-
公开(公告)号：CN111985103A
公开(公告)日：2020-11-24
申请号：CN202010841786.5
申请日：2020-08-20
Applicant: 江南大学
Abstract: 本发明提供基于核极限学习机的样本处理方法及系统，方法包括：识别预处理样本集中的无标记样本及有标记样本，确定无标记样本集及有标记样本集作为处理对象；基于KELM算法从所述无标记样本集中选取满足预设要求的无标记样本，构成第一子样本集；将所述第一子样本集中的样本进行标记，得到带有标记的第二子样本集，将第二子样本集加入所述有标记样本集，得到更新后的有标记样本集；若所述有标记样本集与更新后的有标记样本集的相似度满足预设要求，则基于更新后的有标记样本集进行软测量。本方案，迭代更新速度快，稳定性高，应用于复杂化工过程建模，可大大降低主动学习的运算成本，并减少人工标记代价，更有效地实现过程质量变量的软测量。
-
公开(公告)号：CN108762228B
公开(公告)日：2020-08-04
申请号：CN201810516707.6
申请日：2018-05-25
Applicant: 江南大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于分布式PCA的多工况故障监测方法，属于复杂工业过程建模和故障诊断领域。本发明针对一些复杂工业过程中数据呈多工况特性等问题，对多工况过程数据进行局部邻域标准化处理，消除数据的多分布特性；然后进行PCA分解，并在提取的不同主元方向上选择最相关的变量构建子块，实现对整个过程的自动分解，建立分布式故障监测模型，得到相应的监测统计量；最后采用贝叶斯推断方法，对所得到的各子块监测统计量进行融合，实现故障的在线监测。
-
公开(公告)号：CN107403196B
公开(公告)日：2020-05-12
申请号：CN201710632210.6
申请日：2017-07-28
Applicant: 江南大学
IPC: G06K9/62
Abstract: 本发明提供基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法，为使软测量模型在即时学习时能够进行更有效的相似样本选择，借助聚类分析构建新的相似度测度，提出了基于谱聚类分析的即时学习软测量建模方法。为获得可靠的过程阶段划分，采用了聚类稳定性和鲁棒性都较强的谱聚类，并在基于传统欧式距离相似度测度的基础上，结合聚类分析得出查询样本属于各类的后验概率，定义出一个更合适描述过程复杂特性的相似度测度，从而根据查询样本选择相似样本构建局部模型进行在线质量预报。
-
公开(公告)号：CN106156434B
公开(公告)日：2020-03-17
申请号：CN201610542544.X
申请日：2016-07-11
Applicant: 江南大学
Abstract: 本发明涉及一种基于局部时滞重构的滑动窗时间差‑高斯过程回归建模方法，适合应用于具有时滞、非线性、时变特性的化工过程。本发明所述方法能够通过滑动窗口策略逐步跟踪最新的过程时变动态，同时，在滑动窗口中采用模糊曲线分析方法对过程阶段性时滞特征进行参数提取，并用于局部模型训练样本和测试样本的时滞重构；然后采用时间差高斯过程回归(TDGPR)模型来描述局部重构滑动窗口上的变量漂移特征。本发明为工业过程提供了一种有效的实时预测和控制的技术支持手段，有利于提高产品质量，控制生产成本，规避安全隐患。
-
公开(公告)号：CN110794797A
公开(公告)日：2020-02-14
申请号：CN201911185101.X
申请日：2019-11-27
Applicant: 江南大学
IPC: G05B19/418
Abstract: 本发明公开了一种基于互信息和多块信息提取的PCA故障监测方法，包括，采集工业生产系统中数据，并将数据划分为训练集和测试集；计算训练集中变量之间的互信息值，并根据互信息值大小对变量进行分块，测试集中的变量按照训练集变量分块结果进行分块；对分块过后的每个子块分别提取特征信息，训练集的特征信息与训练集共同组成新的训练信息块，而测试集的特征信息与测试集共同组成新的测试信息块；本发明在考虑到变量之间相关性的同时，挖掘了数据的隐含信息，首先通过计算过程变量之间的互信息值，将过程变量分块，然后对每个变量块提取累计误差信息和二阶差分信息，与观测值信息共同将每个变量块扩充为三个特征信息子块。
-
Patent Agency Ranking
公开(公告)号：CN110262431A
公开(公告)日：2019-09-20
申请号：CN201910591727.4
申请日：2019-07-03
Applicant: 江南大学
IPC: G05B19/418 , C02F1/00
Abstract: 本发明公开了包括，跟踪控制；工况识别；多目标优化；其中：所述跟踪控制步骤包括：设计底层控制结构；设计动态变值跟踪控制策略；其中：所述工况识别的步骤包括：利用最小二乘支持向量机建立入水参数与能耗/罚款之间的软测量模型；以模型精度为目标，使用自适应遗传算法从多种入水参数中优选出作为识别工况依据的参考变量；本发明首先对实时工况进行识别处理，然后利用历史知识对多目标优化过程进行知识引导，得到当前优化周期的控制器最优设定值组合，最终对知识库进行更新，通过BSM1平台的仿真验证，且本方法能够实现工况的准确识别，有效利用历史最优解信息，降低了计算成本，提高了算法的收敛性，获得了更高质量的优化解。
-
公开(公告)号：CN109409415A
公开(公告)日：2019-03-01
申请号：CN201811147581.6
申请日：2018-09-29
Applicant: 江南大学
IPC: G06K9/62
Abstract: 一种基于全局信息保持的LLE算法，通过离散度保持项和全局指标的引入，优化降维后数据的全局结构特征，在降维重构的过程中，不仅考虑到样本间的差异，而且把握数据的全局代表性，利用离散度保持项约束样本之间的几何结构，同时在计算特征空间中数据间相似度和欧式距离的基础上，定义数据的全局代表性，并基于此特性为每个数据赋予全局指标，通过该指标的引入调整各个样本在降维过程中作用，提高了算法对全局信息的挖掘能力；不仅保留了原算法良好的局部信息提取能力，而且降低了对近邻样本选择的敏感度，有效地避免因为维数降低而带来的投影后样本分布密集的拥挤问题，从而可以更好的应用于高维数据的分析与处理。
-
公开(公告)号：CN109240276A
公开(公告)日：2019-01-18
申请号：CN201811330777.9
申请日：2018-11-09
Applicant: 江南大学
IPC: G05B23/02
Abstract: 基于故障敏感主元选择的多块PCA故障监测方法，本发明针对传统PCA故障监测算法中如何选取主元的问题，定义一种故障敏感系数ε作为新的主元排序准则，并基于m维变量对主元有m中排序结果，将每种排序结果划分为一个子块。在每个子块种选择故障敏感系数ε大于阈值εlim的主元进行故障监测，计算每个子块的T2统计量。再利用贝叶斯推断方法将子块的监测结果融合，获得最终的BIC监测结果。本发明一方面可以无需借助故障数据集提取主元，另一方面避免了实时建模耗费的计算资源。
-
公开(公告)号：CN108984851A
公开(公告)日：2018-12-11
申请号：CN201810652184.8
申请日：2018-06-22
Applicant: 江南大学
IPC: G06F17/50
Abstract: 本发明公开了一种带时延估计的加权高斯模型软测量建模方法，属于复杂工业过程建模和软测量领域。所述方法包括采用滑动灰关联度算法估计过程时延参数，提取过程时延信息；当新样本到来时，基于离线阶段估计的时延参数对建模样本进行重构；并通过相对于训练样本的权重，建立加权高斯模型，构建输入和输出变量的联合概率密度函数；最后，通过条件分布函数实时估计输出变量值对关键变量进行精确预测，通过一种直观有效的方式，同时计算复杂低，从过程历史数据库中提取变量的时滞信息用于软测量建模数据重构，校正了输入输出间实际的因果对应关系，有效的解决了过程随机噪声的干扰，得到更加精确的预测结果，从而提高产品质量，降低生产成本。
-
公开(公告)号：CN105425779B
公开(公告)日：2018-12-04
申请号：CN201510979945.7
申请日：2015-12-24
Applicant: 江南大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于局部邻域标准化和贝叶斯推断的ICA‑PCA多工况故障诊断方法，该方法首先对工业过程的各个正常工况进行独立采样获得训练数据集，通过对训练集局部邻域标准化，获得服从单一分布的数据集，然后利用ICA‑PCA方法分别对该数据集的高斯特性和非高斯特性进行分析处理，获得全局模型。在线监控阶段对工业过程数据进行独立重复采样，经过局部邻域标准化处理后应用所述模型分析处理获得多个统计量，再根据贝叶斯推断将多个统计量组合成一个统计量，通过比较控制限，获得故障诊断结果。相比与传统故障诊断方法，本发明可以简化处理过程，提高诊断效果，改善过程监测性能，同时方便工作人员监测观察，有利于杜绝安全隐患，保障工业过程的正常运行。
-
-
-
-
-
-
-
-
-
Search Results
128
records
(took 0.036 seconds)
