買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉江蘇師范大學(xué)申請(qǐng)的專利一種多工況過程故障監(jiān)測(cè)與診斷方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115079660B 。

龍圖騰網(wǎng)通過國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-19發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202110259230.X，技術(shù)領(lǐng)域涉及：G05B23/02；該發(fā)明授權(quán)一種多工況過程故障監(jiān)測(cè)與診斷方法是由任世錦;劉小洋;王波;開紅梅設(shè)計(jì)研發(fā)完成，并于2021-03-10向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種多工況過程故障監(jiān)測(cè)與診斷方法在說明書摘要公布了：本發(fā)明涉及一種多工況過程故障監(jiān)測(cè)與診斷方法，該方法包括以下步驟：利用變分推理方法在核隱空間中學(xué)習(xí)魯棒度量模型，獲取數(shù)據(jù)對(duì)應(yīng)的核隱空間的低維非線性隱變量以及模型參數(shù)；基于核隱空間變分推理的魯棒度量學(xué)習(xí)的GMM多工況過程監(jiān)測(cè)。本發(fā)明將核空間弱監(jiān)督度量學(xué)習(xí)和隱變量模型嵌入式到GMM建模過程，并使用學(xué)生t?分布對(duì)非高斯噪聲進(jìn)行建模，更加關(guān)注度量學(xué)習(xí)方法對(duì)后續(xù)GMM性能的提升，以增強(qiáng)GMM對(duì)非線性、不確定、非高斯噪聲、多工況數(shù)據(jù)集的描述能力。

本發(fā)明授權(quán)一種多工況過程故障監(jiān)測(cè)與診斷方法在權(quán)利要求書中公布了：1.一種多工況過程故障監(jiān)測(cè)與診斷方法，其特征在于，包括以下步驟： S1、利用變分推理方法在核隱空間中學(xué)習(xí)魯棒度量模型，獲取數(shù)據(jù)對(duì)應(yīng)的核隱空間的低維非線性隱變量以及模型參數(shù)； S101、使用核技巧將輸入過程數(shù)據(jù)映射到與核函數(shù)相關(guān)的高維特征空間，使得特征空間數(shù)據(jù)線性可分；轉(zhuǎn)至步驟S102； S102、在高維特征空間構(gòu)建基于變分推理的魯棒度量學(xué)習(xí)隱變量抽取方法，使用變分推理的模型參數(shù)學(xué)習(xí)，自動(dòng)確定隱變量維數(shù)；轉(zhuǎn)至步驟S103； S103、根據(jù)在核隱空間中抽取的隱變量建立GMM模型對(duì)數(shù)據(jù)進(jìn)行聚類建模分析；轉(zhuǎn)至步驟S104； S104、根據(jù)GMM模型聚類結(jié)果選取聚類中可信度高的樣本生成樣本約束對(duì)，或根據(jù)先驗(yàn)知識(shí)生成樣本約束對(duì)，生成約束優(yōu)化問題求取最優(yōu)核函數(shù)參數(shù)；轉(zhuǎn)至步驟S105； S105、重復(fù)上述步驟直至算法收斂；轉(zhuǎn)至步驟S2； 其中，核隱空間變分推理魯棒度量學(xué)習(xí)方法如下： 1設(shè)置最大隱空間維數(shù)d,參數(shù)γ，副信息以確定模型超參數(shù)初始值v，v'，aρ,bρ，m＝1,2,…,d，i＝1,2,…,N； 2通過v，v'，aρ,bρ的值隨機(jī)初始化后驗(yàn)分布qρ，qU，qU'，qα和qW，從后驗(yàn)分布qW隨機(jī)抽取初始變換矩陣W，τ＝d； 3設(shè)置迭代次數(shù)t＝0； 4當(dāng)t＜maxitem時(shí)，使t＝t+1，i＝1,…,N，qzi|yi＝1服從高斯分布，該高斯分布的均值和方差： 高斯分布其均值和協(xié)方差分布為下面形式 對(duì)qz'i|yi＝1和，高斯分布的均值和方差： 高斯分布其均值和協(xié)方差分布為下面形式 ui和ui對(duì)數(shù)的期望形式為 其中，為常見的di-gamma函數(shù)，對(duì)分布pu'i的變分近似qu'i而言，u'i和u'i對(duì)數(shù)的期望形式為 qwm服從高斯分布，其均值和協(xié)方差為如下形式 對(duì)于高維數(shù)據(jù)，可以采用Nystrom方法求取矩陣的低秩逼近，那么通過Woodbury公式對(duì)矩陣逆進(jìn)行計(jì)算，即 qαm服從Gamma分布其參數(shù)更新形式如下 這里， qρ的參數(shù)更新如下 可通過求取下面優(yōu)化問題最優(yōu)參數(shù)v，即 同樣地，通過求解方程式得到v'的最優(yōu)解，這里v'為隨機(jī)變量u'n分布的超參數(shù)； 如果變分下界收斂滿足要求則算法終止； S2、基于核隱空間變分推理的魯棒度量學(xué)習(xí)的GMM多工況過程監(jiān)測(cè)； S201、假設(shè)給定過程數(shù)據(jù)樣本集由核隱空間變分推理的魯棒度量學(xué)習(xí)方法求取其對(duì)應(yīng)低維子空間的隱變量，記為轉(zhuǎn)至步驟S202； S202、基于隱變量集調(diào)用GMM算法得到GMM聚類模型；根據(jù)GMM聚類結(jié)果生成約束優(yōu)化問題求取最優(yōu)核函數(shù)參數(shù)；在此基礎(chǔ)上，使用核隱空間變分推理的魯棒度量學(xué)習(xí)方法生成新的隱變量集合在新的低維空間上重新構(gòu)建GMM模型；轉(zhuǎn)至步驟S203； S203、迭代執(zhí)行上述S201、S202的過程優(yōu)化算法模型，直至GMM收斂；根據(jù)GMM聚類結(jié)果構(gòu)造全局過程監(jiān)測(cè)統(tǒng)計(jì)量并根據(jù)變量的貢獻(xiàn)度，用于故障診斷； 其中，核隱空間變分推理的魯棒度量學(xué)習(xí)的GMM多工況過程監(jiān)測(cè)方法的具體實(shí)現(xiàn)過程如下： ⑴給定樣本最大隱空間維數(shù)d,參數(shù)γ，迭代次數(shù)st＝1，最大迭代次數(shù)maxiter,收斂閾值ε，核函數(shù)參數(shù)Λ，副信息以確定模型超參數(shù)初始值v，v'，aρ,bρ； ⑵根據(jù)運(yùn)行核隱空間變分推理的魯棒度量學(xué)習(xí)方法，獲取低維特征空間上隱變量集以及相關(guān)模型參數(shù)Θst； ⑶使用GMM算法對(duì)隱變量集進(jìn)行聚類，聚類參數(shù)集記為其中μc和Σc分別表示第c個(gè)聚類的均值和協(xié)方差矩陣，πc表示第c個(gè)聚類的先驗(yàn)概率，每個(gè)聚類代表一個(gè)工況，每個(gè)高斯成分表示聚類分布情況； ⑷根據(jù)聚類結(jié)果由確定樣本zi所屬的類別，并選擇可信度高的樣本生成邊信息其中，為隱變量zi屬于第c個(gè)聚類的后驗(yàn)概率，c＝1,2,…,K；對(duì)每一類樣本集根據(jù)樣所屬類別概率進(jìn)行降序排列，記為令Z＝[Z1,Z2,…,ZK]，Nc為第c個(gè)聚類樣本數(shù)量； ⑸調(diào)整高斯核函數(shù)參數(shù)Λ：令ZZc表示從Z移出Zc后并按照所屬聚類c的概率進(jìn)行降序排列的數(shù)據(jù)集，對(duì)每個(gè)樣本集{Zc,ZZc}，c＝1,2,…,K；從Zc中取出第個(gè)樣本，其中β＝η8,η＝1,2,…,8，表示取靠近βNc最大整數(shù)，其對(duì)應(yīng)的原始數(shù)據(jù)集以及所屬聚類c的概率分別記為U'c，從ZZc中取出第個(gè)樣本，其對(duì)應(yīng)的原始數(shù)據(jù)集以及屬不聚類c的概率分別記為 N'c＝cardX'c，函數(shù)表示集合中元素的數(shù)量，實(shí)際上 基于最小化樣本集局部距離、最大化樣本集非局部距離準(zhǔn)則，使得同類樣本之間盡可能靠近、異類樣本之間盡可能遠(yuǎn)離，從而達(dá)到分開不同類別樣本的目的，通過優(yōu)化問題得到最優(yōu)高斯核函數(shù)參數(shù) 其中，為高斯核函數(shù)，對(duì)角矩陣Λ＝diagΛ1,Λ2,…,ΛD'為核函數(shù)參數(shù)，D'為原始空間輸入數(shù)據(jù)的維數(shù)，函數(shù)diffΛ表示特征空間上同類數(shù)據(jù)樣本之間的加權(quán)類內(nèi)局部距離與異類樣本之間的加權(quán)類間距離之差，這里，表示與高斯核函數(shù)對(duì)應(yīng)的高維特征映射且滿足引入權(quán)重的目的對(duì)類別邊界樣本予以更大的重視，提高邊界樣本的分離程度；使用下面梯度下降法對(duì)上述優(yōu)化問題求解最優(yōu)核函數(shù)參數(shù)Λ*，梯度下降更新形式為 其中，τ'為步長(zhǎng)，表示第g+1次和第g次迭代的Λd'值，g為迭代次數(shù)，diffΛg第g次迭代時(shí)函數(shù)diffΛ的值，由可得 參數(shù)初始值取dstd'表示所有樣本第d'維變量之間距離的平均值，梯度下降算法終止條件設(shè)為|diffΛg-diffΛg+1|≤10-6； ⑹根據(jù)GMM聚類結(jié)果選擇可行度較高樣本生成約束對(duì)Xst+1,X'st+1,yst+1，并調(diào)用核隱空間變分推理的魯棒度量學(xué)習(xí)算法求取最優(yōu)參數(shù)Θst+1； ⑺估計(jì)目標(biāo)函數(shù)的值lnpyst+1,Θst+1|Xst+1,X'st+1； ⑻st←st+1 直到條件|lnpyst-1,Θst-1|Xst-1,X'st-1-lnpyst,Θst|Xst,X'st|≤ε或者st≥maxiter滿足后算法結(jié)束； 得到最優(yōu)模型參數(shù)Θ',Θ； ⑼故障檢測(cè)： 對(duì)于新的監(jiān)測(cè)樣本x*，首先根據(jù)投影矩陣W計(jì)算其對(duì)應(yīng)的隱變量z*＝Wφx*屬于各個(gè)高斯成分Ccc＝1,2,…,K的后驗(yàn)概率，進(jìn)而確定監(jiān)測(cè)樣本x*屬于高斯成分Cc的隸屬度，即 隱變量z*與各個(gè)高斯成分之間的距離此度量服從近似自由度為d的χ2分布，因此可以估計(jì)樣本z*在第c個(gè)高斯成分中的局部概率為 構(gòu)建如下形式的綜合監(jiān)測(cè)統(tǒng)計(jì)量 通過該綜合監(jiān)測(cè)統(tǒng)計(jì)量是否小于預(yù)先確定置信度水平1001-a％可以確定當(dāng)前工況是否處于正常狀態(tài)； ⑽故障診斷： 對(duì)于監(jiān)測(cè)變量Ξl1≤l≤D'，其在每個(gè)高斯成分的貢獻(xiàn)率可通過下面的一階偏導(dǎo)數(shù)計(jì)算得到，即 其中， 那么關(guān)于監(jiān)測(cè)變量Ξl的總體貢獻(xiàn)度為 如果當(dāng)前工況處于異常狀態(tài)，計(jì)算每個(gè)監(jiān)測(cè)變量的貢獻(xiàn)度，選取最大貢獻(xiàn)度對(duì)應(yīng)的變量，即 由式67可以認(rèn)為引起過程異常工況的變量為變量Ξl*。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人江蘇師范大學(xué)，其通訊地址為：221116 江蘇省徐州市銅山新區(qū)上海路101號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。