← 返回列表
一种基于深度学习的无监督批量控制方法
摘要文本
本发明公开了一种基于深度学习的无监督批量控制方法，该方法涉及机器学习、深度学习、无监督、过程控制等领域。首先，设计基于遗传算法的多路偏最小二乘自动编码器对数据进行特征提取并计算动态控制极限；其次，在每个时间间隔使用核密度估计来估计学习的潜在特征和残差的控制极限，进行故障监测，确保加工厂安全运行和最终产品高质量生产。与其他方法相比，本发明优势在于提升系统制水效率、降低能源消耗，提高设备运行的稳定性和鲁棒性，提高智能制造系统的可靠性，可广泛应用于化工、石油、制药、水处理等大型工业。
申请人信息
- 申请人:长春工业大学
- 申请人地址:130012 吉林省长春市朝阳区湖西街道延安大街长春工业大学南湖校区
- 发明人: 长春工业大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于深度学习的无监督批量控制方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410068917.9 |
| 申请日 | 2024/1/17 |
| 公告号 | CN117590753A |
| 公开日 | 2024/2/23 |
| IPC主分类号 | G05B13/04 |
| 权利人 | 长春工业大学 |
| 发明人 | 李慧; 杨帆; 张秀梅; 罗明月; 李佳男; 魏俊杰; 武奥运; 马钰民 |
| 地址 | 吉林省长春市朝阳区延安大街2055号 |
专利主权项内容
1.一种基于深度学习的无监督批量控制方法，其特征在于，包括以下步骤：步骤1：数据采集以及预处理，收集工业制水批次数据构建输入矩阵，对其进行归一化处理，并分为训练样本和测试样本；步骤2：基于遗传算法构建自编码神经网络模型，通过遗传算法对批次数据进行特征选择，构建自编码神经网络模型，将训练样本输入模型，以无监督的方式进行算法训练；步骤3：确定控制极限，采用统计量和SPE统计量进行故障诊断，使用核密度估计法确定控制限；步骤4：对比监控指标，计算故障检测率，将监控指标的统计量与正常情况下计算出来的控制极限进行对比，通过判定逻辑确定故障是否发生，计算故障检测率。