公开(公告)号：CN109409425A

公开(公告)日：2019-03-01

申请号：CN201811213325.2

申请日：2018-10-09

Applicant: 宁波大学

Inventor： 皇甫皓宁 ,  童楚东 ,  朱莹

IPC: G06K9/62

Abstract: 本发明公开一种基于近邻成分分析的故障类型识别方法，旨在为各故障类型甄别出相应的故障特征变量及其权重大小后，实施在线故障数据对应故障类型的识别。具体来讲，本发明方法首先利用近邻成分分析这种依赖于单个样本之间近邻关系的算法，逐个找出各故障类型可用数据对比正常工况数据之间出现异常变化的特征变量及其权重系数。其次，在经特征变量加权处理后逐个计算在线故障数据与各个故障类型数据点的之间的距离。最后，通过最小距离识别故障类型。与传统方法相比，本发明方法不仅利用了各故障的特征变量而且还能区分出特征变量之间的重要性程度差异，能充分保证故障类型识别的正确率。因此，本发明方法是一种更为优选的故障类型识别方法。

公开(公告)号：CN109409425B

公开(公告)日：2021-06-15

申请号：CN201811213325.2

申请日：2018-10-09

Applicant: 宁波大学

Inventor： 皇甫皓宁 ,  童楚东 ,  朱莹

IPC: G06K9/62

Abstract: 本发明公开一种基于近邻成分分析的故障类型识别方法，旨在为各故障类型甄别出相应的故障特征变量及其权重大小后，实施在线故障数据对应故障类型的识别。具体来讲，本发明方法首先利用近邻成分分析这种依赖于单个样本之间近邻关系的算法，逐个找出各故障类型可用数据对比正常工况数据之间出现异常变化的特征变量及其权重系数。其次，在经特征变量加权处理后逐个计算在线故障数据与各个故障类型数据点的之间的距离。最后，通过最小距离识别故障类型。与传统方法相比，本发明方法不仅利用了各故障的特征变量而且还能区分出特征变量之间的重要性程度差异，能充分保证故障类型识别的正确率。因此，本发明方法是一种更为优选的故障类型识别方法。

公开(公告)号：CN109634240B

公开(公告)日：2021-03-09

申请号：CN201811577508.2

申请日：2018-12-13

Applicant: 宁波大学

Inventor： 皇甫皓宁 ,  童楚东 ,  葛英辉

IPC: G05B19/418

Abstract: 本发明公开一种基于新型动态主元分析的动态过程监测方法，旨在同时挖掘出训练数据中的方差特征与自相关性特征，并以此为基础实施动态过程监测。具体来讲，本发明方法重新定义了传统主元分析算法的目标函数，使本发明中所涉及的新型主元分析算法的目标函数同时涵盖有方差特征与自相关性特征。由于本发明方法在数据特征挖掘时，同时考虑了数据的方差特征与时间序列上的自相关性特征。因此。本发明方法中涉及的新型主元分析算法不仅是一种全新的特征提取算法，而且还能够挖掘更加全面的特征。可以说，本发明方法是一种更为优选的动态过程监测方法。

公开(公告)号：CN108919755B

公开(公告)日：2020-06-16

申请号：CN201810658916.4

申请日：2018-06-11

Applicant: 宁波大学

Inventor： 皇甫皓宁 ,  童楚东 ,  朱莹

IPC: G05B19/418

Abstract: 本发明公开一种基于多块非线性交叉关系模型的分布式故障检测方法，旨在建立分布式的多块非线性交叉关系模型，从而实施有效的分布式故障检测。具体来讲，本发明方法首先根据各生产单元测量变量的归属，将所有测量变量划分成不重叠的多个变量子块；其次，利用RBF网络为各个变量子块及其它变量子块之间的非线性交叉关系模型；最后，利用剔除交叉关系影响的误差实施建模与故障检测。与传统方法相比，本发明方法在建模过程中考虑了块与块之间的非线性交叉关系。因此，本发明方法理应具备更优秀的故障检测性能，是一种更为优选的分布式故障检测方法。

公开(公告)号：CN109407649A

公开(公告)日：2019-03-01

申请号：CN201811213323.3

申请日：2018-10-09

Applicant: 宁波大学

Inventor： 皇甫皓宁 ,  童楚东 ,  俞海珍

IPC: G05B23/02

CPC classification number: G05B23/0245

Abstract: 本发明公开一种基于故障特征变量选择的故障类型匹配方法，旨在解决如何在各故障类型训练样本数据量有限的前提下，针对历史数据库中各故障类型实施故障特征变量选择，并利用该特征变量实施故障类型匹配的问题。具体来讲，本发明方法首先利用近邻成分分析逐个找出各故障类型可用数据对比正常工况数据之间出现异常变化的特征变量。然后，利用故障特征变量实施窗口矩阵之间的相似度计算。最后，通过最大相似度判别故障类型。本发明方法利用各故障的特征变量实施故障类型匹配不仅能消除非特征变量的干扰影响，而且还能直接降低变量维数，从而使样本数有限的问题不显得那么突出。因此，本发明方法是一种更为优选的故障诊断方法。

公开(公告)号：CN109407640A

公开(公告)日：2019-03-01

申请号：CN201811577429.1

申请日：2018-12-13

Applicant: 宁波大学

Inventor： 皇甫皓宁 ,  童楚东 ,  朱莹

IPC: G05B19/418

Abstract: 本发明公开一种基于动态正交成分分析的动态过程监测方法，本发明方法在传统主成分分析算法的基础上，进一步地考虑如何在挖掘潜在特征成分时进一步深入考虑与延时测量数据之间的正交特性。为此，本发明方法先推理出一种动态正交成分分析算法，然后在该算法的基础上实施动态过程监测。相比于传统动态过程监测方法，本发明方法在动态过程的监测效果上取得优越于传统PCA或动态PCA方法的效果。此外，本发明方法的离线建模与在线监测两个阶段都不会增加额外的计算量。可以说，本发明方法是一种更为优选的动态过程监测方法。