公开(公告)号：CN111915006B

公开(公告)日：2023-09-29

申请号：CN202010630151.0

申请日：2020-06-23

申请人： 宁波大学

发明人： 葛英辉 ,  朱莹 ,  请求不公布姓名

IPC分类号： G06N3/084 ,  G06N3/09 ,  G06N3/0455 ,  G01N33/00

摘要： 本发明公开一种基于有监督型SAE的尾气硫化氢浓度实时监测方法，旨在使用有监督型SAE模型解决对硫回收装置尾气H2S浓度的在线实时监测问题。本发明方法通过在SAE训练的过程，将输出数据设定成浓度数据，而输入数据是常规可实时测量的流量数据。利用SAE深度特征挖掘的能力，不断提取对软测量输出有用的关键潜在特征，从而实现对H2S浓度的在线实时监测。与传统方法相比，本发明方法通过设定SAE的输出为硫化氢的浓度，而输出为常规可实时测量的流量数据，巧妙地将SAE拓展成了有监督型的SAE模型。此外，本发明方法还使用最小二乘回归进一步提升软测量的精度。最后，通过具体实施案例中对实验结果的对比验证了本发明方法的优越性。

公开(公告)号：CN111915005B

公开(公告)日：2023-09-26

申请号：CN202010630128.1

申请日：2020-06-23

申请人： 宁波大学

发明人： 葛英辉 ,  朱莹 ,  请求不公布姓名

IPC分类号： G06N3/084 ,  G01N33/00 ,  G06N3/0455

摘要： 本发明公开一种工业硫磺回收装置尾气二氧化硫含量实时预测方法，本发明旨在充分利用SAE较强的特征提取能力，并在SAE的顶层增加一层非线性的输出神经元，从而可以将SAE应用于开发设计一种工业硫磺回收装置尾气二氧化硫含量在线软测量技术。与传统方法相比，首先，本发明方法通过在栈式自编码器的基础上新增一个输出层神经元，将适用于无监督学习的自编码器巧妙的转变成了有监督的软件测量建模方法；其次，本发明方法考虑到了工业硫磺回收装置采样数据在时间上的动态特性，采取将多个时刻的数据整合成一个输入向量，这样可以将时序性体现在软测量建模中；最后，在接下来的具体实施案例中，通过软测量精度对比验证了本发明方法的优越性。

公开(公告)号：CN116339264A

公开(公告)日：2023-06-27

申请号：CN202310361082.1

申请日：2023-04-07

申请人： 宁波大学

发明人： 郑渝凡 ,  朱莹 ,  徐建瑜

IPC分类号： G05B19/418

摘要： 本发明公开一种基于Kiviat图的流程工业过程运行状态监测方法，旨在利用Kiviat图来表现出流程工业过程各测量变量间的正常变化特征，并利用Kiviat图实现对流程工业过程运行状态的监测。本发明方法不是按照传统过程监测方法的思路对采样数据实施特征分析提取，而是直接将各个采样时刻的测量值转换成Kiviat图的绘点坐标，再通过中心点坐标的变化来反映流程工业过程的运行状态。正是由于本发明方法不涉及特征学习与数据重构，没有预先需要主观设定的参数，不存在传统方法因保留少了特征而导致的欠拟合问题，也不会出现传统方法因保留多了特征而导致的过拟合问题。因此，本发明方法是一种更为优选的流程工业过程监测方法。

公开(公告)号：CN111914477B

公开(公告)日：2022-04-19

申请号：CN202010630153.X

申请日：2020-06-23

申请人： 宁波大学

发明人： 葛英辉 ,  朱莹 ,  其他发明人请求不公开姓名

IPC分类号： G06F30/27 ,  G06N3/08 ,  G06N3/04

摘要： 本发明公开一种基于SAE的脱丁烷塔底部产品丁烷浓度实时监测方法，旨在解决如何避免信息丢失的情况下利用SAE逐层提取丁烷塔过程测量数据的非线性特征，并充分有效利用这些非线性特征对塔底部产品的丁烷浓度进行在线软测量问题。首先，本发明方法在训练模型时，各层自编码器的输入都使用了原过程数据，因此在特征提取的过程中避免了输入数据的信息丢失问题。其次，本发明方法将各层神经网络的隐层输出向量做为单层神经网络的输入，从而较全面的利用到了SAE提取的非线性特征。与传统方法相比，本发明方法在线监测脱丁烷塔底部产品丁烷浓度时，其实时软测量精度是能得到保障的。

公开(公告)号：CN111694328B

公开(公告)日：2022-03-18

申请号：CN201910229752.8

申请日：2019-03-12

申请人： 宁波大学

发明人： 唐俊苗 ,  童楚东 ,  朱莹

IPC分类号： G05B19/418

摘要： 本发明公开一种基于多块独立成分分析算法的分布式过程监测方法，旨在提出一种新颖的多块独立成分分析算法，并利用该算法实施分布式的非高斯过程监测，从而可在建模的过程中同时考虑各子块的独特性与子块之间的整体性。本发明方法在实施多块建模的过程中，不是简单地为各个子块提取得分向量，而是从整体至局部子块，再由局部子块至整体的相互交错的逐个提取策略。因此，本发明方法提出的这种新颖的多块独立成分分析算法不仅考虑了各子块的独特性，而且还考虑到了全局的整体性。因此，本发明方法是一种全新的分布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非高斯过程监测方法。

公开(公告)号：CN109542974B

公开(公告)日：2021-05-04

申请号：CN201811577430.4

申请日：2018-12-13

申请人： 宁波大学

发明人： 来赟冬 ,  童楚东 ,  朱莹

IPC分类号： G06F16/26 ,  G06F17/18 ,  G06F17/16

摘要： 本发明公开一种基于非线性动态成分分析的动态过程监测方法，旨在推理出一种全新的非线性动态成分分析算法，以挖掘出训练数据中的非线性自相关特征，并利用该算法建立故障检测模型实施动态过程监测。本发明方法借鉴核学习技巧，推理出了一种全新的非线性动态成分分析算法，该算法在挖掘潜在特征成分时考虑了非线性自相关性问题。因此，本发明方法挖掘出的潜在特征成分是在非线性的动态成分，在此基础上实施的动态过程监测是一种全新的非线性动态过程监测技术方案。

公开(公告)号：CN108181894B

公开(公告)日：2020-11-24

申请号：CN201711456608.5

申请日：2017-12-15

申请人： 宁波大学

发明人： 孟生军 ,  童楚东 ,  朱莹

IPC分类号： G05B23/02

摘要： 本发明公开一种基于修剪独立元回归策略的非高斯过程监测方法，旨在将非高斯独立元成分转换为高斯分布的误差信息，从而加强距离型监测指标对正常数据可允许变动范围描述的精确性。具体来讲，本发明方法在已建立的修正型独立元分析(MICA)模型基础上，通过假设缺失数据的技术手段利用修剪后的独立元回归估计出MICA模型的独立元成分，最后利用独立元的估计误差建立平方马氏距离实施在线故障检测。受益于误差的高斯分布特性，本发明方法利用平方马氏距离统计指标所定义的正常数据允许变化区域不会出现稀疏或“空洞”现象，因此，本发明方法能显著提升MICA模型用于非高斯过程监测的故障检测能力，是一种更为优选的非高斯过程监测方法。

公开(公告)号：CN108469805B

公开(公告)日：2020-10-23

申请号：CN201810233508.4

申请日：2018-03-06

申请人： 宁波大学

发明人： 童楚东 ,  俞海珍 ,  朱莹

IPC分类号： G05B23/02

摘要： 本发明公开一种基于动态性最优选择的分散式动态过程监测方法，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，然后利用遗传算法最优选择对应于各个测量变量的动态性特征，最后利用回归模型的预测误差实施对动态过程的在线监测。相比于传统方法，本发明方法首先单独地为每个测量变量最优的挑选出了动态性特征。其次，本发明方法只模型预测误差实施过程监测，而误差是回归模型中剔除了自相关性与交叉相关性后的结果，通过这种思路巧妙地避免了动态过程监测中自相关性问题。再者，本发明方法给出的监测结果更单一而不会因多个统计指标组合出现多种过程监测结果。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：CN107168063B

公开(公告)日：2020-06-16

申请号：CN201710427228.2

申请日：2017-05-26

申请人： 宁波大学

发明人： 石立康 ,  童楚东 ,  朱莹

IPC分类号： G05B13/04

摘要： 本发明公开一种基于集成变量选择型偏最小二乘回归的软测量方法，该方法同时建立了三个不同的变量选择型PLSR软测量模型，并通过加权的方式集成得到输出估计值。在线实施软测量时不拘泥于单个的变量加权型PLSR模型，而是采用多个软测量模型集成的方式，巧妙地避免了确定哪种变量选择型PLSR方法最适合为当前数据建立软测量模型这一难题。此外，本发明通过PLSR算法计算出来的回归系数向量来对各模型输出估计值进行适当加权，不仅不需要反复验证某个变量选择方法的适用性，而且还可以进一步地提高软测量模型的精度。可以说，本发明方法是在已有工作的基础上，利用集成建模思路有效地提升变量选择型PLSR方法用于软测量建模的适用性。

公开(公告)号：CN107153409B

公开(公告)日：2019-08-16

申请号：CN201710446398.5

申请日：2017-06-02

申请人： 宁波大学

发明人： 石立康 ,  朱莹 ,  童楚东

IPC分类号： G05B19/418

CPC分类号： Y02P90/02

摘要： 本发明公开一种基于缺失变量建模思路的非高斯过程监测方法，旨在利用缺失变量的建模思路将非高斯分布的数据转换成高斯分布的数据后，从而对非高斯过程实施更可靠的故障检测。具体来讲，本发明方法首先在传统独立成分分析(ICA)模型的基础上，通过逐一假设各个测量变量缺失数据后估计出相应的独立成分。然后，以独立成分实际值与估计值之间的误差做为被监测对象。虽然，本发明方法针对的是非高斯过程的采样数据，但是独立成分的估计误差一般服从高斯分布。从这点上看，本发明方法是通过缺失变量的建模思路将非高斯过程采样数据巧妙的转换成了高斯分布的误差数据。此外，本发明方法建立了多个故障检测模型，还能发挥了多模型泛化能力强的优势。