-
公开(公告)号：CN108845546B
公开(公告)日：2020-10-27
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：CN109376337A
公开(公告)日：2019-02-22
申请号：CN201811213322.9
申请日：2018-10-09
申请人： 宁波大学
摘要： 本发明公开一种基于Girvan-Newman算法的集散软测量方法，旨在解决如何从数据角度对大规模生产过程实施过程分解，以建立分散式的软测量模型，以及如何集成利用分散式的软测量结果来得到产品质量数据估计值的问题。本发明发法首次利用Girvan-Newman算法实现了过程对象的分解，从而为建立分散式软测量模型奠定了前期基础。其次，本发明方法利用偏最小二乘算法集成分散式软测量结果，完成了由分散式建模到集成软测量的实施过程。可以说，本发明方法是一种新颖的集散软测量方法，能适应于大规模生产过程对象产品质量指标的软测量。
-
公开(公告)号：CN109389314B
公开(公告)日：2021-09-10
申请号：CN201811220917.7
申请日：2018-10-09
申请人： 宁波大学
IPC分类号： G06Q10/06 , G06F16/2458
摘要： 本发明公开一种基于最优近邻成分分析的质量软测量与监测方法，旨在解决如何从保证全局最优的角度优选出与各个质量指标相关的输入特征变量，并基于此建立相应的质量指标软测量与监测模型。本发明方法考虑了各个质量指标会对应不同的输入特征变量的问题，通过穷举输入变量所有的可能组合形式，再根据近邻成分分析算法的目标函数值来确定各个质量指标所对应的最优输入特征变量。本发明方法利用优选后的输入变量为各个质量指标建立软测量模型，并利用软测量模型的估计值实时监测产品质量的状况，本发明方法可以说能较好地解决与产品质量相关的软测量与监测问题。
-
公开(公告)号：CN109389314A
公开(公告)日：2019-02-26
申请号：CN201811220917.7
申请日：2018-10-09
申请人： 宁波大学
IPC分类号： G06Q10/06 , G06F16/2458
摘要： 本发明公开一种基于最优近邻成分分析的质量软测量与监测方法，旨在解决如何从保证全局最优的角度优选出与各个质量指标相关的输入特征变量，并基于此建立相应的质量指标软测量与监测模型。本发明方法考虑了各个质量指标会对应不同的输入特征变量的问题，通过穷举输入变量所有的可能组合形式，再根据近邻成分分析算法的目标函数值来确定各个质量指标所对应的最优输入特征变量。本发明方法利用优选后的输入变量为各个质量指标建立软测量模型，并利用软测量模型的估计值实时监测产品质量的状况，本发明方法可以说能较好地解决与产品质量相关的软测量与监测问题。
-
公开(公告)号：CN108803520A
公开(公告)日：2018-11-13
申请号：CN201810658890.3
申请日：2018-06-11
申请人： 宁波大学
IPC分类号： G05B19/418
摘要： 本发明公开一种基于变量非线性自相关性剔除的动态过程监测方法，旨在剔除采样数据各测量变量的非线性自相关性，并在此基础上建立非线性的动态过程监测模型。本发明方法首先利用核偏最小二乘算法建立各样本数据与其多个延时测量数据之间的非线性回归模型；然后，将模型误差作为新的被监测对象利用主成分分析算法建立过程监测模型，并实施故障监测。相比于传统方法，本发明方法将误差作为被监测对象不仅利用了误差具备的能够反映非线性自相关特征异常变化情况的能力，而且误差数据不再出现时间序列上的自相关性同样为后续基于PCA算法的过程监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：CN109376337B
公开(公告)日：2021-10-01
申请号：CN201811213322.9
申请日：2018-10-09
申请人： 宁波大学
摘要： 本发明公开一种基于Girvan‑Newman算法的集散软测量方法，旨在解决如何从数据角度对大规模生产过程实施过程分解，以建立分散式的软测量模型，以及如何集成利用分散式的软测量结果来得到产品质量数据估计值的问题。本发明发法首次利用Girvan‑Newman算法实现了过程对象的分解，从而为建立分散式软测量模型奠定了前期基础。其次，本发明方法利用偏最小二乘算法集成分散式软测量结果，完成了由分散式建模到集成软测量的实施过程。可以说，本发明方法是一种新颖的集散软测量方法，能适应于大规模生产过程对象产品质量指标的软测量。
-
公开(公告)号：CN108897286B
公开(公告)日：2020-06-16
申请号：CN201810658917.9
申请日：2018-06-11
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非线性动态关系模型的故障检测方法，旨在为各个测量变量建立分散式的非线性动态关系模型，并基于此分散模型实施故障检测。本发明方法的主要核心在于利用RBF神经网络为各个测量变量建立其各自的非线性动态关系模型，考虑了变量自身体现在不同采样时刻上的自相关性及其与其他变量体现在不同采样时刻上的交叉相关性。相比于传统方法，本发明方法利用RBF神经网络算法为各测量变量构建体现在不同采样时刻上的非线性动态关系模型，体现出了分散式建模的优势与特点。其次，本发明方法将误差作为被监测对象，对于后续利用主成分分析算法建立故障检测模型是有很大助益的。因此，本发明方法更适合于动态过程的故障检测。
-
公开(公告)号：CN109669413A
公开(公告)日：2019-04-23
申请号：CN201811577428.7
申请日：2018-12-13
申请人： 宁波大学
IPC分类号： G05B19/418
CPC分类号： G05B19/41885 , G05B2219/32339
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。
-
公开(公告)号：CN109165878A
公开(公告)日：2019-01-08
申请号：CN201811220918.1
申请日：2018-10-09
申请人： 宁波大学
摘要： 本发明公开一种基于多变量互信息优选的质量预测与监测方法，旨在解决如何基于多变量互信息，从整体层面最优选择与质量指标相关的过程测量变量，并基于此建立相应的质量指标预测与监测模型。本发明方法通过穷举输入变量所有的可能组合形式，绝对能保证选择出了最优的与输出相关的输入变量，能避免变量优选陷入局部最优的问题。此外，本发明方法利用优选后的输入变量建立软测量模型，能剔除与质量指标不相关测量数据的干扰影响。由于本发明方法不仅实施了对质量指标的软测量，而且还能依据软测量值实施对质量指标的实时监测，并将故障区分为与质量相关以及与质量不相关。因此，本发明方法能较好地解决与质量相关的软测量与监测问题。
-
公开(公告)号：CN108897286A
公开(公告)日：2018-11-27
申请号：CN201810658917.9
申请日：2018-06-11
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非线性动态关系模型的故障检测方法，旨在为各个测量变量建立分散式的非线性动态关系模型，并基于此分散模型实施故障检测。本发明方法的主要核心在于利用RBF神经网络为各个测量变量建立其各自的非线性动态关系模型，考虑了变量自身体现在不同采样时刻上的自相关性及其与其他变量体现在不同采样时刻上的交叉相关性。相比于传统方法，本发明方法利用RBF神经网络算法为各测量变量构建体现在不同采样时刻上的非线性动态关系模型，体现出了分散式建模的优势与特点。其次，本发明方法将误差作为被监测对象，对于后续利用主成分分析算法建立故障检测模型是有很大助益的。因此，本发明方法更适合于动态过程的故障检测。
-
-
-
-
-
-
-
-
-
搜索结果
18 条记录 (耗时 0.017 秒)
