公开(公告)号：CN109240274A

公开(公告)日：2019-01-18

申请号：CN201811308258.2

申请日：2018-11-05

Applicant: 浙江大学

Inventor： 刘妹琴 ,  吕菲亚 ,  包哲静 ,  张森林 ,  樊臻 ,  郑荣濠

IPC: G05B23/02

Abstract: 本发明公开了一种基于高阶相关性的工业过程故障诊断方法，属于工业过程监控领域，本发明所提出的方法利用栈式稀疏自编码网络从表示学习的角度无监督地获取各传感器量测数据中的高阶相关性信息，并针对获取的高阶相关性特征提出三个监测指标SRE、M2和C。分层次的学习方式使得该发明对于工业过程中微小故障或早期故障的变化的表示更为精细，也就更利于检测出此类故障的发生与否；同时，所提出的监测指标不仅可以监测过程运行是否保持在控制域内，而且对于故障类型的识别具有一定的指导性；此外，无监督的学习模式不受工业过程中样本标签不足、数据不均衡等影响。因此，本发明对于解决实际中的工业过程监控问题具有重要的现实意义。

公开(公告)号：CN109240274B

公开(公告)日：2020-04-17

申请号：CN201811308258.2

申请日：2018-11-05

Applicant: 浙江大学

Inventor： 刘妹琴 ,  吕菲亚 ,  包哲静 ,  张森林 ,  樊臻 ,  郑荣濠

IPC: G05B23/02

Abstract: 本发明公开了一种基于高阶相关性的工业过程故障诊断方法，属于工业过程监控领域，本发明所提出的方法利用栈式稀疏自编码网络从表示学习的角度无监督地获取各传感器量测数据中的高阶相关性信息，并针对获取的高阶相关性特征提出三个监测指标SRE、M2和C。分层次的学习方式使得该发明对于工业过程中微小故障或早期故障的变化的表示更为精细，也就更利于检测出此类故障的发生与否；同时，所提出的监测指标不仅可以监测过程运行是否保持在控制域内，而且对于故障类型的识别具有一定的指导性；此外，无监督的学习模式不受工业过程中样本标签不足、数据不均衡等影响。因此，本发明对于解决实际中的工业过程监控问题具有重要的现实意义。