申请/专利权人：中南大学

申请日：2023-01-09

公开（公告）日：2024-06-21

公开（公告）号：CN116125923B

主分类号：G05B19/418

分类号：G05B19/418

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2023.06.02#实质审查的生效;2023.05.16#公开

摘要：本发明公开了一种基于混合变量字典学习的混杂工业过程监测方法和系统，方法：获取混杂工业过程混合变量的历史监测数据构建训练数据集；构建离散字典以获得离散数据集的标签矩阵；采用LC‑KSVD方法构建优化问题，求解连续字典、线性变换矩阵、分类器参数和稀疏编码；计算每个样本的连续变量数据和离散变量数据的重构误差，及重构阈值；在线获取实时监测数据，根据连续字典计算其连续变量的稀疏编码，并计算连续变量和离散变量的重构误差；将两种变量数据的重构误差分别与对应阈值比较，判断两类变量各自是否出现数据异常，判断混杂工业过程当前状况。在缺乏先验知识导致数据的分布情况未知时，本发明仍能更全面地识别出工业过程各种故障。

主权项：1.一种基于混合变量字典学习的混杂工业过程监测方法，其特征在于，包括：步骤1，获取混杂工业过程混合变量的历史监测数据构建训练数据集Y∈RN×M；其中，N为混合变量的总个数，M为训练数据集包括的样本数量；所述混合变量基于数据类型包括NC个连续变量和ND个离散变量，由NC个连续变量的历史监测数据组成连续数据集YC，由ND个离散变量的历史监测数据组成离散数据集YD；步骤2，构建完备的离散字典φD，并根据离散字典φD获得离散数据集YD的标签矩阵H；步骤3，采用LC-KSVD方法构建如下优化问题2，并求解其中的连续字典φC、线性变换矩阵A、分类器参数W和连续数据集YC对应的稀疏编码矩阵X： 式中，Q为稀疏编码判决矩阵，α和β为控制系数，i表示稀疏编码矩阵X的列数编号，xi表示稀疏编码矩阵X的第i列向量，T为字典稀疏度；步骤4，对于每个样本的连续变量数据YC,j，计算其重构误差RC,j；对于每个样本的离散变量数据YD,j，通过共享稀疏编码xj并利用分类器模型估计其标签向量hj，再根据标签向量hj和离散字典φD计算其重构数据YDre,j及重构误差RD,j；并采用核密度估计算法计算连续变量的重构阈值RCtr和离散变量的重构阈值RDtr；步骤5，在线获取混杂工业过程混合变量的实时监测数据ynew，根据连续字典φC计算其连续变量数据yCnew的稀疏编码xnew；以及按步骤4相同方法，计算其连续变量数据yCnew的重构误差RCnew和离散变量数据yDnew的重构误差RDnew；步骤6，将实时监测数据的重构误差RCnew、RDnew，分别与对应变量的重构阈值RCtr、RDtr进行比较，判断连续变量和连续变量各自是否出现数据异常，进而判断混杂工业过程当前状况。

全文数据：

权利要求：

百度查询： 中南大学 基于混合变量字典学习的混杂工业过程监测方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD