CN110009020A - 一种基于多核主元分析模型的非线性过程监测方法 - Google Patents
一种基于多核主元分析模型的非线性过程监测方法 Download PDFInfo
- Publication number
- CN110009020A CN110009020A CN201910229732.0A CN201910229732A CN110009020A CN 110009020 A CN110009020 A CN 110009020A CN 201910229732 A CN201910229732 A CN 201910229732A CN 110009020 A CN110009020 A CN 110009020A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vector
- formula
- kernel
- core
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000008569 process Effects 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 47
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 25
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 25
- 210000000299 nuclear matrix Anatomy 0.000 claims description 25
- 239000004576 sand Substances 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 37
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000035699 permeability Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 230000007812 deficiency Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 8
- 239000000498 cooling water Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
Description
序号 | 变量描述 | 序号 | 变量描述 | 序号 | 变量描述 |
1 | 物料A流量 | 12 | 分离器液位 | 23 | D进料阀门位置 |
2 | 物料D流量 | 13 | 分离器压力 | 24 | E进料阀门位置 |
3 | 物料E流量 | 14 | 分离器塔底流量 | 25 | A进料阀门位置 |
4 | 总进料流量 | 15 | 汽提塔等级 | 26 | A和C进料阀门位置 |
5 | 循环流量 | 16 | 汽提塔压力 | 27 | 压缩机循环阀门位置 |
6 | 反应器进料 | 17 | 汽提塔底部流量 | 28 | 排空阀门位置 |
7 | 反应器压力 | 18 | 汽提塔温度 | 29 | 分离器液相阀门位置 |
8 | 反应器等级 | 19 | 汽提塔上部蒸汽 | 30 | 汽提塔液相阀门位置 |
9 | 反应器温度 | 20 | 压缩机功率 | 31 | 汽提塔蒸汽阀门位置 |
10 | 排空速率 | 21 | 反应器冷却水出口温度 | 32 | 反应器冷凝水流量 |
11 | 分离器温度 | 22 | 分离器冷却水出口温度 | 33 | 冷凝器冷却水流量 |
Claims (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910229732.0A CN110009020B (zh) | 2019-03-12 | 2019-03-12 | 一种基于多核主元分析模型的非线性过程监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910229732.0A CN110009020B (zh) | 2019-03-12 | 2019-03-12 | 一种基于多核主元分析模型的非线性过程监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009020A true CN110009020A (zh) | 2019-07-12 |
CN110009020B CN110009020B (zh) | 2021-06-15 |
Family
ID=67168033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910229732.0A Active CN110009020B (zh) | 2019-03-12 | 2019-03-12 | 一种基于多核主元分析模型的非线性过程监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009020B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259523A (zh) * | 2020-01-09 | 2020-06-09 | 浙江理工大学 | 基于kpca-cva模型和随机算法的过程监测方法 |
CN111709944A (zh) * | 2020-07-14 | 2020-09-25 | 哈尔滨工业大学 | 一种基于数字化图像异常识别的桥隧结构裂缝监测方法 |
CN111913447A (zh) * | 2020-06-13 | 2020-11-10 | 宁波大学 | 一种在线数据驱动的非线性化工过程监测方法 |
CN111914889A (zh) * | 2020-06-13 | 2020-11-10 | 宁波大学 | 一种基于简略核主元分析的精馏塔异常状态识别方法 |
CN111914886A (zh) * | 2020-06-13 | 2020-11-10 | 宁波大学 | 一种基于在线简略核学习的非线性化工过程监测方法 |
CN112101731A (zh) * | 2020-08-18 | 2020-12-18 | 华南理工大学 | 一种基于混合核典型相关分析的污水厂在线故障监测方法 |
CN113722982A (zh) * | 2021-08-10 | 2021-11-30 | 浙江工业大学 | 一种基于多模型融合的汽车传感器攻击检测与防御方法 |
CN114167826A (zh) * | 2021-11-26 | 2022-03-11 | 华中科技大学 | 一种用于铸造生产过程混合多变量的监控方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050228591A1 (en) * | 1998-05-01 | 2005-10-13 | Hur Asa B | Kernels and kernel methods for spectral data |
CN101196564A (zh) * | 2007-12-18 | 2008-06-11 | 西安电子科技大学 | 拉普拉斯正则化最小二乘合成孔径雷达自动目标识别方法 |
US20080253665A1 (en) * | 2007-04-11 | 2008-10-16 | Canon Kabushiki Kaisha | Pattern identification apparatus and method thereof, abnormal pattern detection apparatus and method thereof, and program |
CN103901855A (zh) * | 2014-04-01 | 2014-07-02 | 浙江大学 | 一种不等长批次条件下青霉素生产过程核学习监测方法 |
CN106841085A (zh) * | 2016-06-05 | 2017-06-13 | 乌鲁木齐职业大学 | 基于kpca的瓦斯检测方法 |
CN108227653A (zh) * | 2017-12-28 | 2018-06-29 | 湖州师范学院 | 一种基于随机化核主元分析的大规模非线性过程监控方法 |
CN108932501A (zh) * | 2018-07-13 | 2018-12-04 | 江苏大学 | 一种基于多核关联集成降维的人脸识别方法 |
-
2019
- 2019-03-12 CN CN201910229732.0A patent/CN110009020B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050228591A1 (en) * | 1998-05-01 | 2005-10-13 | Hur Asa B | Kernels and kernel methods for spectral data |
US20080253665A1 (en) * | 2007-04-11 | 2008-10-16 | Canon Kabushiki Kaisha | Pattern identification apparatus and method thereof, abnormal pattern detection apparatus and method thereof, and program |
CN101196564A (zh) * | 2007-12-18 | 2008-06-11 | 西安电子科技大学 | 拉普拉斯正则化最小二乘合成孔径雷达自动目标识别方法 |
CN103901855A (zh) * | 2014-04-01 | 2014-07-02 | 浙江大学 | 一种不等长批次条件下青霉素生产过程核学习监测方法 |
CN106841085A (zh) * | 2016-06-05 | 2017-06-13 | 乌鲁木齐职业大学 | 基于kpca的瓦斯检测方法 |
CN108227653A (zh) * | 2017-12-28 | 2018-06-29 | 湖州师范学院 | 一种基于随机化核主元分析的大规模非线性过程监控方法 |
CN108932501A (zh) * | 2018-07-13 | 2018-12-04 | 江苏大学 | 一种基于多核关联集成降维的人脸识别方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259523A (zh) * | 2020-01-09 | 2020-06-09 | 浙江理工大学 | 基于kpca-cva模型和随机算法的过程监测方法 |
CN111259523B (zh) * | 2020-01-09 | 2023-03-31 | 浙江理工大学 | 基于kpca-cva模型和随机算法的过程监测方法 |
CN111913447A (zh) * | 2020-06-13 | 2020-11-10 | 宁波大学 | 一种在线数据驱动的非线性化工过程监测方法 |
CN111914889A (zh) * | 2020-06-13 | 2020-11-10 | 宁波大学 | 一种基于简略核主元分析的精馏塔异常状态识别方法 |
CN111914886A (zh) * | 2020-06-13 | 2020-11-10 | 宁波大学 | 一种基于在线简略核学习的非线性化工过程监测方法 |
CN111913447B (zh) * | 2020-06-13 | 2022-03-18 | 宁波大学 | 一种在线数据驱动的非线性化工过程监测方法 |
CN111914886B (zh) * | 2020-06-13 | 2022-07-26 | 宁波大学 | 一种基于在线简略核学习的非线性化工过程监测方法 |
CN111709944A (zh) * | 2020-07-14 | 2020-09-25 | 哈尔滨工业大学 | 一种基于数字化图像异常识别的桥隧结构裂缝监测方法 |
CN112101731A (zh) * | 2020-08-18 | 2020-12-18 | 华南理工大学 | 一种基于混合核典型相关分析的污水厂在线故障监测方法 |
CN112101731B (zh) * | 2020-08-18 | 2024-03-12 | 华南理工大学 | 一种基于混合核典型相关分析的污水厂在线故障监测方法 |
CN113722982A (zh) * | 2021-08-10 | 2021-11-30 | 浙江工业大学 | 一种基于多模型融合的汽车传感器攻击检测与防御方法 |
CN114167826A (zh) * | 2021-11-26 | 2022-03-11 | 华中科技大学 | 一种用于铸造生产过程混合多变量的监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110009020B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009020A (zh) | 一种基于多核主元分析模型的非线性过程监测方法 | |
CN108803520A (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及*** | |
CN108508865A (zh) | 一种基于分散式osc-pls回归模型的故障检测方法 | |
CN108345284A (zh) | 一种基于两变量块的质量相关故障检测方法 | |
CN108469805A (zh) | 一种基于动态性最优选择的分散式动态过程监测方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN107895224A (zh) | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 | |
CN109669415A (zh) | 一种基于结构化典型变量分析的动态过程监测方法 | |
CN108520111A (zh) | 一种基于正交成分最优选择与最优回归的软测量方法 | |
CN108153267A (zh) | 一种基于误差主元分析模型的工业过程监测方法 | |
CN110210687A (zh) | 一种基于局部加权慢特征回归的非线性动态生产过程产品质量预测方法 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN108375965A (zh) | 一种基于多变量块交叉相关性剔除的非高斯过程监测方法 | |
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
CN109409425A (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN108445867A (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN109507972A (zh) | 基于分层式非高斯监测算法的工业生产过程故障监测方法 | |
CN106647650A (zh) | 基于变量加权pca模型的分散式工业过程监测方法 | |
CN108345294B (zh) | 一种基于分散式主元回归模型的故障检测方法 | |
CN114757269A (zh) | 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法 | |
CN114997309A (zh) | 给水泵故障预警方法及装置 | |
CN110033175B (zh) | 一种基于集成多核偏最小二乘回归模型的软测量方法 | |
CN107918381A (zh) | 一种基于组合核函数的类均值核主元故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190712 Assignee: Ningbo Science and Technology Innovation Association Assignor: Ningbo University Contract record no.: X2023980033633 Denomination of invention: A Nonlinear Process Monitoring Method Based on Multikernel Principal Component Analysis Model Granted publication date: 20210615 License type: Common License Record date: 20230317 |
|
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240429 Address after: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd. Country or region after: China Address before: 315211 Ningbo University, 818 Fenghua Road, Jiangbei District, Ningbo, Zhejiang Patentee before: Ningbo University Country or region before: China |