基于高阶奇异值分解的硅料溶化进程监测方法，先采用CCD照相机对硅料熔化过程进行实时的图像序列采集；用当前时刻之前的若干二维图像序列构成三维张量（tensor），对该张量进行高阶奇异值分解（HOSVD）得到用于表征之前熔化状态的基图像（Base Images）；然后，对当前硅料熔化所采集的图像与包含主要信息的基图像进行相关性计算，依据相关性的大小判定硅料溶化状态是否改变。本发明监测方法既能在初、中期硅料熔化状态背景较复杂的情况下检测出硅料的状态变化，又能在熔化后期很好区别硅料熔化状态的变化与熔液运动的噪声，实现了对硅料熔化进程的准确、有效监测。
📄 201310413096X
📂 G06T7_00
👤 西安理工大学
📅 2013-09-11
本发明公开了一种全过程监测的自动剔补苗装置及其剔补方法。本发明中移动机架驱动放置板和两个X轴直线模组移动，两个X轴直线模组驱动两个Y轴直线模组分别平移，其中一个Y轴直线模组驱动Z轴直线模组平移，另一个Y轴直线模组驱动相机一平移，Z轴直线模组驱动剔补苗机构升降；剔补苗机构中舵机一驱动齿轮箱转动，两个齿轮轴均与齿轮箱构成转动副，且其中一个齿轮轴的一端由舵机二驱动，另一端和另一个齿轮轴上靠近舵机二的一端分别设有补苗末端和剔苗末端；视觉监测装置中固定架上设有等距布置的多个相机组件。本发明能够代替人工实现苗盘上未发芽种子以及非健康幼苗所在穴孔的剔补工作，并能够实现原位剔补工作，且剔补过程移动路线短。
📄 2024108474391
📂 A01G9_08
👤 浙江理工大学
📅 2024-06-27
本发明涉及一种基于KPCA‑CVA模型和随机算法的过程监测方法，首先采样获得过程状态数据，其后基于对正常工况下数据建立非线性KPCA‑CVA模型，并求得相应的T2统计量和Q统计量，使用随机算法获得相应的统计量阈值；再用实时测量值计算相应的统计量并和判断阈值做比较，判断天然气液化装置的运行状态是否发生非正常变化。本发明采用非线性KPCA‑CVA方法充分考虑了数据中的非线性特性，并专注于过程中的动态特性构造了过去、将来矩阵，可以更有效地发现过程中的初始故障，并且在阈值的确定上使用了随机算法，可以更为准确地确定非高斯的过程统计量阈值。
📄 2020100226516
📂 G06F30_20
👤 浙江理工大学
📅 2020-01-09
本发明涉及一种基于混合核PCA‑CCA及核密度估计的过程监测方法，在建模阶段，使用基于正常工况下采集到的输入和输出数据，通过混合核PCA‑CCA模型得到相应的加权矩阵，然后基于状态空间中的模型残差建立T2统计量，最后通过核密度估计的方法获得相应的统计量阈值；在实时监测阶段，采集实时输入与输出的样本并使用混合核将其映射到高维的特征空间中，并根据建模阶段获得的模型计算实时残差及其统计量，随后将获得的实时统计量与阈值做比较，判断液化装置的输出是否发生非正常变化。本发明专注于过程输入与输出的互相关性，有效提升了对于非线性过程的监测效果，使用核密度估计方法确定阈值，更为准确地确定非高斯过程的统计量阈值。
📄 2020100220401
📂 G06V10_84
👤 浙江理工大学
📅 2020-01-09
本发明公开了一种基于分层概率密度分解的过程监测和故障诊断方法。构建分层概率图模型，将所有过程变量的联合概率密度分解为条件概率密度和低维概率密度的乘积，分解后的概率密度分别由核条件密度估计方法和核密度估计方法进行估计并统计检验；利用基于故障重构的迭代诊断方法，对输入变量和输出变量在每一个可能的故障方向上用迭代的方式求得最优故障值，进行相应修正后使得变量受到的故障影响最小，以此实现故障变量的分离。本发明为工业生产控制行为的评价和故障变量的诊断提供了可靠有效的技术支持。
📄 201811243457X
📂 G05B19_418
👤 中国计量大学
📅 2018-10-24
本发明公开了一种基于邻域差异特征分析提取的批次生产过程监测方法，针对青霉素生产批次数据的批次不等长和时变问题提供行之有效的解决方案。具体来讲，本发明方法首先通过时间邻域窗口从多个正常生产的批次矩阵中获取相近时间邻域内的参考数据，并即时分析新生产批次数据相对于邻域矩阵的差异，从而直接通过监控该差异特征变化范围来实现对青霉素批次生产异常的监测。主要优势在于：其一，可以应对青霉素生产批次的数据不等长问题；其二，可以提取出直接用于过程监测的即时差异特征；其三，可以应对批次数据的时变特性。本发明方法实施的技术关键是：获取相近时间邻域内的参考数据组成邻域矩阵，从而提取出直接用于过程监测的差异特征。
📄 2022106501662
📂 G05B19_418
👤 宁波大学科学技术学院
📅 2022-04-30
本发明公开一种基于在线非线性判别特征分析的精馏过程异常监测方法，通过一种在线非线性判别特征分析技术，来实时的针对各个在线采样数据进行非线性判别特征提取，其目的在于保证实时提取的特征能最大化程度的判别出各个采样数据中潜藏的异常变化特征。本发明方法的最大优势在于：旨在最大化监测指标，能够实时对在线新测量的采样数据实施在线非线性判别特征分析，从而使在线分析后得到的特征能尽可能的偏离零点；从这个角度来讲，本发明方法实施的特征分析技术是在线进行的，总能找到最能反应出在线采样数据中潜藏的非线性异常变化特征，从而能对精馏过程各式各样的异常工况数据进行有效的判别。
📄 202110300826X
📂 G06F18_2411
👤 宁波大学科学技术学院
📅 2021-03-13
本发明公开一种基于动态近邻保持嵌入算法的过程监测方法，旨在解决如何同时挖掘训练数据中潜藏的自相关特征与局部近邻结构特征，并基于此实施对生产过程运行状态的监测问题。本发明方法的优势在于：首先本发明方法中涉及的动态近邻保持嵌入算法是一种全新的算法，它同时考虑了自相关性特征与局部近邻特征，能够更全面地挖掘训练数据中潜藏的有用信息。其次，在具体实施案例中，相比于传统动态过程监测方法，本发明方法在故障监测上能取得更卓越的效果。可以说，本发明方法是一种更为优选的动态过程监测方法。
📄 2019104787894
📂 G06F17_11
👤 宁波大学
📅 2019-05-20
本发明公开一种基于GA‑ICA的新型分散式非高斯过程监测方法，旨在利用十进制的遗传算法求解ICA模型，并推导出多块ICA算法的实施过程，在此基础上即可实施分散式的非高斯过程监测。本发明方法在实施多块建模的过程中，首先利用十进制的遗传算法求解所有测量变量对应的分离向量与独立成分，然后再根据各个变量子块的独特性，将各变量子块对应的独立成分分离出来。因此，本发明方法在实施多块建模时综合考虑了所有测量变量的整体性与各变量子块的局部特性，这是一种全新的分散式非高斯过程监测方法。此外，具体实施案例中将会验证本发明方法的优越性，从而说明本发明方法是一种更为优选的分散式非高斯过程监测方法。
📄 2019102297532
📂 G06F30_20
👤 宁波大学
📅 2019-03-12
本发明公开一种基于动态正交近邻保持嵌入模型的过程监测方法，该方法在挖掘训练数据中潜藏的有用特征时，能同时考虑自相关特征与局部近邻结构特征并保证投影变换向量的正交特性。本发明方法首先将自相关性与局部近邻结构嵌入量化成一个目标函数；其次，在保证各投影变换向量相互正交的约束下求解该目标函数，从而利用得到的投影变换向量实施特征提取；最后，利用提取出的潜在特征以及模型误差实施过程监测。与传统方法相比：首先本发明方法中涉及的动态正交近邻保持嵌入模型的建立方法是一种全新的建模策略，它同时考虑了自相关性特征与局部近邻特征，并且保证了投影变换向量的正交特性，能够更全面地挖掘训练数据中潜藏的有用信息。
📄 2019104741744
📂 G06Q10_06
👤 宁波大学
📅 2019-05-24
本发明公开一种基于动态性最优选择的分散式动态过程监测方法，本发明方法首先为各测量变量引入在采样时间上的多个延时测量值，然后利用遗传算法最优选择对应于各个测量变量的动态性特征，最后利用回归模型的预测误差实施对动态过程的在线监测。相比于传统方法，本发明方法首先单独地为每个测量变量最优的挑选出了动态性特征。其次，本发明方法只模型预测误差实施过程监测，而误差是回归模型中剔除了自相关性与交叉相关性后的结果，通过这种思路巧妙地避免了动态过程监测中自相关性问题。再者，本发明方法给出的监测结果更单一而不会因多个统计指标组合出现多种过程监测结果。可以说，本发明方法是一种更为优选的动态过程监测方法。
📄 2018102335084
📂 G05B23_02
👤 宁波大学
📅 2018-03-06
本发明公开一种基于分散式ICR模型的非高斯过程监测方法，旨在解决如何利用非高斯数据建模算法，通过数据模型将采样数据转换成误差，并以误差作为被监测对象实施非高斯过程监测的问题。具体来讲，本发明方法首先针对每个测量变量，利用独立成分回归(ICR)算法建立各变量与其他变量之间的软测量模型。然后，利用软测量模型的估计误差作为被监测对象，建立基于独立成分分析(ICA)的过程监测模型实施非高斯过程监测。可以看出本发明方法利用了分散式建模的优势，而且采用多种非高斯数据分析算法相结合的实施方式，是一种更为优选的适于非高斯过程的数据驱动的过程监测方法。
📄 2018102335563
📂 G05B23_02
👤 宁波大学
📅 2018-03-06
柿子坊 · 知识产权运营
柿子坊知识产权运营平台