“孟生军”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果4个，建议您升级VIP下载更多相关专利

[发明专利]一种基于已知数据回归的非高斯过程监测方法-CN201711456607.0有效
发明人： 孟生军;童楚东;朱莹 -专利权人：宁波大学
申请日： 2017-12-15 - 公布日： 2021-05-18 - 主分类号： G06F17/18 文献下载
摘要：本发明公开一种基于已知数据回归的非高斯过程监测方法，旨在将非高斯独立元成分转换为高斯分布的误差信息，以实现对非高斯过程对象实施精准的过程监测。具体来讲，本发明方法首先利用独立元分析(ICA)算法挖掘非高斯过程对象的独立元成分，然后在逐个假设变量数据缺失的条件下，利用已知数据回归(KDR)估计出独立元。最后，利用独立元估计误差实施基于主元分析模型的过程监测。一般而言，ICA算法能揭露出原始数据的本质，以ICA模型为基础通过KDR得到的估计误差是服从高斯分布的。而受益于误差的高斯分布特性，本发明方法所描述的正常区域更为精确，能显著提升传统ICA模型用于非高斯过程监测的故障检测能力。
一种基于已知数据回归非高斯过程监测方法

[发明专利]一种基于修剪独立元回归策略的非高斯过程监测方法-CN201711456608.5有效
发明人： 孟生军;童楚东;朱莹 -专利权人：宁波大学
申请日： 2017-12-15 - 公布日： 2020-11-24 - 主分类号： G05B23/02 文献下载
摘要：本发明公开一种基于修剪独立元回归策略的非高斯过程监测方法，旨在将非高斯独立元成分转换为高斯分布的误差信息，从而加强距离型监测指标对正常数据可允许变动范围描述的精确性。具体来讲，本发明方法在已建立的修正型独立元分析(MICA)模型基础上，通过假设缺失数据的技术手段利用修剪后的独立元回归估计出MICA模型的独立元成分，最后利用独立元的估计误差建立平方马氏距离实施在线故障检测。受益于误差的高斯分布特性，本发明方法利用平方马氏距离统计指标所定义的正常数据允许变化区域不会出现稀疏或“空洞”现象，因此，本发明方法能显著提升MICA模型用于非高斯过程监测的故障检测能力，是一种更为优选的非高斯过程监测方法。
一种基于修剪独立回归策略非高斯过程监测方法

[发明专利]一种基于误差主元分析模型的工业过程监测方法-CN201711456606.6有效
发明人： 孟生军;童楚东;朱莹 -专利权人：宁波大学
申请日： 2017-12-15 - 公布日： 2020-06-30 - 主分类号： G05B19/418 文献下载
摘要：本发明公开一种基于误差主元分析模型的工业过程监测方法，该方法旨在将将原始数据转换成服从或近似服从高斯分布的误差信息，然后对该误差实施监测从而避免因非高斯数据造成的种种不便。具体来讲，本发明方法首先逐一假设过程对象中每个变量的测量数据缺失；其次，根据主元分析(PCA)模型中处理缺失数据的技巧推测出相应缺失变量的估计值；最后，利用假设的缺失数据实测值与估计值之间的误差作为被监测对象，再次建立基于PCA的故障检测模型实施在线故障检测。与传统方法相比，本发明方法不拘泥于原始数据是否满足于高斯分布假设，能较大幅度改善传统PCA方法的故障监测性能，是一种更为优选的过程监测方法。
一种基于误差分析模型工业过程监测方法

[发明专利]一种基于PCA-KDR的故障检测方法-CN201711456500.6有效
发明人： 孟生军;童楚东;朱莹 -专利权人：宁波大学
申请日： 2017-12-15 - 公布日： 2020-06-16 - 主分类号： G05B23/02 文献下载
摘要：本发明公开一种基于PCA‑KDR的故障检测方法，为解决传统PCA模型中高斯分布假设问题。具体来讲，本发明方法逐个假设测量变量数据缺失，然后利用已知数据回归(Known Data Regression，KDR)预测出相应的主元估计值，最后利用主元估计误差实施故障检测。因此，本发明方法除利用PCA算法外，还是用了KDR这种回归建模方法。而且，本发明方法不再局限于原始训练数据的高斯分布假设。取而代之的是，无论原始数据是否服从高斯分布，本发明方法监测对象(即估计误差)始终服从高斯分布。可以说，本发明方法能显著提升传统PCA模型的故障检测能力，是一种更为优选的数据驱动故障检测方法。
一种基于 pca kdr 故障检测方法