买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江大学申请的专利一种基于RBNCVA的高炉炼铁过程监测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115909535B 。

龙图腾网通过国家知识产权局官网在2025-08-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211258236.6，技术领域涉及：G07C3/00；该发明授权一种基于RBNCVA的高炉炼铁过程监测方法是由杨春节;杨越麟;楼嗣威;朱雄卓设计研发完成，并于2022-10-13向国家知识产权局提交的专利申请。

本一种基于RBNCVA的高炉炼铁过程监测方法在说明书摘要公布了：本发明公开了一种基于RBNCVA的高炉炼铁过程监测方法，首先，采用堆叠去噪自编码器（SDAE）对历史高炉故障数据进行建模，从中提取出鲁棒的宽度非线性特征，这种特征有助于处理高炉炼铁过程的复杂非线性，并能抵抗噪声和异常值的干扰；然后，采用典型变量分析（CVA）方法分析过去和未来特征向量之间的关系，以应对高炉的动态性问题；最后，通过由核密度估计方法求得的概率密度函数来计算统计量。本发明降低了高炉炼铁监测过程中的误报率，显著地提高了故障检测率和故障敏感性。

本发明授权一种基于RBNCVA的高炉炼铁过程监测方法在权利要求书中公布了：1.一种基于鲁棒宽度非线性表示的典型变量分析RBNCVA的高炉炼铁过程监测方法，其特征在于，首先，采用堆叠去噪自编码器SDAE对历史高炉故障数据进行建模，从中提取出鲁棒的宽度非线性特征，这种特征有助于处理高炉炼铁过程的复杂非线性，并能抵抗噪声和异常值的干扰；然后，采用典型变量分析CVA方法分析过去和未来特征向量之间的关系，以应对高炉的动态性问题；最后，通过由核密度估计方法求得的概率密度函数来计算统计量； 步骤如下： 步骤一：向正常状况下采集到的历史高炉数据xok∈Rζ中添加一个高斯噪声向量，以重建干净的输入数据xok为目标，对堆叠去噪自编码器进行权值训练，建立高炉的鲁棒非线性特征提取模型，重构目标如下： 其中是一个向量，其中每个变量都是独立的，并服从均值μ和方差的高斯分布，θ,为神经网络的参数； 步骤二：堆叠去噪自编码器利用各隐藏层对高炉过程变量进行抽象非线性映射，采用“concat”运算将不同层次的特征融合成一个聚合特征zk，表达式如下： zk＝[xh1k,xh2k,xh3k,xrk]∈Rl l＝lh1+lh2+lh3+lr 其中和分别表示第k次采样时不同级别隐藏层的输出向量和重构向量； 步骤三：基于步骤一和步骤二的特征提取策略，使用典型变量分析CVA以进一步探索高炉炼铁过程的动态特性；将获得的高炉特征矩阵Z∈Rl*N划分为过去和未来的汉克尔矩阵Wp∈Rls*M和Wf∈Rls*M，其中，汉克尔矩阵的列由M＝N-2s+1给出；然后通过解决以下优化目标来最大化它们之间的相关性： s.t.vTv＝1,rTr＝1； 步骤四：使用奇异值分解SVD计算出步骤三中优化目标的解， 其中V＝[v1,v2,…,vq]和R＝[r1,r2,…,rq]分别为左右奇异矩阵， 包含q个主要奇异值；由此得到使高炉过去和未来特征相关性最大的投影矩阵J和L： 步骤五：通过步骤四求得的投影矩阵J和L将过去的高炉特征观测向量分别转换为q维典型相关变量和残差，状态空间C和残差空间E的具体形式如下： c＝JWp；E＝LWp； 使用T2和Q统计量作为监测统计量，通过下式给出： 其中，cik和eik分别表示k时刻C和E的第i个元素； 步骤六：计算T2和Q统计量的控制限，概率密度函数的估计定义如下： 其中K·是核函数，h代表带宽，最佳带宽通过最小化平均积分平方误差的近似值来粗略估计： hopt＝1.06σM-15 其中σ为标准差，给定置信水平α下监测统计数据T2和Q的控制限由下式给出： 步骤七：对于实时监测部分，首先采集实时数据并进行标准化处理，通过步骤二-步骤六，构建实时统计量T2和Q，最后通过对比统计量是否小于控制限，判断过程运行状态，若T2和Q其中有一个低于控制限，则认为过程发生异常状况，需要停止检查；反之，则判断过程正常无需维护。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。