-
公开(公告)号：CN114512191A
公开(公告)日：2022-05-17
申请号：CN202210050335.9
申请日：2022-01-17
Applicant: 江南大学
Abstract: 本发明公开了一种基于迁移成分分析的青霉素浓度预测方法，包括：采用迁移成分分析处理已知工况数据与待测工况数据，定义已知工况数据为源域，待测工况数据为目标域；基于高斯混合模型将经过处理的源域数据进行聚类划分，并利用偏最小二乘回归与对应标签数据建立子模型的集成模型；将处理后的目标域数据通过子模型的集成模型进行青霉素浓度预测。本发明可以提升青霉素浓度预测精度，有效适应工况变化，在待测数据与建模数据分布不同时，仍能保持良好的预测精度。
-
公开(公告)号：CN112000081B
公开(公告)日：2021-10-08
申请号：CN202010897994.7
申请日：2020-08-31
Applicant: 江南大学
IPC: G05B23/02
Abstract: 本发明提供一种基于多块信息提取和马氏距离的故障监测方法及系统，方法包括：获取原始正常工况数据集X0及待测样本x，对X0进行标准化处理得到原始正常工况标准数据集对x进行标准化操作得到待测标准样本xμ；对进行多块信息提取，得到第一子块信息数据集和第二子块信息数据集，对xμ进行多块信息提取，得到第三子块信息和第四子块信息分别求第一子块信息数据集和第二子块信息数据集的统计量及控制限；根据贝叶斯推断，将xμ、和的监测结果融合为统计量并判断是否故障。本方案，可提高对微小偏移和脉冲振荡类型故障的检出率，对非线性非高斯数据有一定的监测优势，同时改善了传统kNN故障监测方法的监测性能。
-
公开(公告)号：CN110442991B
公开(公告)日：2021-05-04
申请号：CN201910739781.9
申请日：2019-08-12
Applicant: 江南大学
Abstract: 本发明公开了一种基于参数化FIR模型的动态硫回收软测量建模方法，包括，以固定采样频率采集硫回收过程的变量序列并将其用于模型参数优化，同时设置模型超参数；根据所设置的超参数构建模型结构，并对模型参数初始化；训练优化模型；模型预测；其中，所述变量序列区分为辅助变量和主导变量；本发明的模型考虑了硫回收过程的时序信息，能够有效避免过拟合现象，从而保证预测精度，进而保证在传感器老化或受损前借助软测量器来确保闭环控制的正常运行。
-
公开(公告)号：CN111736567A
公开(公告)日：2020-10-02
申请号：CN202010397236.9
申请日：2020-05-12
Applicant: 江南大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于故障敏感慢特征的多块故障监测方法，包括，采集工业生产系统中的数据，并将所得数据划分为训练集和测试集；对训练集进行慢特征分析，计算出慢特征变换矩阵；定义故障敏感程度系数，并由慢特征变换矩阵中的系数得出各慢特征对故障的敏感程度；定义故障敏感程度阈值，对训练集每一维变量进行故障敏感慢特征的选取，并作为训练子块；本发明通过对统计量计算公式的分析，定义故障敏感程度系数，对慢特征进行重新排序，选择变量方向上对故障最敏感的慢特征，并对每一维变量进行敏感慢特征的选择并进行并行监测，能够有效实现多个维度动态及大规模过程上有效的监测。
-
公开(公告)号：CN108984851B
公开(公告)日：2020-08-04
申请号：CN201810652184.8
申请日：2018-06-22
Applicant: 江南大学
IPC: G06F30/20
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。
-
Patent Agency Ranking
公开(公告)号：CN107272655B
公开(公告)日：2019-08-06
申请号：CN201710599054.8
申请日：2017-07-21
Applicant: 江南大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于多阶段ICA‑SVDD的间歇过程故障监测方法。用于工艺机理复杂并存在多个操作阶段的间歇过程。针对一些间歇过程具有的多阶段性和数据分布非高斯性问题，采用一种改进的阶段划分和故障监测方法。首先根据各个时间片的相似度和K均值算法进行阶段划分，然后对各阶段分别利用独立成分分析方法提取出非高斯的特征信息，最后引入支持向量数据描述算法对独立成分和剩余的高斯残差空间分别建立统计分析模型，实现对整个过程的故障监测。应用于一个实际的半导体蚀刻过程的故障监测，结果表明该方法对多阶段间歇过程具有更佳的监测效果。
-
公开(公告)号：CN105205224B
公开(公告)日：2018-10-30
申请号：CN201510541727.5
申请日：2015-08-28
Applicant: 江南大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于模糊曲线分析的时间差高斯过程回归软测量建模方法，适合应用于具有时滞特性的化工过程。本方法能够从过程历史数据库中提取稳定的时滞信息，引入与主导变量序列更加相关的建模数据。首先，基于模糊曲线分析(FCA)的方法直观判断输入序列对于主导序列的重要性，估计过程时滞参数，用离线条件的时滞参数集对建模数据重构；对于新输入数据，基于一定时刻之前的历史变量值，采用时间差‑高斯过程回归(TDGPR)模型对当前时刻主导变量值在线预测，该方法不存在模型更新的问题，可以很好地追踪输入输出漂移。本发明方法相比于稳态建模方法能够对关键变量进行更精准的预测，从而提高产品质量，降低生产成本。
-
公开(公告)号：CN108647272A
公开(公告)日：2018-10-12
申请号：CN201810402513.3
申请日：2018-04-28
Applicant: 江南大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于数据分布的小样本扩充方法，属于复杂工业过程建模和软测量领域。在基于数据驱动理论的建模过程中，样本的数量会对所建模型的精度产生影响。针对训练样本数量较少导致模型信息缺失的问题，该方法通过分析数据的分布特征来确定样本扩充的区间范围，通过使用欧氏距离和角度原则进行数据扩充，利用扩充数据完善建模对象在各阶段的信息，并进一步重构建模数据集，能够对关键变量进行精确预测，从而提高产品质量，降低生产成本。
-
公开(公告)号：CN108614533A
公开(公告)日：2018-10-02
申请号：CN201810521147.3
申请日：2018-05-28
Applicant: 江南大学
IPC: G05B19/418
Abstract: 本发明公开了一种基于NARX模型和时滞估计的神经网络建模方法，属于复杂工业过程建模和软测量领域。本发明利用神经网络构造了一种新型一阶NARX模型，通过设计模型结构减小了预测时对于主导变量测量值的依赖。当工业过程无法及时提供主导变量历史数据时，能通过多步估计方法来确保主导变量的实时预测。数学分析表明，当模型建立准确时，所发明的新型NARX模型能有效抑制由多步估计造成的误差累积。脱丁烷塔数据仿真实验进一步验证了所构建模型的有效性。
-
公开(公告)号：CN106156434A
公开(公告)日：2016-11-23
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。
-
-
-
-
-
-
-
-
-
Search Results
128
records
(took 0.029 seconds)
