-
公开(公告)号：CN114841073B
公开(公告)日：2024-12-17
申请号：CN202210537382.6
申请日：2022-05-17
Applicant: 中国石油大学(华东)
IPC: G06F30/27 , G06F18/214 , G06F16/2458 , G06F17/16 , G06F17/18
Abstract: 本发明涉及一种基于局部标签传播的即时学习半监督软测量建模方法，该方法通过局部标签传播算法充分提取未标记样本中的信息，通过整体优化即时学习算法建立关于查询数据的在线模型，并作为约束项加入局部标签传播算法中。对于采集的查询数据，首先根据已被标记的历史数据，通过整体优化即时学习算法建立局部模型，然后在所有的历史样本中选择出查询数据的相似样本，最后通过基于局部模型约束的局部标签传播算法计算查询数据的输出预测值。本发明不仅能够很好地处理工业过程的非线性、时变性及多重共线性问题，还可以有效利用大量的未被标记的历史数据，提高历史样本的利用率及软测量模型的预测精度。
-
公开(公告)号：CN116821695B
公开(公告)日：2023-11-03
申请号：CN202311099248.3
申请日：2023-08-30
Applicant: 中国石油大学(华东)
IPC: G06F18/214 , G06N3/0895 , G06N3/006
Abstract: 本发明公开了一种半监督神经网络软测量建模方法，属于工业过程检测技术领域，该方法通过神经网络提取原始数据的动态和非线性特征；同时在上下限估计方法的损失函数中加入点估计项，平衡区间宽度，覆盖率以及点估计的均方误差，通过粒子群优化算法最小化损失函数，以生成紧密的区间和更加准确的估计值；然后，通过双标准选择置信度高的无标签数据加入模型训练，以更新标签数据集；最后，对输出上下限权值和估计值权重进行迭代寻优。本发明提供的半监督学习框架不仅能够有效量化不确定因素对模型的影响，还能充分利用标签数据所包含的监督信息，辅助以无标签数据所蕴含的结构信息，达到提升软测量模型泛化能力和可靠性之目的。
-
公开(公告)号：CN115186584A
公开(公告)日：2022-10-14
申请号：CN202210807679.X
申请日：2022-07-11
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及一种融合注意力机制和自适应构图的宽度学习半监督软测量建模方法，该方法综合利用数据输入空间和预测输出空间的加权欧式距离信息自适应构建近邻图实现对数据潜在结构信息的准确逼近；同时，考虑到不同的辅助变量对主导变量的准确估计具有不同程度的贡献度，通过融入注意力机制对变量进行加权，即对重要的信息增加一定比例的权重，对于无法提升模型性能的一些信息则选择降低权重，以降低冗余变量和噪声对构图和回归学习的不良影响；最后，将注意力机制、自适应构图和宽度学习建模整合在一个统一学习框架内，并采用交替迭代优化求解获得建模学习的整体最优解。因此，本发明提供的半监督学习框架能够充分利用标签数据所包含的监督信息，辅助以无标签数据所蕴含的结构信息，改善宽度学习模型性能，达到提升软测量模型泛化能力和可靠性之目的。
-
公开(公告)号：CN113253682B
公开(公告)日：2022-04-29
申请号：CN202110533650.2
申请日：2021-05-17
Applicant: 中国石油大学(华东)
IPC: G05B19/418
Abstract: 本发明涉及一种非线性化工过程故障检测方法，其具体步骤为：离线建模阶段中，首先对训练数据进行归一化处理，然后构建M个随机慢特征分析模型，并求出对应的主导子空间统计量和残差空间统计量控制限；在线检测阶段，采集测试数据并进行归一化处理，然后将其映射到M个随机慢特征分析模型，求得M组主导子空间统计量和残差空间统计量，通过加权概率指数融合机制得到集成监控统计量和统计量BICQ，分别与1‑α比较，用于判断是否发生故障，其中，α为置信水平。本发明利用随机傅立叶映射深挖非线性过程的数据特性，能够更加高效的建立非线性慢特征分析模型，改善故障检测效果。
-
公开(公告)号：CN113159225B
公开(公告)日：2022-04-19
申请号：CN202110534721.0
申请日：2021-05-17
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及一种多变量工业过程故障分类方法，首先使用正常操作工况数据集来分析过程变量之间的相关性，计算变量之间的相关性因子；其次根据过程变量之间的相关性因子构建新的过程变量排列顺序，并进一步构建变量自组织函数；使用卷积神经网络建模方法构建VSACNN故障分类模型，并利用训练数据集来进行网络参数的优化，将测试数据集输入至VSACNN故障诊断模型，根据VSACNN故障诊断模型输出确定故障类型。本发明将变量关系分析与CNN模型相结合，提高局部变量之间的相关性，从而帮助CNN充分挖掘相关过程变量之间的联系，改善CNN在提取局部特征的信息有效性，能够有效地提升故障分类的准确率。
-
Patent Agency Ranking
公开(公告)号：CN114117919A
公开(公告)日：2022-03-01
申请号：CN202111432914.1
申请日：2021-11-29
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及一种基于样本协同表示的即时学习的软测量建模方法，该方法通过协同表示算法获得历史样本的权重矩阵，并通过加权岭回归算法建立加权岭回归模型，将两种算法进行融合，形成统一的优化目标。对于采集的查询数据，首先计算查询数据与训练样本的加权欧式距离，并将加权欧式距离融合到协同表示的正则项中，计算协同表示系数及各历史样本的权重矩阵，然后根据各样本的权重矩阵建立加权岭回归模型计算查询数据对应的输出值。本发明不仅能够很好地处理工业过程的非线性、时变性及多重共线性问题，还将相似样本选择和局部模型的构建融合到一个优化函数中，实现利用局部模型的信息指导相似样本的选择，提高相似样本的可靠性及局部模型的预测精度。
-
公开(公告)号：CN111176265B
公开(公告)日：2021-01-22
申请号：CN202010086630.0
申请日：2020-02-11
Applicant: 中国石油大学(华东)
IPC: G05B23/02
Abstract: 本发明涉及一种模型预测控制器性能监控方法，其具体步骤为：离线建模阶段，收集模型预测控制器历史数据，选择运行工况正常的被控变量数据Yo、控制变量数据Uo以及模型预测误差数据Eo作为基准性能数据集，并对基准性能数据集进行预处理，然后进行慢特征分析，根据全变量信息表达权重矩阵选取主导慢特征空间Wd和残差慢特征空间We，构建稳态性能监控指标和动态性能监控指标ψ，计算指标的控制限和指标ψ的控制限CLψ；在线监控阶段，对在线测试数据进行预处理，计算对应的稳态性能监控指标和动态性能监控指标ψt，依据和ψt是否超出控制限给出性能监控结果。本发明充分提取全部过程变量的稳态性能信息和动态性能信息，能够提高性能恶化检测率。
-
公开(公告)号：CN111176265A
公开(公告)日：2020-05-19
申请号：CN202010086630.0
申请日：2020-02-11
Applicant: 中国石油大学(华东)
IPC: G05B23/02
Abstract: 本发明涉及一种模型预测控制器性能监控方法，其具体步骤为：离线建模阶段，收集模型预测控制器历史数据，选择运行工况正常的被控变量数据Yo、控制变量数据Uo以及模型预测误差数据Eo作为基准性能数据集，并对基准性能数据集进行预处理，然后进行慢特征分析，根据全变量信息表达权重矩阵选取主导慢特征空间Wd和残差慢特征空间We，构建稳态性能监控指标 和动态性能监控指标ψ，计算指标的控制限 和指标ψ的控制限CLψ；在线监控阶段，对在线测试数据进行预处理，计算对应的稳态性能监控指标 和动态性能监控指标ψt，依据 和ψt是否超出控制限给出性能监控结果。本发明充分提取全部过程变量的稳态性能信息和动态性能信息，能够提高性能恶化检测率。
-
公开(公告)号：CN117272244B
公开(公告)日：2024-03-15
申请号：CN202311550643.9
申请日：2023-11-21
Applicant: 中国石油大学(华东)
IPC: G06F18/27 , G06N3/0895 , G06F30/27 , G06F119/02
Abstract: 本发明公开了一种融合特征提取和自适应构图的软测量建模方法，属于软测量技术领域，首先，考虑到原始高维数据中的冗余特征会影响相似矩阵对数据间局部结构信息的准确逼近，本发明致力于结合特征和标签信息之间的相关性选择高维样本的低秩表示；同时，将特征学习和自适应构图整合在一个统一学习框架内，综合利用动态自适应构图优化思想指导算法特征提取，并保证算法同步进行特征学习和回归建模；最后采用交替迭代优化求解获得建模学习的整体最优解。因此，本发明提供的半监督学习框架能够充分利用标签数据所包含的监督信息，辅助以无标签数据所蕴含的结构信息，达到提升软测量模型泛化能力和可靠性之目的。
-
公开(公告)号：CN116738866B
公开(公告)日：2023-10-27
申请号：CN202311007772.3
申请日：2023-08-11
Applicant: 中国石油大学(华东)
IPC: G06F30/27 , G06F18/213 , G06F18/214 , G06F18/22 , G06F18/27 , G06N3/044 , G06N3/08
Abstract: 本发明公开了一种基于时间序列特征提取的即时学习的软测量建模方法，属于工业过程软测量技术领域，针对建模数据和采集到的查询数据，首先利用递归神经网络优异的特征学习能力，提取时序数据中的高维动态潜变量，得到复杂非线性动态数据的丰富特征表达，然后利用降维算法简化隐层特征维数并消除冗余变量，最后根据所提取的代表性简约特征，由基于局部标签传播的半监督即时学习算法建立软测量模型，计算查询数据对应的输出值。本发明不仅能够利用大量无标签样本辅助建立软测量模型，还可以有效挖掘过程变量之间的动态关系，显著强化即时学习对复杂动态数据的特征表示能力，从而有效处理工业过程的非线性和动态特性，提高软测量模型的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.041 seconds)
