
公开(公告)号：CN111914381B
公开(公告)日：2023-04-25
申请号：CN201910404181.7
申请日：2019-05-07
申请人： 宁波大学
IPC分类号： G06F30/20
摘要： 本发明公开一种基于KPLSR模型的常减压装置操作优化方法，针对常减压装置的耗时计算及保证工况稳定和安全要求的等式、不等式约束优化问题，旨在实施以生产利润最大为目标的操作优化。具体来讲，本发明方法使用KPLSR算法为常减压转置建立数据驱动的代理模型，并使用差分进化算法不断优化搜索加点的样本数据，从而不断更新完善全局、局部的代理模型。与传统方法相比，本发明方法与传统方法的最大优势在于所针对的优化问题考虑了工况稳定和安全要求所涉及的等式与不等式约束。此外，本发明方法通过新定义优化目标函数，往复优化搜索全局与局部训练数据，能较好地保证训练数据的多样性从而不断提升代理模型的精度。
-
公开(公告)号：CN111695581B
公开(公告)日：2023-04-07
申请号：CN201910229751.3
申请日：2019-03-12
申请人： 宁波大学
IPC分类号： G06F18/2134 , G06F18/2135 , G06F18/214 , G06N3/045 , G06N3/048 , G06N3/08 , G06F17/16 , G07C3/00
摘要： 本发明公开一种基于自回归极限学习机的非线性动态过程监测方法，旨在利用极限学习机(ELM)算法实施非线性动态过程监测。具体来讲，本发明方法的核心在于利用ELM算法来拟合非线性的自回归(AR)模型，从而实现对采样数据非线性与时序自相关性特征的描述。实施在线过程监测时，利用平方马氏距离统计指标来监测自回归极限学习机模型的输出估计误差，从而反映出在线采样数据是否异常。与传统方法相比，本发明方法利用ELM拟合出了非线性的AR‑ELM模型，描述了测量变量间的非线性动态关系特征。最后，通过具体实施案例对比验证了本发明方法是一种更为优选的非线性动态过程监测方法。
-
-
-
-
-
-
-
-
-
搜索结果
20 条记录 (耗时 0.021 秒)
