-
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：CN107817784A
公开(公告)日：2018-03-20
申请号：CN201711013418.6
申请日：2017-10-26
Applicant: 东北大学
IPC: G05B23/02
CPC classification number: G05B23/0243 , G05B2219/24065
Abstract: 本发明提供一种基于并发偏最小二乘的过程故障检测方法，包括利用基于并发偏最小二乘的青霉素发酵过程故障检测模型处理输入变量数据和输出变量数据；计算输入变量数据在完全输出相关空间中的霍特林统计量、输出不相关空间的主元空间中的霍特林统计量及残差空间中的SPE统计量、输出变量数据在输入不相关空间的主元空间中的霍特林统计量和残差空间中的SPE统计量；计算组合统计量；进行过程故障判断。本发明方法利用正交偏最小二乘提取输入变量数据的输出相关信息，降低了计算负载数目，利用完全正交分解彻底地分离输出相关信息和输出不相关信息，准确地检测故障、清晰地识别故障是否与输出相关，从而更好的操作设备来降低成本、提高产量和质量。
-
公开(公告)号：CN104914847B
公开(公告)日：2017-06-16
申请号：CN201510166290.1
申请日：2015-04-09
Applicant: 东北大学
IPC: G05B23/02
Abstract: 本发明涉及基于方向核偏最小二乘的工业过程故障诊断方法，该方法获取易出故障的工业过程的输入变量和输出变量的历史正常数据，对该历史正常数据进行基于方向核偏最小二乘运算，计算历史正常数据的霍特林统计量的控制限和历史正常数据的平方预测误差的控制限，采集工业过程的输入变量的采样数据，对该采样数据进行基于方向核偏最小二乘运算，得到采样数据的过程监测统计量和采样数据的平方预测误差，当采样数据的过程监测统计量控制限或者采样数据的平方预测误差超出控制限，则该采样数据中具有一种故障，获取已知故障类型的历史故障数据，对已知故障类型的历史故障数据进行基于霍特林统计量重构和基于平方预测误差重构，判断采样数据的故障类型。
-
Patent Agency Ranking
公开(公告)号：CN104914847A
公开(公告)日：2015-09-16
申请号：CN201510166290.1
申请日：2015-04-09
Applicant: 东北大学
IPC: G05B23/02
CPC classification number: G05B23/0243
Abstract: 本发明涉及基于方向核偏最小二乘的工业过程故障诊断方法，该方法获取易出故障的工业过程的输入变量和输出变量的历史正常数据，对该历史正常数据进行基于方向核偏最小二乘运算，计算历史正常数据的霍特林统计量的控制限和历史正常数据的平方预测误差的控制限，采集工业过程的输入变量的采样数据，对该采样数据进行基于方向核偏最小二乘运算，得到采样数据的过程监测统计量和采样数据的平方预测误差，当采样数据的过程监测统计量控制限或者采样数据的平方预测误差超出控制限，则该采样数据中具有一种故障，获取已知故障类型的历史故障数据，对已知故障类型的历史故障数据进行基于霍特林统计量重构和基于平方预测误差重构，判断采样数据的故障类型。
-
公开(公告)号：CN109901553B
公开(公告)日：2020-09-01
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：CN104133991B
公开(公告)日：2017-01-04
申请号：CN201410337732.X
申请日：2014-07-15
Applicant: 东北大学
IPC: G06F19/00
Abstract: 本发明提供一种基于核偏最小二乘重构的青霉素发酵过程故障诊断方法，包括：采集青霉素发酵过程的离线历史正常数据；分别对青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程状态变量离线历史正常数据集进行规范及标准化；利用改进的核偏最小二乘方法建立青霉素发酵过程的故障监测模型；在线监测青霉素发酵过程的故障；建立基于改进的核偏最小二乘重构的青霉素发酵过程故障相关方向模型；进行青霉素发酵过程故障诊断。本发明将输入空间划分为：与输出直接相关的主元空间，与输出无关的主元空间以及与输出无关的残差空间。与传统方法相比，既监测到了和输出相关的输入变量，又精确的监测到和输入相关的变量。
-
公开(公告)号：CN107817784B
公开(公告)日：2019-07-23
申请号：CN201711013418.6
申请日：2017-10-26
Applicant: 东北大学
IPC: G05B23/02
CPC classification number: G05B23/0243 , G05B2219/24065
Abstract: 本发明提供一种基于并发偏最小二乘的过程故障检测方法，包括利用基于并发偏最小二乘的青霉素发酵过程故障检测模型处理输入变量数据和输出变量数据；计算输入变量数据在完全输出相关空间中的霍特林统计量、输出不相关空间的主元空间中的霍特林统计量及残差空间中的SPE统计量、输出变量数据在输入不相关空间的主元空间中的霍特林统计量和残差空间中的SPE统计量；计算组合统计量；进行过程故障判断。本发明方法利用正交偏最小二乘提取输入变量数据的输出相关信息，降低了计算负载数目，利用完全正交分解彻底地分离输出相关信息和输出不相关信息，准确地检测故障、清晰地识别故障是否与输出相关，从而更好的操作设备来降低成本、提高产量和质量。
-
公开(公告)号：CN104133991A
公开(公告)日：2014-11-05
申请号：CN201410337732.X
申请日：2014-07-15
Applicant: 东北大学
IPC: G06F19/00
Abstract: 本发明提供一种基于核偏最小二乘重构的青霉素发酵过程故障诊断方法，包括：采集青霉素发酵过程的离线历史正常数据；分别对青霉素发酵过程操作变量离线历史正常数据集和青霉素发酵过程状态变量离线历史正常数据集进行规范及标准化；利用改进的核偏最小二乘方法建立青霉素发酵过程的故障监测模型；在线监测青霉素发酵过程的故障；建立基于改进的核偏最小二乘重构的青霉素发酵过程故障相关方向模型；进行青霉素发酵过程故障诊断。本发明将输入空间划分为：与输出直接相关的主元空间，与输出无关的主元空间以及与输出无关的残差空间。与传统方法相比，既监测到了和输出相关的输入变量，又精确的监测到和输入相关的变量。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
