-
公开(公告)号：CN108629091B
公开(公告)日：2022-03-08
申请号：CN201810352499.0
申请日：2018-04-19
Applicant: 北京工业大学
IPC: G06F30/17
Abstract: 本发明公开一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法，首先，对多通道机械振动和振声的时域信号采用快速傅里叶变换(FFT)得到多通道单尺度频谱；接着，针对每个通道的单尺度频谱，采用基于候选惩罚参数的集成构造策略得到面向单尺度特征子集构建的候选LASSO子模型，结合SEN学习机制构建全部通道的候选单通道SEN‑LASSO模型；最后，再次的采用SEN学习机制对候选单通道SEN‑LASSO模型进行选择和合并，得到对多通道机械信号及其频谱特征子集进行同时优化选择的MLPF模型。
-
公开(公告)号：CN108629091A
公开(公告)日：2018-10-09
申请号：CN201810352499.0
申请日：2018-04-19
Applicant: 北京工业大学
IPC: G06F17/50
Abstract: 本发明公开一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法，首先，对多通道机械振动和振声的时域信号采用快速傅里叶变换(FFT)得到多通道单尺度频谱；接着，针对每个通道的单尺度频谱，采用基于候选惩罚参数的集成构造策略得到面向单尺度特征子集构建的候选LASSO子模型，结合SEN学习机制构建全部通道的候选单通道SEN-LASSO模型；最后，再次的采用SEN学习机制对候选单通道SEN-LASSO模型进行选择和合并，得到对多通道机械信号及其频谱特征子集进行同时优化选择的MLPF模型。
-
公开(公告)号：CN109583115A
公开(公告)日：2019-04-05
申请号：CN201811499493.2
申请日：2018-12-09
Applicant: 北京工业大学
Abstract: 本发明公开一种融合集成磨机负荷参数软测量系统；首先采用多组分信号自适应分解算法将原始筒体振动/振声信号分解为具有不同时间尺度和物理含义的时域子信号，再变换至频域得到多尺度频谱；接着构建基于这些多尺度振动/振声频谱的选择性集成潜结构映射模型；然后提取多尺度频谱潜在特征并以这些特征为输入构建选择性集成模糊推理模型；最后采用基于误差信息熵的加权方法融合集成上述两类异质选择性集成模型，进而得到具有双层集成结构的磨机负荷参数软测量模型。采用实验磨机数据仿真验证了所提方法的有效性。
-
公开(公告)号：CN109583115B
公开(公告)日：2023-10-20
申请号：CN201811499493.2
申请日：2018-12-09
Applicant: 北京工业大学
IPC: G06F18/214 , G06F18/2131 , G06F18/25 , G06N5/048 , G10L25/18 , G10L25/33 , G06F123/02
Abstract: 本发明公开一种融合集成磨机负荷参数软测量系统；首先采用多组分信号自适应分解算法将原始筒体振动/振声信号分解为具有不同时间尺度和物理含义的时域子信号，再变换至频域得到多尺度频谱；接着构建基于这些多尺度振动/振声频谱的选择性集成潜结构映射模型；然后提取多尺度频谱潜在特征并以这些特征为输入构建选择性集成模糊推理模型；最后采用基于误差信息熵的加权方法融合集成上述两类异质选择性集成模型，进而得到具有双层集成结构的磨机负荷参数软测量模型。采用实验磨机数据仿真验证了所提方法的有效性。
-
公开(公告)号：CN111089740B
公开(公告)日：2022-05-31
申请号：CN201911162649.2
申请日：2019-11-25
Applicant: 北京工业大学
Abstract: 本发明公开一种基于多层相关性的多通道机械频谱子频段特征评估方法。首先，将多通道机械信号进行时频域变换得到多通道频谱数据，将这些频谱数据划分为若干个子频段并获取特征；接着，计算这些多通道子频段特征与磨机负荷间的标准化相关系数值；然后，采用所选择的子频段特征基于偏最小二乘算法计算子频段特征的变量投影重要性(VIP)值，并进行标准化处理；最后，采用标准化的相关系数与VIP值，并结合磨机负荷预测性能，定义基于单个通道和全部通道的综合评估指标，用于度量子频段特征的重要程度。采用磨矿过程实验球磨机的多通道机械信号验证了所提方法的有效性。
-
Patent Agency Ranking
公开(公告)号：CN111307277A
公开(公告)日：2020-06-19
申请号：CN202010198524.1
申请日：2020-03-20
Applicant: 北京工业大学
Abstract: 本发明公开一种基于变分模态分解和预测性能的单模态子信号选择方法。首先，依据经验确定多个进行变分模态分解(VMD)所必需设定的分解层数的取值；接着，采用VMD将原始机械信号分解为具有不同带宽和时间尺度的时域单模态子信号，进一步变换至频域获得候选单模态子信号频谱集合；最后，基于这些候选单模态子信号频谱集合构建候选磨机负荷参数预测子模型，并进一步构建选择性集成模型获得约简单模态子信号频谱集合，再依据实际需求和模型预测性能选择得到具有较强互补特性的单模态子信号集合。
-
公开(公告)号：CN111089740A
公开(公告)日：2020-05-01
申请号：CN201911162649.2
申请日：2019-11-25
Applicant: 北京工业大学
Abstract: 本发明公开一种基于多层相关性的多通道机械频谱子频段特征评估方法。首先，将多通道机械信号进行时频域变换得到多通道频谱数据，将这些频谱数据划分为若干个子频段并获取特征；接着，计算这些多通道子频段特征与磨机负荷间的标准化相关系数值；然后，采用所选择的子频段特征基于偏最小二乘算法计算子频段特征的变量投影重要性(VIP)值，并进行标准化处理；最后，采用标准化的相关系数与VIP值，并结合磨机负荷预测性能，定义基于单个通道和全部通道的综合评估指标，用于度量子频段特征的重要程度。采用磨矿过程实验球磨机的多通道机械信号验证了所提方法的有效性。
-
公开(公告)号：CN111307277B
公开(公告)日：2021-10-01
申请号：CN202010198524.1
申请日：2020-03-20
Applicant: 北京工业大学
Abstract: 本发明公开一种基于变分模态分解和预测性能的单模态子信号选择方法。首先，依据经验确定多个进行变分模态分解(VMD)所必需设定的分解层数的取值；接着，采用VMD将原始机械信号分解为具有不同带宽和时间尺度的时域单模态子信号，进一步变换至频域获得候选单模态子信号频谱集合；最后，基于这些候选单模态子信号频谱集合构建候选磨机负荷参数预测子模型，并进一步构建选择性集成模型获得约简单模态子信号频谱集合，再依据实际需求和模型预测性能选择得到具有较强互补特性的单模态子信号集合。
-
公开(公告)号：CN110162857A
公开(公告)日：2019-08-23
申请号：CN201910397985.9
申请日：2019-05-14
Applicant: 北京工业大学
IPC: G06F17/50
Abstract: 本发明涉及一种面向复杂工业过程难测参数的软测量方法。采用相关系数法对高维原始特征进行线性选择，基于预设定的线性特征选择系数集合得多组线性特征子集；采用互信息法对高维原始特征进行非线性选择，基于预设定的非线性特征选择系数集合获得多组非线性特征子集；分别基于线性与非线性特征子集构建线性子模型和非线性子模型，得到线性特征线性模型、线性特征非线性模型、非线性特征线性模型、非线性特征非线性模型共4类子模型子集；基于优化选择算法和加权算法对上述候选子模型进行选择与合并，获得具有较高泛化性能的难测参数选择性集成软测量模型。采用磨矿过程球磨机的高维机械振动频谱数据构建磨机负荷参数软测量模型仿真验证了有效性。
-
公开(公告)号：CN108062566A
公开(公告)日：2018-05-22
申请号：CN201711327861.0
申请日：2017-12-13
Applicant: 北京工业大学
Abstract: 本发明公开一种基于多核潜在特征提取的智能集成软测量方法，基于多个候选核参数提取特征进行集成构造，获得面向不同核参数的潜在特征子集；以这些潜在特征子集作为训练子集构建候选模糊推理子模型，采用优化算法和自适应加权算法构建得到选择性集成模糊推理主模型；计算主模型预测误差，选择核参数并采用KPLS提取输入数据中与主模型预测误差相关的潜在特征集合；基于这些潜在特征集合采用Bootstrap算法进行集成构造，获得面向训练样本采样的训练子集；基于这些训练子集构造基于核随机权神经网络的候选子模型，采用遗传算法优化工具箱和AWF构建选择性集成KRWNN补偿模型；将选择性集成模糊推理主模型与选择性集成KRWNN补偿模型的输出进行合并得到预测结果。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.027 seconds)
