-
公开(公告)号：CN107831743B
公开(公告)日：2019-12-10
申请号：CN201711061648.X
申请日：2017-10-31
Applicant: 东北大学
IPC: G05B19/418
Abstract: 本发明提供一种基于可信软标签线性判别分析的工业过程故障诊断方法，涉及故障检测与诊断技术领域。该方法首先采集工业过程的数据；其次对原始数据进行正标记，并对正标记数据进行正标签传播，根据正标签传播结果对原始数据进行正负标签协同传播，使未标记数据获得软标签；然后采用可信的软标签线性判别分析算法计算将高维原始数据投影到低维空间的投影矩阵；最后设计分类器，对工业过程进行在线故障诊断。本发明提供的基于可信软标签线性判别分析的工业过程故障诊断方法，解决了软标签获取时易产生的误分类以及软标记数据使用不当的问题，降低了故障检测中的误报警率，提高了故障检测的准确性。
-
公开(公告)号：CN107092923B
公开(公告)日：2019-10-11
申请号：CN201710172013.0
申请日：2017-03-22
Applicant: 东北大学
Abstract: 本发明提供一种基于改进监督核局部线性嵌入法的电熔镁炉过程监测方法，涉及故障监测与诊断技术领域。该方法使用核函数将样本数据X映射到高维特征空间Φ(X)；通过MKSLLE(Modified supervised kernel locally linear embedding)算法选取k个近邻点，并在构造重构权值矩阵时加入了正则项；对结合KPCA的全局保持特征及自身的局部保持特征组成的目标函数进行维数约减，通过近似计算得到高维数据空间到低维特征空间的映射矩阵和系数矩阵；构造Hotelling T2统计量和SPE统计量并确定其控制限。本发明能对电熔镁炉工作过程中的异常和故障进行实时在线监测，有效提高故障监测的准确性，降低误报和漏报现象的发生，避免财产损失，保障工作人员的人生安全。
-
公开(公告)号：CN110083860A
公开(公告)日：2019-08-02
申请号：CN201910189841.4
申请日：2019-03-13
Applicant: 东北大学
Abstract: 本发明涉及故障监测与诊断技术领域，提供一种基于相关变量选择的工业故障诊断方法，首先采集正常工况样本和每种工业故障的故障工况样本，然后根据正常工况样本建立PCA监测模型，再基于LASSO算法，同时考虑正常工况数据与故障工况数据以及从正常工况数据到故障工况数据的相对变化来建立每种工业故障的故障相关变量选择模型，通过结合故障重构思想的修正的LARS算法求解模型以精准地选择出每种故障的相关变量，接着基于故障子空间的思想建立每个子空间的PCA监测模型，最后实时采集工业生产样本并对工业故障进行在线实时检测与诊断。本发明能够在检测出工业故障的同时对故障类型进行诊断，提高工业故障诊断的效率及准确性。
-
公开(公告)号：CN109901553A
公开(公告)日：2019-06-18
申请号：CN201910189221.0
申请日：2019-03-13
Applicant: 东北大学
IPC: G05B23/02
Abstract: 本发明属于故障监测与诊断技术领域，提出了一种基于多视角的异构工业大数据协同建模过程故障监测方法，包括：1)采集工业生产过程的图像数据；2)根据具体的工业生产选择合适的相似性函数；3)计算每个视角的判别信息学习项；4)构造优化函数并求解得到优投影矩阵Wk，特征空间重构矩阵Pk和特征空间中的特征向量T；5)通过SVM分类器对提取的新数据的特征进行在线故障监测和诊断。本发明采用全监督的学习方式，通过对每个工业数据的各个视角的数据进行统一建模，挖掘各个视角数据的内在一致性与联系性，避免了单一数据建模在故障诊断出现的偶然性与不确定性，提高了故障诊断准确率，降低了误报率。
-
公开(公告)号：CN109885030A
公开(公告)日：2019-06-14
申请号：CN201910189822.1
申请日：2019-03-13
Applicant: 东北大学
IPC: G05B23/02
Abstract: 本发明提出基于协同建模流形降维的氧化镁冶炼过程故障监测方法，包括：采集历史数据；建立邻接图矩阵；将灰度矩阵变换为投影向量，并扩展投影向量，构建目标函数，利用流形降维的方法求得目标函数中的投影向量；基于投影向量，计算灰度矩阵、降维后的向量，利用支持向量机算法对降维后的向量进行建模；利用基于历史数据的支持向量机模型，进行故障诊断，如果某测试数据被分到故障类别，那么有故障发生；本发明主要解决异构数据建模的问题，利用此方法进行的过程监测结果表明，该方法不仅能大大降低误报警，还提高了故障检测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN107065828B
公开(公告)日：2019-05-21
申请号：CN201710183557.7
申请日：2017-03-24
Applicant: 东北大学
IPC: G05B23/02
Abstract: 本发明提出一种基于知识数据的半监督核判别分析故障诊断方法，该方法采集电熔煤炉熔炼过程历史工况数据，并对历史工况数据进行预处理，得到样本数据集X，将样本数据集X映射到特征空间，得到历史工况数据的特征空间数据集XΦ，根据历史工况数据的特征空间数据集XΦ建立基于知识数据的半监督核判别分析故障诊断模型；实时采集电熔镁炉熔炼过程的测试数据xnew，采用基于知识数据的半监督核判别分析故障诊断模型对测试样本数据xnew进行故障类型诊断；该方法利用知识经验对类内离散度和类间离散度进行改进充分挖掘和利用标记样本和未标记样本特征信息建立故障诊断模型，对分类器进行了改进，提高了分类的精度，同时对样本的错分率及样本分离度等验证标准都有所改进。
-
公开(公告)号：CN108038493A
公开(公告)日：2018-05-15
申请号：CN201711188839.2
申请日：2017-11-24
Applicant: 东北大学
CPC classification number: G06K9/6269 , G06F17/16 , G06F17/18 , G06K9/6232 , G06K9/6256 , G06K9/6276
Abstract: 本发明提供一种基于回归智能判别嵌入的工业大数据过程故障监测方法，涉及故障监测与诊断技术领域。该方法首先采集工业过程中的数据，建立基于图理论的采样数据的各类图矩阵，构造非线性低维嵌入子空间，对原始数据空间做线性投影变换，然后构造优化函数并求解，构建在线特征提取公式，对工业生产过程采集的新数据进行特征提取，通过两个SVM分类器对提取的新数据的特征进行故障监测和诊断。本发明在半监督判别嵌入的基础上，结合半监督灵活流形嵌入的特点，可以在传统数据与多媒体流数据统一建模的情况下，对非线性与时变性的数据进行有效的特征提取，提高故障检测的准确率，以达到故障监测和诊断的目的。
-
公开(公告)号：CN107423460A
公开(公告)日：2017-12-01
申请号：CN201710186987.4
申请日：2017-03-27
Applicant: 东北大学
IPC: G06F17/50
Abstract: 本发明提供一种提高电熔镁熔坨结晶质量的数值模拟方法，涉及电熔镁产品质量优化技术领域。该方法首先建立一个将宏观传热、微观形核与生长动力学相耦合的宏微观统一模型，然后利用PROCAST软件对电熔镁冷却凝固过程中的温度场以及微观组织进行数值模拟，进而对熔坨整体温度场变化以及晶粒生长过程进行可视化处理和结果分析讨论，分析过冷度对电熔镁熔坨微观组织的影响趋势。本发明对电熔镁坨冷却凝固过程中的热交换以及微观组织形成过程进行数学物理建模与数值模拟，通过对换热条件等参数的控制，在其凝固规律之上，了解和控制其组织形成，为生产高品位方镁石做准备，有效减少实验次数，节省人力、物力，从而提高实际生产中方镁石产品的质量。
-
公开(公告)号：CN104914854B
公开(公告)日：2017-05-10
申请号：CN201510290378.4
申请日：2015-05-29
Applicant: 东北大学
IPC: G05B23/02
Abstract: 本发明涉及一种基于KPCA的工业过程故障诊断方法，对工业生产过程的历史正常数据利用KPCA方法提取出主元子空间的负载方向和残差子空间的负载方向，对已知故障的历史故障数据利用KPCA方法提取出主元子空间的负载方向和残差子空间的负载方向，对已知故障类型的历史故障数据进行基于T2统计量重构和基于SPE统计量重构，提取出历史故障数据针对T2统计量重构的故障特征方向和针对SPE统计量重构的故障特征方向，得到重构故障特征方向集合，实时采集工业生产过程的新数据，利用KPCA方法计算新数据的T2统计量和SPE统计量，判断实时采集的工业生产过程是否发生故障，利用重构故障特征方向集合对新数据进行故障方向重构，判断当前的工业生产过程的故障类型。
-
公开(公告)号：CN105278526A
公开(公告)日：2016-01-27
申请号：CN201510816035.7
申请日：2015-11-19
Applicant: 东北大学
IPC: G05B23/02
CPC classification number: G05B23/0281 , G05B23/0275 , G05B2219/24033
Abstract: 本发明公开一种基于正则化架构的工业过程故障分离方法，属于工业过程监测技术领域。该方法包括：采集工业过程样本数据并进行滤波处理后得到包含标记样本的可用样本数据集；建立具有局部正则项和全局正则项的工业过程故障分离目标函数；利用含有标记样本的可用样本数据集，求解工业过程故障分离目标函数的最优解；根据最优解，得到预测类标签矩阵，从而确定过程的故障信息；该方法利用局部正则项可以使最优解性质理想的特点，利用全局检测正则项来加以修正局部正则项可能导致故障分离精度不高的问题。实验表明该方法不仅是可行的，并且其故障分离精度很高，且可以挖掘标记样本数据的潜在信息，提高故障分离模型的泛化能力、综合性能和精确性。
-
-
-
-
-
-
-
-
-
Search Results
150
records
(took 0.024 seconds)
