申请/专利权人:浙江理工大学
申请日:2023-06-29
公开(公告)日:2023-10-20
公开(公告)号:CN116910521A
主分类号:G06F18/2136
分类号:G06F18/2136;G06F18/214;G06F17/18;G06N20/00;G06N3/088;G06N3/0464
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.11.07#实质审查的生效;2023.10.20#公开
摘要:本发明公开了一种基于SAE‑KPLS的质量相关过程监测方法,属于工业过程监测技术领域,包括:针对过程变量构建SAE模型并对SAE模型进行训练;通过SAE模型获得过程变量数据的稀疏特征矩阵和残差矩阵;分别针对稀疏特征矩阵和残差矩阵建立KPLS模型,计算稀疏特征矩阵对应的潜变量和残差矩阵对应的质量预测矩阵;根据潜变量和质量预测矩阵,计算统计量;使用核密度估计算法KDE计算统计量的阈值;获取当前过程变量样本,计算当前过程变量样本的统计量;将当前过程变量样本的统计量分别与其对应的阈值进行比较,获得过程监测结果。通过SAE充分挖掘数据的深度特征,从SAE的残差中保留了与质量变量直接相关的变化,提升了质量相关过程监测准确性。
主权项:1.一种基于SAE-KPLS的质量相关过程监测方法,其特征在于,包括:S101:针对过程变量构建SAE模型并对所述SAE模型进行训练;S102:通过所述SAE模型获得过程变量数据的稀疏特征矩阵和残差矩阵;S103:分别针对稀疏特征矩阵和残差矩阵建立KPLS模型,计算所述稀疏特征矩阵对应的潜变量和所述残差矩阵对应的质量预测矩阵;S104:根据所述稀疏特征矩阵对应的潜变量和所述残差矩阵对应的质量预测矩阵,计算统计量;S105:使用核密度估计算法KDE计算所述统计量的阈值;S106:获取当前过程变量样本,通过所述S102至S104计算所述当前过程变量样本的统计量;S107:将所述当前过程变量样本的统计量分别与其对应的阈值进行比较,获得过程监测结果。
全文数据:
权利要求:
百度查询: 浙江理工大学 一种基于SAE-KPLS的质量相关过程监测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。