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！

龙图腾网获悉江苏师范大学申请的专利一种多工况过程故障监测与诊断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：CN115079660B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202110259230.X，技术领域涉及：G05B23/02；该发明授权一种多工况过程故障监测与诊断方法是由任世锦;刘小洋;王波;开红梅设计研发完成，并于2021-03-10向国家知识产权局提交的专利申请。

本一种多工况过程故障监测与诊断方法在说明书摘要公布了：本发明涉及一种多工况过程故障监测与诊断方法，该方法包括以下步骤：利用变分推理方法在核隐空间中学习鲁棒度量模型，获取数据对应的核隐空间的低维非线性隐变量以及模型参数；基于核隐空间变分推理的鲁棒度量学习的GMM多工况过程监测。本发明将核空间弱监督度量学习和隐变量模型嵌入式到GMM建模过程，并使用学生t‑分布对非高斯噪声进行建模，更加关注度量学习方法对后续GMM性能的提升，以增强GMM对非线性、不确定、非高斯噪声、多工况数据集的描述能力。

本发明授权一种多工况过程故障监测与诊断方法在权利要求书中公布了：1.一种多工况过程故障监测与诊断方法，其特征在于，包括以下步骤： S1、利用变分推理方法在核隐空间中学习鲁棒度量模型，获取数据对应的核隐空间的低维非线性隐变量以及模型参数； S101、使用核技巧将输入过程数据映射到与核函数相关的高维特征空间，使得特征空间数据线性可分；转至步骤S102； S102、在高维特征空间构建基于变分推理的鲁棒度量学习隐变量抽取方法，使用变分推理的模型参数学习，自动确定隐变量维数；转至步骤S103； S103、根据在核隐空间中抽取的隐变量建立GMM模型对数据进行聚类建模分析；转至步骤S104； S104、根据GMM模型聚类结果选取聚类中可信度高的样本生成样本约束对，或根据先验知识生成样本约束对，生成约束优化问题求取最优核函数参数；转至步骤S105； S105、重复上述步骤直至算法收敛；转至步骤S2； 其中，核隐空间变分推理鲁棒度量学习方法如下： 1设置最大隐空间维数d,参数γ，副信息以确定模型超参数初始值v，v'，aρ,bρ，m＝1,2,…,d，i＝1,2,…,N； 2通过v，v'，aρ,bρ的值随机初始化后验分布qρ，qU，qU'，qα和qW，从后验分布qW随机抽取初始变换矩阵W，τ＝d； 3设置迭代次数t＝0； 4当t＜maxitem时，使t＝t+1，i＝1,…,N，qzi|yi＝1服从高斯分布，该高斯分布的均值和方差： 高斯分布其均值和协方差分布为下面形式 对qz'i|yi＝1和，高斯分布的均值和方差： 高斯分布其均值和协方差分布为下面形式 ui和ui对数的期望形式为 其中，为常见的di-gamma函数，对分布pu'i的变分近似qu'i而言，u'i和u'i对数的期望形式为 qwm服从高斯分布，其均值和协方差为如下形式 对于高维数据，可以采用Nystrom方法求取矩阵的低秩逼近，那么通过Woodbury公式对矩阵逆进行计算，即 qαm服从Gamma分布其参数更新形式如下 这里， qρ的参数更新如下 可通过求取下面优化问题最优参数v，即 同样地，通过求解方程式得到v'的最优解，这里v'为随机变量u'n分布的超参数； 如果变分下界收敛满足要求则算法终止； S2、基于核隐空间变分推理的鲁棒度量学习的GMM多工况过程监测； S201、假设给定过程数据样本集由核隐空间变分推理的鲁棒度量学习方法求取其对应低维子空间的隐变量，记为转至步骤S202； S202、基于隐变量集调用GMM算法得到GMM聚类模型；根据GMM聚类结果生成约束优化问题求取最优核函数参数；在此基础上，使用核隐空间变分推理的鲁棒度量学习方法生成新的隐变量集合在新的低维空间上重新构建GMM模型；转至步骤S203； S203、迭代执行上述S201、S202的过程优化算法模型，直至GMM收敛；根据GMM聚类结果构造全局过程监测统计量并根据变量的贡献度，用于故障诊断； 其中，核隐空间变分推理的鲁棒度量学习的GMM多工况过程监测方法的具体实现过程如下： ⑴给定样本最大隐空间维数d,参数γ，迭代次数st＝1，最大迭代次数maxiter,收敛阈值ε，核函数参数Λ，副信息以确定模型超参数初始值v，v'，aρ,bρ； ⑵根据运行核隐空间变分推理的鲁棒度量学习方法，获取低维特征空间上隐变量集以及相关模型参数Θst； ⑶使用GMM算法对隐变量集进行聚类，聚类参数集记为其中μc和Σc分别表示第c个聚类的均值和协方差矩阵，πc表示第c个聚类的先验概率，每个聚类代表一个工况，每个高斯成分表示聚类分布情况； ⑷根据聚类结果由确定样本zi所属的类别，并选择可信度高的样本生成边信息其中，为隐变量zi属于第c个聚类的后验概率，c＝1,2,…,K；对每一类样本集根据样所属类别概率进行降序排列，记为令Z＝[Z1,Z2,…,ZK]，Nc为第c个聚类样本数量； ⑸调整高斯核函数参数Λ：令ZZc表示从Z移出Zc后并按照所属聚类c的概率进行降序排列的数据集，对每个样本集{Zc,ZZc}，c＝1,2,…,K；从Zc中取出第个样本，其中β＝η8,η＝1,2,…,8，表示取靠近βNc最大整数，其对应的原始数据集以及所属聚类c的概率分别记为U'c，从ZZc中取出第个样本，其对应的原始数据集以及属不聚类c的概率分别记为 N'c＝cardX'c，函数表示集合中元素的数量，实际上 基于最小化样本集局部距离、最大化样本集非局部距离准则，使得同类样本之间尽可能靠近、异类样本之间尽可能远离，从而达到分开不同类别样本的目的，通过优化问题得到最优高斯核函数参数 其中，为高斯核函数，对角矩阵Λ＝diagΛ1,Λ2,…,ΛD'为核函数参数，D'为原始空间输入数据的维数，函数diffΛ表示特征空间上同类数据样本之间的加权类内局部距离与异类样本之间的加权类间距离之差，这里，表示与高斯核函数对应的高维特征映射且满足引入权重的目的对类别边界样本予以更大的重视，提高边界样本的分离程度；使用下面梯度下降法对上述优化问题求解最优核函数参数Λ*，梯度下降更新形式为 其中，τ'为步长，表示第g+1次和第g次迭代的Λd'值，g为迭代次数，diffΛg第g次迭代时函数diffΛ的值，由可得 参数初始值取dstd'表示所有样本第d'维变量之间距离的平均值，梯度下降算法终止条件设为|diffΛg-diffΛg+1|≤10-6； ⑹根据GMM聚类结果选择可行度较高样本生成约束对Xst+1,X'st+1,yst+1，并调用核隐空间变分推理的鲁棒度量学习算法求取最优参数Θst+1； ⑺估计目标函数的值lnpyst+1,Θst+1|Xst+1,X'st+1； ⑻st←st+1 直到条件|lnpyst-1,Θst-1|Xst-1,X'st-1-lnpyst,Θst|Xst,X'st|≤ε或者st≥maxiter满足后算法结束； 得到最优模型参数Θ',Θ； ⑼故障检测： 对于新的监测样本x*，首先根据投影矩阵W计算其对应的隐变量z*＝Wφx*属于各个高斯成分Ccc＝1,2,…,K的后验概率，进而确定监测样本x*属于高斯成分Cc的隶属度，即 隐变量z*与各个高斯成分之间的距离此度量服从近似自由度为d的χ2分布，因此可以估计样本z*在第c个高斯成分中的局部概率为 构建如下形式的综合监测统计量 通过该综合监测统计量是否小于预先确定置信度水平1001-a％可以确定当前工况是否处于正常状态； ⑽故障诊断： 对于监测变量Ξl1≤l≤D'，其在每个高斯成分的贡献率可通过下面的一阶偏导数计算得到，即 其中， 那么关于监测变量Ξl的总体贡献度为 如果当前工况处于异常状态，计算每个监测变量的贡献度，选取最大贡献度对应的变量，即 由式67可以认为引起过程异常工况的变量为变量Ξl*。

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江苏师范大学，其通讯地址为：221116 江苏省徐州市铜山新区上海路101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”。