公开(公告)号：CN114967625A

公开(公告)日：2022-08-30

申请号：CN202210663735.7

申请日：2022-06-13

Applicant: 南京林业大学

Inventor： 刘鸿斌 ,  张宇宸 ,  胡同

IPC: G05B19/418

Abstract: 本发明公开了一种基于时空卷积潜变量优化近邻成分分析的质量指标预测方法，该方法适用于具有强非线性、时变性及多工况的工业过程建模。首先采用二维卷积神经网络提取原始过程变量中的时空特征，获取深层时空信息；其次使用偏最小二乘法提取深层特征中的潜变量，使得后续模型建立过程中使用更少的变量来保留数据中的主要方差信息，减少运算复杂度；最后结合近邻成分分析，使得模型可以更好地应对来自于实际工业过程中的多工况引起的数据分布随机化；为验证模型预测的准确性，该方法用于废水处理过程的出水质量指标预测。实验结果表明，时空卷积潜变量与近邻成分分析的结合可明显提高模型预测的准确性，更适用于复杂工业过程的关键质量指标预测。

公开(公告)号：CN114897103A

公开(公告)日：2022-08-12

申请号：CN202210663734.2

申请日：2022-06-13

Applicant: 南京林业大学

Inventor： 刘鸿斌 ,  张宇宸 ,  胡同

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06F17/18

Abstract: 本发明公开了一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法，该方法可用于特征复杂的工业过程故障诊断。首先，采用多尺度卷积神经网络框架，分别从大尺度范围和小尺度范围提取故障数据之间的不同尺度时空特征，并将多尺度特征融合后训练模型；随后，使用代理近邻成分损失函数训练，使得模型在训练过程中不仅受到正样本的影响，同时引入负样本使不同故障类别之间的距离扩大，相同故障类别之间的距离缩小；为验证模型故障诊断性能的准确性，将其用于废水处理过程的故障诊断。实验结果表明，多尺度卷积神经网络特征提取方法与代理近邻成分损失函数的结合可以明显提高模型故障诊断的准确性，更适用于复杂工业过程的故障诊断。