-
公开(公告)号：CN112184037A
公开(公告)日：2021-01-05
申请号：CN202011065955.7
申请日：2020-09-30
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于加权SVDD的多模态过程故障检测方法，属于工业制造过程的多模态监控技术领域，包括：获取不同模态的正常数据，组成初始数据集X，并利用长度为w的滑动窗口在X上滑动，得到窗口数据序列；计算各窗口数据的统计量作为样本，分别计算各样本的局部可达密度比，作为对应的权重因子，利用加权SVDD算法建立超球体模型，优化计算得到拉格朗日因子αi，超球体的中心a和半径R；局部可达密度比为局部可达密度归一化之后的值；计算待检测的检测窗口数据Xon的统计量，作为待检测样本；根据αi计算待检测样本到a的距离DIST；若DIST＞R，则判定系统发生故障；若DIST≤R，则判定系统正常。本发明能够提高多模态过程故障检测过程的准确度和灵敏度。
-
公开(公告)号：CN109062189B
公开(公告)日：2020-06-30
申请号：CN201811008835.6
申请日：2018-08-30
Applicant: 华中科技大学
IPC: G05B23/02
Abstract: 本发明公开了一种用于复杂故障的工业过程故障诊断方法，包括：采集正常模式下的样本数据并建立故障监控模型；使用极大似然估计求解参数，得到变量i的概率密度函数；采集待诊断的样本并计算统计量；当检测到故障发生时，计算每一个变量的偏差因子，并训练出偏差因子的条件概率密度函数，由此计算出后验概率；选取后验概率最高的变量进行多维重构，找出故障变量。本发明计算量小，可以准确在复杂故障下进行工业过程故障诊断。对工业过程结果显著，有效针对小故障、多变量同时故障、变量维度过高等复杂故障问题。
-
公开(公告)号：CN112184037B
公开(公告)日：2022-11-11
申请号：CN202011065955.7
申请日：2020-09-30
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于加权SVDD的多模态过程故障检测方法，属于工业制造过程的多模态监控技术领域，包括：获取不同模态的正常数据，组成初始数据集X，并利用长度为w的滑动窗口在X上滑动，得到窗口数据序列；计算各窗口数据的统计量作为样本，分别计算各样本的局部可达密度比，作为对应的权重因子，利用加权SVDD算法建立超球体模型，优化计算得到拉格朗日因子αi，超球体的中心a和半径R；局部可达密度比为局部可达密度归一化之后的值；计算待检测的检测窗口数据Xon的统计量，作为待检测样本；根据αi计算待检测样本到a的距离DIST；若DIST＞R，则判定系统发生故障；若DIST≤R，则判定系统正常。本发明能够提高多模态过程故障检测过程的准确度和灵敏度。
-
公开(公告)号：CN110033021B
公开(公告)日：2021-04-06
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。
-
公开(公告)号：CN110543153B
公开(公告)日：2020-11-17
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。
-
Patent Agency Ranking
公开(公告)号：CN110161425B
公开(公告)日：2020-05-19
申请号：CN201910416850.2
申请日：2019-05-20
Applicant: 华中科技大学
IPC: G01R31/392
Abstract: 本发明公开了一种基于锂电池退化阶段划分的剩余使用寿命的预测方法，包括：根据训练集的健康指标和电池容量值间的关系，建立容量预测模型；预测测试集的容量值；将训练集和测试集的容量值划分为3个阶段，并建立分类模型；根据第三阶段的健康指标和对应的剩余使用寿命建立RUL预测模型；采集待预测剩余使用寿命样本的健康指标，获取预测容量值；将预测容量值输入分类模型获得样本类别；若其处于第三阶段，则将样本的健康指标输入RUL预测模型获得剩余使用寿命的预测值。本发明根据分类模型和RUL预测模型准确预测处于第三阶段的电池剩余使用寿命，也只预测第三阶段的电池剩余使用寿命，使本发明的计算量较小。
-
公开(公告)号：CN110161425A
公开(公告)日：2019-08-23
申请号：CN201910416850.2
申请日：2019-05-20
Applicant: 华中科技大学
IPC: G01R31/392
Abstract: 本发明公开了一种基于锂电池退化阶段划分的剩余使用寿命的预测方法，包括：根据训练集的健康指标和电池容量值间的关系，建立容量预测模型；预测测试集的容量值；将训练集和测试集的容量值划分为3个阶段，并建立分类模型；根据第三阶段的健康指标和对应的剩余使用寿命建立RUL预测模型；采集待预测剩余使用寿命样本的健康指标，获取预测容量值；将预测容量值输入分类模型获得样本类别；若其处于第三阶段，则将样本的健康指标输入RUL预测模型获得剩余使用寿命的预测值。本发明根据分类模型和RUL预测模型准确预测处于第三阶段的电池剩余使用寿命，也只预测第三阶段的电池剩余使用寿命，使本发明的计算量较小。
-
公开(公告)号：CN109062189A
公开(公告)日：2018-12-21
申请号：CN201811008835.6
申请日：2018-08-30
Applicant: 华中科技大学
IPC: G05B23/02
Abstract: 本发明公开了一种用于复杂故障的工业过程故障诊断方法，包括：采集正常模式下的样本数据并建立故障监控模型；使用极大似然估计求解参数，得到变量i的概率密度函数；采集待诊断的样本并计算统计量；当检测到故障发生时，计算每一个变量的偏差因子，并训练出偏差因子的条件概率密度函数，由此计算出后验概率；选取后验概率最高的变量进行多维重构，找出故障变量。本发明计算量小，可以准确在复杂故障下进行工业过程故障诊断。对工业过程结果显著，有效针对小故障、多变量同时故障、变量维度过高等复杂故障问题。
-
公开(公告)号：CN111176155B
公开(公告)日：2021-07-02
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：CN105700358B
公开(公告)日：2018-06-12
申请号：CN201610144819.4
申请日：2016-03-14
Applicant: 华中科技大学
IPC: G05B13/04
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。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.025 seconds)
