买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京科技大学

摘要：本发明公开了一种数据时空邻域特征增强的工业过程故障检测方法及装置，涉及工业过程监测技术领域。包括：获取待检测的带钢热连轧的过程数据，对过程数据进行特征增强；将特征增强后的过程数据输入到构建好的时空‑堆叠稀疏自动编码器‑规范变量分析TS‑SSAE‑CVA模型；其中，时空‑堆叠稀疏自动编码器‑规范变量分析TS‑SSAE‑CVA模型包括时空‑堆叠稀疏自动编码器TS‑SSAE子模型和规范变量分析CVA子模型；根据特征增强后的过程数据、时空‑堆叠稀疏自动编码器TS‑SSAE子模型以及规范变量分析CVA子模型，得到带钢热连轧过程故障检测结果。本发明能够解决传统的过程监测方法忽略数据时空邻域、未考虑数据动态性等导致故障检测效率不足的问题。

主权项：1.一种数据时空邻域特征增强的工业过程故障检测方法，其特征在于，所述方法包括：S1、获取待检测的带钢热连轧的过程数据，对所述过程数据进行特征增强；S2、将特征增强后的过程数据输入到构建好的时空-堆叠稀疏自动编码器-规范变量分析TS-SSAE-CVA模型；其中，所述时空-堆叠稀疏自动编码器-规范变量分析TS-SSAE-CVA模型包括时空-堆叠稀疏自动编码器TS-SSAE子模型和规范变量分析CVA子模型；S3、根据所述特征增强后的过程数据、时空-堆叠稀疏自动编码器TS-SSAE子模型以及规范变量分析CVA子模型，得到带钢热连轧过程故障检测结果；所述S2中的时空-堆叠稀疏自动编码器-规范变量分析TS-SSAE-CVA模型的构建过程包括：S21、获取带钢热连轧的训练数据；S22、对所述训练数据进行特征增强，得到特征拼接后的训练数据；S23、将所述特征拼接后的训练数据输入到构建好的时空-堆叠稀疏自动编码器TS-SSAE子模型，得到所述特征拼接后的训练数据对应的降维数据；S24、将所述降维数据输入到构建好的规范变量分析CVA子模型，得到TS-SSAE子模型的控制限以及全局统计量；所述S22中的对所述训练数据进行特征增强，得到特征拼接后的训练数据，包括：S221、对所述训练数据中的每个样本，利用k近邻算法，分别进行以时间邻域为主体的特征增强以及以空间邻域为主体的特征增强，得到每个样本的空间邻域特征增强的训练数据以及每个样本的时间邻域特征增强的训练数据；S222、对所述每个样本的空间邻域特征增强的训练数据以及每个样本的时间邻域特征增强的训练数据进行标准化，得到每个样本的标准化后的空间邻域特征增强的训练数据以及每个样本的标准化后的时间邻域特征增强的训练数据；S223、将所述每个样本分别与每个样本的标准化后的空间邻域特征增强的训练数据以及每个样本的标准化后的时间邻域特征增强的训练数据进行特征拼接，得到特征拼接后的训练数据；所述S24中的将所述降维数据输入到构建好的规范变量分析CVA子模型，得到TS-SSAE子模型的控制限以及全局统计量，包括：S241、将所述降维数据输入到构建好的规范变量分析CVA子模型，得到TS-SSAE子模型的状态子空间的局部统计量和残差子空间的局部统计量；S242、根据所述状态子空间的局部统计量、残差子空间的局部统计量以及核密度估计KDE算法，得到TS-SSAE子模型的控制限；S243、根据所述状态子空间的局部统计量、残差子空间的局部统计量以及贝叶斯推理，得到TS-SSAE子模型的全局统计量。

全文数据：

权利要求：

百度查询： 北京科技大学 数据时空邻域特征增强的工业过程故障检测方法及装置