-
公开(公告)号：CN105700358A
公开(公告)日：2016-06-22
申请号：CN201610144819.4
申请日：2016-03-14
Applicant: 华中科技大学
IPC: G05B13/04
CPC classification number: G05B13/042
Abstract: 本发明公开了一种带漂移干扰的模型预测控制器的建模质量监控方法,包括如下步骤：建立闭环控制系统的干扰模型；根据闭环控制系统的实际情况以及给定的控制目标，设计过程的动态模型MPC控制器；采用干扰模型及MPC控制器控制闭环控制系统，并采集闭环控制系统运行所得的过程数据；根据闭环控制系统结构，对过程输出及过程输入数据进行正交投影，获得过程估计干扰更新；根据闭环控制系统既定参考信号和过程实际输出，获取闭环控制系统的实际跟踪误差；根据所述过程估计干扰更新与所述实际跟踪误差，获得闭环控制系统的模型质量指标；根据闭环控制系统结构，利用所述模型质量指标对建模质量进行监控；具有可行性高，处理消耗资源少，评价结果准确度高的特点。
-
公开(公告)号：CN112329191B
公开(公告)日：2024-07-16
申请号：CN201910716943.7
申请日：2019-08-05
Applicant: 华中科技大学
IPC: G06F30/20 , G06F119/14
Abstract: 本发明涉及一种多模态过程中模态辨识方法和过渡模态故障检测方法，辨识方法包括：基于慢特征分析法得到待辨识多模态过程数据集的最慢特征；从最慢特征中确定每个稳定模态的确定时间范围及其对应的数据，并采用KDE法，确定该稳定模态的数据阈值以进行稳定模态辨识。检测方法包括：基于慢特征分析法，得到待检测过渡模态数据集对应的慢特征及投影矩阵；基于过渡模态得到对应的多个子伪标准数据集并分别投影到所述投影矩阵，基于得到的多个慢特征计算每个采样时刻所有检验统计值，采用KDE法计算该采样时刻的数据阈值以进行故障判定。本发明基于慢特征分析，从整个轨迹的角度，考虑系统内部时变的动力学特征，有效提高稳定模态和过渡模态的辨识精度。
-
公开(公告)号：CN110221590B
公开(公告)日：2021-06-11
申请号：CN201910414579.9
申请日：2019-05-17
Applicant: 华中科技大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于判别分析的工业过程多故障诊断方法，包括：基于工业过程的正常样本集，确定该工业过程故障样本并建立故障样本集；利用改进的Fisher判别分析提取故障样本每个变量的特征属性；特征属性反映该变量偏离正常分布的程度，以特征属性大小为重构顺序，依次进行多维度重构，直到重构后监测统计量小于控制限。本发明通过多维重构，确定全部故障变量，并通过特征属性大小区分主要故障变量、次要过程变量；并且多维度重构方法不受变量间“污染”效应，适用于复杂的多故障情形下的故障，因此，本发明能够在复杂的多故障情形下进行故障诊断，克服了传统单维重构的“污染”效应，同时诊断结果能够提供有关故障变量主次的故障信息。
-
Patent Agency Ranking
公开(公告)号：CN112329191A
公开(公告)日：2021-02-05
申请号：CN201910716943.7
申请日：2019-08-05
Applicant: 华中科技大学
IPC: G06F30/20 , G06F119/14
Abstract: 本发明涉及一种多模态过程中模态辨识方法和过渡模态故障检测方法，辨识方法包括：基于慢特征分析法得到待辨识多模态过程数据集的最慢特征；从最慢特征中确定每个稳定模态的确定时间范围及其对应的数据，并采用KDE法，确定该稳定模态的数据阈值以进行稳定模态辨识。检测方法包括：基于慢特征分析法，得到待检测过渡模态数据集对应的慢特征及投影矩阵；基于过渡模态得到对应的多个子伪标准数据集并分别投影到所述投影矩阵，基于得到的多个慢特征计算每个采样时刻所有检验统计值，采用KDE法计算该采样时刻的数据阈值以进行故障判定。本发明基于慢特征分析，从整个轨迹的角度，考虑系统内部时变的动力学特征，有效提高稳定模态和过渡模态的辨识精度。
-
公开(公告)号：CN111176155A
公开(公告)日：2020-05-19
申请号：CN201911328557.7
申请日：2019-12-20
Applicant: 华中科技大学
IPC: G05B19/042
Abstract: 本发明属于模型预测控制监控领域，具体公开了一种闭环模型预测控制系统的过程模型失配检测方法，包括：基于闭环模型预测控制系统的输入数据和输出数据以及控制系统内的各传递函数，计算该控制系统的系统残差值和干扰更新序列；计算系统残差值和干扰更新序列的方差比值，作为控制系统中的实际过程模型的质量指标值，基于该指标值判断是否存在模型失配，若模型失配则采用子空间辨识法辨识控制系统的所有子空间矩阵；对状态变量对应的子空间矩阵进行奇异值分解，并计算分解得到的最大、最小奇异值的比值，基于该比值判断实际过程模型是否失配。本发明仅利用输入输出数据即可从多种影响控制性能的因素中有效检测并分辨出实际失配的模型，高效且可靠。
-
公开(公告)号：CN110543153A
公开(公告)日：2019-12-06
申请号：CN201910769599.8
申请日：2019-08-20
Applicant: 华中科技大学
IPC: G05B19/418
Abstract: 本发明公开了一种多工况工业过程的过渡工况故障检测方法，属于工业制造过程的过渡工况监控领域，该方法包括：对一组正常过渡工况数据进行带权非对称整定；计算原始数据与整定后工况数据的带权开放尾端DTW距离；将DTW距离投影到整定后工况数据的持续时间长度上；将各点被投影匹配的计次作为一个监控指标，将补缺和去重后各点的DTW距离变化率作为另一个监控指标；将各组原始数据获得的监控指标上限作为控制限；对待测数据以同样步骤获得两个指标并对比各自的控制限，即可实现故障检测。本发明能适应动态过程复杂、耗时不同的过渡工况，兼具准确和灵敏的优点，对常见的调节过多、调节过少、转换过快、转换过慢等问题均能实现检测。
-
公开(公告)号：CN110221590A
公开(公告)日：2019-09-10
申请号：CN201910414579.9
申请日：2019-05-17
Applicant: 华中科技大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于判别分析的工业过程多故障诊断方法，包括：基于工业过程的正常样本集，确定该工业过程故障样本并建立故障样本集；利用改进的Fisher判别分析提取故障样本每个变量的特征属性；特征属性反映该变量偏离正常分布的程度，以特征属性大小为重构顺序，依次进行多维度重构，直到重构后监测统计量小于控制限。本发明通过多维重构，确定全部故障变量，并通过特征属性大小区分主要故障变量、次要过程变量；并且多维度重构方法不受变量间“污染”效应，适用于复杂的多故障情形下的故障，因此，本发明能够在复杂的多故障情形下进行故障诊断，克服了传统单维重构的“污染”效应，同时诊断结果能够提供有关故障变量主次的故障信息。
-
公开(公告)号：CN110033021A
公开(公告)日：2019-07-19
申请号：CN201910172832.4
申请日：2019-03-07
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于一维多路卷积神经网络的故障分类方法，属于工业过程监控技术领域。该方法对传统的二维卷积神经网络做出改进，沿变量方向运用多路并列的一维卷积神经网络，对各变量之间的互相关性进行解构，独立地对各变量进行卷积、池化而提取时序特征信息，所提取的特征更加多样化，鲁棒性更高，克服了传统二维卷积神经网络对输入数据中变量先验排列次序的敏感，更加适用于复杂、高阶的工业过程数据；实验表明，采用本发明提供的基于一维多路卷积神经网络训练得到的故障分类模型，可有效地进行工业过程数据的故障分类，相比常用模型具有更高的泛化能力。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.032 seconds)
