申请/专利权人：安徽极果数融信息科技有限公司

申请日：2023-11-13

公开（公告）日：2024-04-09

公开（公告）号：CN117421708B

主分类号：G06F18/27

分类号：G06F18/27;G06F18/2433;G06F18/241;G06F18/2135;G06F18/20;G06F18/2321;G05B11/42

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2024.02.06#实质审查的生效;2024.01.19#公开

摘要：本发明涉及氢生产技术领域，公开了一种基于改进混合高斯模型的碱性电解水还原氢状态监测方法，包括：采集电解水制造氢过程中的生产数据；构建基于多层混合高斯模型的生成模型；根据时序特性进行状态划分；将实时的生产数据输入到状态分类模型，得到实时的生产数据对应的状态，根据生产数据的状态的时序，得到Markov状态转变图；通过Markov状态转变图结合生产数据中各变量的变化，判断生产异常情况；本发明聚类融入平稳思想，采用改进地深度混合高斯模型，体现出全局非线性关系，代替传统线性与热力学等模型。

主权项：1.一种基于改进混合高斯模型的碱性电解水还原氢状态监测方法，包括以下步骤：步骤一，采集电解水制造氢过程中的生产数据，一个时刻的生产数据Xt称为一条生产数据，总共有T条生产数据；步骤二，构建基于多层混合高斯模型的生成模型：设定网络层数为K，第k层网络的节点数为ik，1≤k≤K，每一层网络对应一个混合高斯模型，第k层网络的混合高斯模型包括ik个高斯分布，即每个节点对应一个高斯分布，每个混合高斯模型中各高斯分布的初始权重相等；随着网络层数的增加，每层网络中的节点数递减；针对生成模型中的第一个混合高斯模型：将生产数据进行聚类、平稳数据判断、多维数据降维后，得到i1个主成分数据根据i1个主成分数据得到i1组均值、协方差，将i1组均值、协方差分别作为第一层混合高斯模型中i1个高斯分布的初始参数；具体包括以下步骤：S211，通过聚类算法对步骤一中的多条生产数据进行聚类，得到i1个聚类数据判断各聚类数据中每条生产数据Xt是否为平稳状态数据，如是，则聚类数据中保留生产数据Xt；否则，将生产数据Xt从聚类数据中删除；S212，对得到的i1个聚类数据进行多维数据降维，得到聚类数据的主成分数据根据主成分数据得到每个聚类数据的均值、协方差，i1个聚类数据的权重均等且权重和为1；S213，将i1个聚类数据的均值、协方差和权重分别作为第一个混合高斯模型中i1个高斯分布的初始参数；针对生成模型中的第k个混合高斯模型，2≤k≤K，对第k-1个混合高斯模型中的ik-1个主成分数据进行聚类、平稳数据判断、多维数据降维后，得到ik个主成分数据根据ik个主成分数据Zk得到ik组均值、协方差，将ik组均值、协方差分别作为第k个混合高斯模型中ik个高斯分布的初始参数；具体包括以下步骤：S221，通过聚类算法对生成上一个混合高斯模型时得到的ik-1个主成分数据进行聚类，得到ik个聚类数据判断各聚类数据中每个主成分数据是否为平稳状态数据，如是，则聚类数据中保留主成分数据否则，将主成分数据从聚类数据中删除；S222，对得到的ik个聚类数据进行多维数据降维，得到聚类数据的主成分数据进而得到每个聚类数据的均值、协方差，ik个聚类数据的权重均等且权重和为1；S223，将ik个聚类数据的均值、协方差和权重分别作为第k个混合高斯模型中ik个高斯分布的初始参数；通过期望最大化算法更新各个混合高斯模型的参数，直至混合高斯模型收敛；此时，对于每条生产数据Xt，生成模型中的每个混合高斯模型输出一个类别，共输出K个类别，记为类别组步骤三，根据时序特性进行状态划分：按照对产氢量影响从小到大、时间从远到近的方式将每条生产数据Xt的类别组重编码为一个状态标签yt，进而得到训练数据集通过训练数据集训练一个神经网络或一个决策树，得到状态分类模型；步骤四，将实时的生产数据输入到状态分类模型，得到实时的生产数据对应的状态，根据生产数据的状态的时序，得到Markov状态转变图；步骤五，通过Markov状态转变图结合生产数据中各变量的变化，判断生产异常情况。

全文数据：

权利要求：

百度查询： 安徽极果数融信息科技有限公司 基于改进混合高斯模型的碱性电解水还原氢状态监测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD